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( 五 )


其中 ，
是一个非对称矩阵 ， 它为时序顺序关系对?r_k,r_l?编码了关系的时序顺序 。 此后 ， 人们又进一步通过整数线性规划公式 ， 应用了不相交性、有序性和跨度三种时间一致性约束 。
4）时序逻辑推理
研究人员还研究了时序推理的逻辑规则 。 Chekol等人探究了在非确定性时序知识图谱上进行推理的马尔科夫逻辑网络和概率软逻辑 。 RLvLR-Stream则考虑闭合时间路径规则 ， 并从知识图谱流中学习规则的结构进行推理 。
4、基于知识图谱的应用
对于人工智能应用来说 ， 丰富的结构化知识是很有用的 。 但是如何将这些符号化的知识融合到现实世界应用的计算框架中仍然是一大挑战 。 本节将介绍一些近期的基于深度神经网络的知识驱动方法在自然语言理解（NLU）任务上的应用 。
1）自然语言理解
基于知识的自然语言理解通过被注入统一语义空间的结构化知识提升了语言表征的性能 。 最近 ， 该领域由知识驱动的研究进展利用了显式的事实知识和隐式的语言表征 ， 并探索了许多自然语言理解任务 。
Chen等人提出了在两个知识图谱（即一个基于槽（slot-based）的语义知识图谱和基于单词的词法知识图谱）上的双图随机游走技术 ， 从而考虑口语理解中的槽间关系 。 Wang等人通过加权的「单词-概念」嵌入实现的基于知识的概念模型增强了短文本表征学习 。 Peng等人融合了外部知识库 ， 从而为短社交文本的事件分类任务构建了异构信息图谱 。
2）问答系统
基于知识的问答（KG-QA）系统使用来源于知识图谱的事实回答自然语言问题 。 基于神经网络的方法在分布式语义空间中表征问题和答案 ， 也有一些方法进行了符号知识注入 ， 从而实现常识推理 。
通过将知识图谱作为外部智能来源 ， 简单的事实型问答系统或单一事实问答系统就可以回答设计单个知识图谱事实的简单问题 。 Bordes等人通过将知识库作为外部记忆 ， 将记忆网络用于简单的问答 。
这些基于神经网络的方法将神经「编码器-解码器」模型结合起来 ， 获得了性能的提升 。 但是想要处理复杂的多级关系还需要能够处理多级常识推理的、更加专用的网络设计 。 结构化的知识提供了富含信息的常识观察 ， 并作为一种关系型归纳偏置存在 ， 它促进了最近关于多级推理的符号和语义空间之间的常识知识融合的研究 。
3）推荐系统
研究人员通过协同过滤对推荐系统进行了广泛的研究 ， 该方法使用了用户的历史信息 。 然而 ， 这种方法往往不能解决稀疏性问题和冷启动问题 。 将知识图谱作为外部信息引入可以为推荐系统赋予常识推理的能力 。
通过注入基于知识图谱的辅助信息（例如 ， 实体、关系和属性） ， 研究人员在用于提升推荐性能的嵌入正则化方面做了大量工作 。 还有一些工作考虑到了关系路径和知识图谱的结构 ， KPRN将用户和商品之间的交互看做知识图谱中的「实体-关系」路径 ， 并且使用LSTM获取序列的依赖性 ， 从而在路径上进行用户喜好预测 。
四、未来的研究方向
研究人员做了大量工作解决知识表征及其相关应用面临的挑战 ， 但是仍然有一些艰难的开放问题有待解决 ， 未来也有一些前景光明的的研究方向 。
1、复杂的推理
用于知识表征和推理的数值化计算需要连续的向量空间 ， 从而获取实体和关系的语义信息 。 然而 ， 基于嵌入的方法在复杂逻辑推理任务中有一定的局限性 ， 但关系路径和符号逻辑这两个研究方向值得进一步探索 。 在知识图谱上的循环关系路径编码、基于图神经网络的信息传递等具有研究前景的方法 ， 以及基于强化学习的路径发现和推理对于解决复杂推理问题是很有研究前景的 。
在结合逻辑规则和嵌入的方面 ， 近期的工作将马尔科夫逻辑网络和KGE结合了起来 ， 旨在利用逻辑规则并处理其不确定性 。 利用高效的嵌入实现能够获取不确定性和领域知识的概率推理 ， 是未来一个值得注意的研究方向 。


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