一、什么是知识表示
传统人工智能领域有一个研究方向——知识工程与专家系统，其基本思想是建立一个系统，从专家大脑获取知识，再通过一个推理引擎，为非专家用户提供服务。
符号表示：传统AI领域知识的表示方法以符号表示为主，以计算机符号来表示人脑中的知识逻辑。其缺点是不易于刻画隐式的知识，同时推理过于依赖知识描述的精确性，比如一个字符串表示稍有错误就无法完成推理。
向量表示：而现在，随着深度学习和表示学习的兴起，用参数化向量来表示实体以及实体之间的关系，并利用神经网络来实现更加鲁棒的推理，优点是易于捕获隐式的知识。另一个优点是将推理过程转化为向量、矩阵或者张量之间的计算，摆脱了传统基于符号搜索的推理方式。缺点是丢失了符号表示的可解释性。
二、AI历史发展长河中的知识表示方法
三、知识图谱的符号表示方法
三种最常用的符号表示方法：属性图、RDF图、OW本体语言
1、属性图
2、RDF
RDF是国际万维网联盟W3C推动的面向Web的语义数据标准，
代表 Resource Description Framework (资源描述框架），实质是数据交换标准规范，而非存储模型
基本组成单元是三元组SPO，多个三元组头尾相互连接就形成了PDF图
本质上RDF图是有向标记图
RDF还提供了基本的构件，用于定义类、属性等
但RDF加上RDFS的表达能力非常有限，在实际应用刻画复杂概念时就需要用到OWL等本体表达语言。
3、OWL
本体是一个哲学概念，本体论是对存在、变化和物质的基本范畴和其相互关系的研究
在AI领域中，本体是对智能体可以正式存在的概念和关系的描述，类似于程序的正式规范
本体最常用的逻辑表达语言即逻辑描述
OWL可以看作是RDF的扩展 其在RDF的基础上增加了更多的语义表达构件，例如通过多个类组合定义更为复杂的类
OWL同时是一个语言家族，其有许多不同表达构件的组合，不同的组合对于不同的推理计算复杂度，以及适应的表达场景
4、小结
四、知识图谱的向量表示方法
为知识图谱中每一个实体和关系创建向量表示，利用向量、矩阵来实现高效运算
1、词向量表示
两种词向量的表示方法：
第一种One-hot Encoding，每个词向量都相当于词典大小，在所对应处为“1”，其余地方为“0”
第二种Bag-of-words，给点一个文档，利用文档出现的所有词的个数来组成文档的向量表示
2、词的语义由什么来决定——分布式语义
词的语义由它被使用的上下文确定——即分布式语义
3、Word Embedding/词嵌入
统计词在大量语料中的上下文规律，通过词的上下文计算词的分布式向量表示，做到词的每一个维度都有数值表示，称为低纬稠密的向量表示，也称为词的嵌入表示
4、词嵌入＞知识图谱嵌入
利用三元组结构来学习知识图谱中实体和关系的表示，如TransE模型
5、TransE模型
给定一个三元组，其中 h代表 subject (主语)，r 代表 predicate (谓词)，t 代表 object (宾语) ，如果三元组代表的事实是客观存在的，那么hrt的向量表示应满足加法规律，即 풉 + 풓 = t, 如Rome + is-capital-of = Italy。
对于每一个三元组，定义一个评分函数 f ，然后对所有的三元组计算损失函数 L
优化目标是真实存在的三元组得分尽可能高，假设的三元组得分尽可能少
6、如何评估实体和关系的向量表示的好坏
最简单的办法是给的三元组中的两个，计算未知的，看预测的结构是否准确
7、小结
五、总结
推荐阅读
发表评论