江苏龙网

  1. 首页 > 人文 > >

「AI科技评论」S. Yu 团队发布权威综述，六大开放问题函待解决，Philip( 三 )


最常用的表征空间是欧氏点空间 ， 它将实体嵌入到向量空间中 ， 并且通过向量、矩阵或张量对相互作用进行建模 。 人们也研究了其它的表征空间（包括复杂向量空间、高斯分布、流形空间、群） 。
相对于欧氏点空间 ， 流形空间的优势在于它能够松弛基于点的嵌入；高斯嵌入可以表达出实体和关系之间的不确定性 ， 以及多重关系语义；复杂向量空间中的嵌入可以有效地建模不同的关系连接模型 ， 特别是对称/反对称模式 。
在编码实体的语义信息和获取关系属性时 ， 表征空间起着非常重要的作用 。 当我们研发一个表征学习模型时 ， 应该选择合适的表征空间 ， 该表征空间被精心设计以匹配编码方式的特性 ， 并且能够在表达能力和计算复杂度之间达到平衡 。
采用基于距离的度量的打分函数会用到相应的转化原则 ， 而基于语义匹配的打分函数则会采用成分级别的操作 。 编码模型（尤其是神经网络）在对于实体和关系的相互作用建模的过程中起到了关键作用 。 双线性模型也受到了很多研究人员的关注 ， 一些张量分解技术与此相关 。 其它方法则引入了文本描述、关系/实体类型 ， 以及实体图像等辅助信息 。
「AI科技评论」S. Yu 团队发布权威综述，六大开放问题函待解决，Philip
文章图片
表2：对近期知识表征学习工作的总结 。 详情请参阅附录C
2、知识获取
知识获取旨在根据非结构化的文本构建知识图谱、补全一个现有的知识图谱 ， 发现并识别出实体和关系 。 构建好的大型知识图谱对于很多下游应用是很有用的 ， 可以赋予基于知识的模型常识推理的能力 ， 因此为实现人工智能打下基础 。
知识获取的主要任务包括关系抽取、知识图谱补全、以及其它面向实体的获取任务 ， 如实体识别和实体对齐 。 大多数方法单独地形式化定义知识图谱补全和关系抽取 。 然而 ， 这两种任务也可以被整合到一个统一的框架中 。
Han等人基于互注意力机制提出了一种联合学习框架 ， 这种互注意力机制被用于知识图谱和文本之间的数据融合 ， 该框架同时解决了根据文本进行知识图谱补全和关系抽取的问题 。 此外 ， 还有一些任务也与知识补全有关（例如 ， 三元组分类和关系分类） 。 在本节中 ， 我们将完整地回顾知识补全、实体发现和关系抽取三步知识获取技术 。
1）知识图谱补全（KGC）
由于大多知识图谱具有不完整性 ， 人们研发知识补全技术将新的三元组添加到一个新的知识图谱中 。 典型的子任务包括链接预测、实体预测和关系预测 。 下面我们给出面向任务的定义3.
定义3：给定一个不完整的知识图谱G=（E ， R ， F） ， 知识图谱补全旨在推理出缺失的三元组T={（h ， r ， t）|（h ， r ， t）?F} 。
初期的知识图谱补全研究重点关注为三元组预测学习低维嵌入 。 在本文中 ， 我们将其称为「基于嵌入的方法」 。
然而 ， 大多数这些方法都不能获取多级关系 。 因此 ， 最近的工作转而探索多级关系路径并引入了逻辑关系 ， 我们分别将其称为「关系路径推理」和「基于规则的推理」 。 三元组分类是知识图谱补全的一个辅助任务 ， 它被用来评价事实三元组的正确性 。
2）实体发现
实体发现可以从文本中获取面向实体的知识 ， 并且在各个知识图谱之间进行知识融合 。 根据具体情况 ， 可以将实体发现任务分为几种不同的类别 。
我们以一种序列到序列（Seq2Seq）的方式探究实体识别任务；而实体分类任务则重点讨论的是有噪声的类型标签和零样本分类；实体消歧和对齐任务会学习统一的嵌入 ， 它们提出迭代式的对齐模型解决对齐种子实体数量有限的问题 。 但是如果新对齐的实体性能很差 ， 它将会面临误差累积的问题 。
近年来 ， 针对特定语言的知识越来越多 ， 因此必然激发了对于跨语言知识对齐的研究 。
「AI科技评论」S. Yu 团队发布权威综述，六大开放问题函待解决，Philip


推荐阅读


上一篇：博鳌亚洲论坛推迟举行2020年年会

下一篇：苹果手机2月份在中国市场的销售量不到50万部