知识图谱的表示
2022-10-13 15:20:03 0 举报AI智能生成
登录查看完整内容
主要介绍知识表示的内涵、人工智能发展历史长河中出现的各种知识表示方法。
作者其他创作
大纲/内容
客观事物的机器标识
一组本体约定和概念模型
支持推理的表示基础
用于高效计算的数据结构
人可理解的机器语言
知识表示的用途
传统人工智能领域的知识表示方法主要是以符号表示方法为主，如语义网络，描述逻辑
优点是显式知识、强逻辑约束、易于解释、推理不易扩展
缺点是不易于刻画隐式知识
符号表示
优点是易于捕获隐式知识，可将推理过程转化为向量、矩阵之间的计算、对接神经网络
缺点是丢失了符号表示的可解释性
向量表示（神经网络方法）
符号表示与向量表示
知识表示
一阶谓词逻辑的可判定子集，主要用于描述本体概念和属性
包括TBox（内涵知识描述概念的一般性质）和ABox(外延知识描述特定个题)
描述逻辑
一阶谓词的子集，表达形式简单，复杂度低，易于描述规则型知识
缺点：无法表达不确定性知识
霍恩规则逻辑
因果关系表达形式
缺点不能表达结构关系的知识
产生式系统
类似面向对象的思想
优点对知识的描述比较全面和完整，允许数值计算
框架系统
结构化知识表示方法，易于把事物的属性以及事物间的各种语义联想显示地表示出来
缺点是没有公认的形式表示体系
语义网络
知识表示方法
属性图、RDF图模型、OWL本体语言
优点表达方式灵活，存储充分利用图结构进行优化
缺点缺乏工业标准规范的支持
节点和边构成，节点和边都具有属性，关系是有向的
Neo4j图结构表示模型
属性图
定位是数据交换标准规范，而非存储模型
本质是有向标记图
RDF图模型
在RDF基础上增加了更多的语义表达构件，如基数约束、复杂关系语义等
OWL本体语言
基于图的知识表示方法
知识图谱的符号表示方法
无法有效表示词的语义
one-hot encoding
无法计算得到隐含的语义关系
word2vector
词向量
TransE
DistMult
知识图谱向量表示学习模型
为刻画一对多、多对一等关系语义，就需要增加存储和捕获的额外参数
训练代价以及训练预料不充分的约束
知识向量表示的有限性
知识图谱的向量表示方法
知识图谱的表示
0 条评论
回复 删除
下一页
