知识图谱的表示
2022-10-13 15:20:03 0 举报
AI智能生成
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