知識圖譜與深度學(xué)習(xí)（新時代 技術(shù)新未來）

第1 章緒論.1

1.1 知識圖譜簡介2

1.2 深度學(xué)習(xí)的優(yōu)勢和挑戰(zhàn)4

1.3 深度學(xué)習(xí)+ 知識圖譜=1 .8

1.3.1 知識的表示學(xué)習(xí)9

1.3.2 知識的自動獲取10

1.3.3 知識的計(jì)算應(yīng)用13

1.4 本書結(jié)構(gòu)14

1.5 本章總結(jié)14

第一篇世界知識圖譜

第2 章世界知識的表示學(xué)習(xí)19

2.1 章節(jié)引言19

2.2 相關(guān)工作20

2.2.1 知識表示學(xué)習(xí)經(jīng)典模型20

2.2.2 平移模型及其拓展模型22

2.3 基于復(fù)雜關(guān)系建模的知識表示學(xué)習(xí)25

2.3.1 算法模型.25

2.3.2 實(shí)驗(yàn)分析.26

2.3.3 小結(jié)32

2.4 基于關(guān)系路徑建模的知識表示學(xué)習(xí)32

2.4.1 算法模型.32

2.4.2 實(shí)驗(yàn)分析.34

2.4.3 小結(jié)39

vi j 知識圖譜與深度學(xué)習(xí)

2.5 基于屬性關(guān)系建模的知識表示學(xué)習(xí)39

2.5.1 算法模型.40

2.5.2 實(shí)驗(yàn)分析.41

2.5.3 小結(jié)44

2.6 融合實(shí)體描述信息的知識表示學(xué)習(xí)44

2.6.1 算法模型.45

2.6.2 實(shí)驗(yàn)分析.47

2.6.3 小結(jié)54

2.7 融合層次類型信息的知識表示學(xué)習(xí)55

2.7.1 算法模型.55

2.7.2 實(shí)驗(yàn)分析.57

2.7.3 小結(jié)62

2.8 融合實(shí)體圖像信息的知識表示學(xué)習(xí)62

2.8.1 算法模型.63

2.8.2 實(shí)驗(yàn)分析.64

2.8.3 小結(jié)68

2.9 本章總結(jié)68

第3 章世界知識的自動獲取70

3.1 章節(jié)引言70

3.2 相關(guān)工作71

3.2.1 有監(jiān)督的關(guān)系抽取模型71

3.2.2 遠(yuǎn)程監(jiān)督的關(guān)系抽取模型.72

3.3 基于選擇性注意力機(jī)制的關(guān)系抽取73

3.3.1 算法模型.74

3.3.2 實(shí)驗(yàn)分析.78

3.3.3 小結(jié)82

3.4 基于關(guān)系層次注意力機(jī)制的關(guān)系抽取83

3.4.1 算法模型.83

目錄j vii

3.4.2 實(shí)驗(yàn)分析.86

3.4.3 小結(jié)89

3.5 基于選擇性注意力機(jī)制的多語言關(guān)系抽取.89

3.5.1 算法模型.90

3.5.2 實(shí)驗(yàn)分析.93

3.5.3 小結(jié)98

3.6 引入對抗訓(xùn)練的多語言關(guān)系抽取98

3.6.1 算法模型.99

3.6.2 實(shí)驗(yàn)分析.103

3.6.3 小結(jié)106

3.7 基于知識圖譜與文本互注意力機(jī)制的知識獲取.106

3.7.1 算法模型.107

3.7.2 實(shí)驗(yàn)分析.112

3.7.3 小結(jié)117

3.8 本章總結(jié)118

第4 章世界知識的計(jì)算應(yīng)用119

4.1 章節(jié)引言119

4.2 細(xì)粒度實(shí)體分類120

4.2.1 算法模型.120

4.2.2 實(shí)驗(yàn)分析.122

4.2.3 小結(jié)129

4.3 實(shí)體對齊129

4.3.1 算法模型.129

4.3.2 實(shí)驗(yàn)分析.132

4.3.3 小結(jié)135

4.4 融入知識的信息檢索.136

4.4.1 算法模型.136

4.4.2 實(shí)驗(yàn)分析.138

4.4.3 小結(jié)143

viii j 知識圖譜與深度學(xué)習(xí)

4.5 本章總結(jié)143

第二篇語言知識圖譜

第5 章語言知識的表示學(xué)習(xí)147

5.1 章節(jié)引言147

5.2 相關(guān)工作148

5.2.1 詞表示學(xué)習(xí)148

5.2.2 詞義消歧.149

5.3 義原的表示學(xué)習(xí)149

5.3.1 算法模型.149

5.3.2 實(shí)驗(yàn)分析.152

5.3.3 小結(jié)155

5.4 基于義原的詞表示學(xué)習(xí)156

5.4.1 算法模型.156

5.4.2 實(shí)驗(yàn)分析.159

5.4.3 小結(jié)164

5.5 本章總結(jié)164

第6 章語言知識的自動獲取166

6.1 章節(jié)引言166

6.2 相關(guān)工作167

6.2.1 知識圖譜及其構(gòu)建167

6.2.2 子詞和字級NLP 167

6.2.3 詞表示學(xué)習(xí)及跨語言的詞表示學(xué)習(xí)167

6.3 基于協(xié)同過濾和矩陣分解的義原預(yù)測168

6.3.1 算法模型.168

6.3.2 實(shí)驗(yàn)分析.171

6.3.3 小結(jié)175

6.4 融入中文字信息的義原預(yù)測175

6.4.1 算法模型.176

目錄j ix

6.4.2 實(shí)驗(yàn)分析.179

6.4.3 小結(jié)183

6.5 跨語言詞匯的義原預(yù)測183

6.5.1 算法模型.184

6.5.2 實(shí)驗(yàn)分析.188

6.5.3 小結(jié)194

6.6 本章總結(jié)194

第7 章語言知識的計(jì)算應(yīng)用195

7.1 章節(jié)引言195

7.2 義原驅(qū)動的詞典擴(kuò)展.196

7.2.1 相關(guān)工作.196

7.2.2 任務(wù)設(shè)定.198

7.2.3 算法模型.199

7.2.4 實(shí)驗(yàn)分析.202

7.2.5 小結(jié)207

7.3 義原驅(qū)動的神經(jīng)語言模型.207

7.3.1 相關(guān)工作.208

7.3.2 任務(wù)設(shè)定.209

7.3.3 算法模型.210

7.3.4 實(shí)驗(yàn)分析.213

7.3.5 小結(jié)219

7.4 本章總結(jié)219

第8 章總結(jié)與展望220

8.1 本書總結(jié)220

8.2 未來展望221

8.2.1 更全面的知識類型221

8.2.2 更復(fù)雜的知識結(jié)構(gòu)222

8.2.3 更有效的知識獲取223

8.2.4 更強(qiáng)大的知識指導(dǎo)223

x j 知識圖譜與深度學(xué)習(xí)

8.2.5 更精深的知識推理224

8.3 結(jié)束語224

相關(guān)開源資源226

參考文獻(xiàn)228

后記.243