项目名称: 基于词向量表示的大规模知识图谱构建方法研究

项目编号: No.61472428

项目类型: 面上项目

立项/批准年度: 2015

项目学科: 计算机科学学科

项目作者: 刘桃

作者单位: 中国人民大学

项目金额: 80万元

中文摘要: 大规模知识图谱的构建是计算机实现智能推理的基础。特征表示是制约知识图谱构建效果的一个很重要的因素,传统特征表示方法存在特征表意能力差、缺乏语义可计算性、特征设计过程复杂等问题,而基于深度学习的词向量特征表示方法具有丰富的表意能力,是一种全自动的特征学习方法。本课题拟基于词向量学习,对知识图谱的基本元素(如命名实体、关系)形成全新的特征表示,进而研究基于词向量特征和深度神经网络的知识图谱的自动化构建方法,使得大规模知识图谱的普遍应用成为现实。本课题在词向量学习的方法上,通过对深度神经网络结构的调整和引入先验的语言学知识,解决词向量学习的效率、效果问题;在知识图谱各子任务上,一方面在原有算法的基础上,引入基于词向量的词聚类特征,并将该特征与原特征进行有效的融合;另一方面,提出了面向知识图谱的深度神经网络结构设计方法,在此基础上,提出全新的基于词向量的实体、关系识别算法。

中文关键词: 知识图谱;词向量;特征表示;文本挖掘

英文摘要: Knowledge graph is the basis of artificial intelligence. Feature representation is a key point which affects the quality of the constructed knowledge graph. Traditional feature representation methods have following limitations: 1) word-based features only represent limited information and can't express syntactic and semantic information; 2) feature design process relies on domain experts, and is time consuming. In this proposal we will research on the construction of knowledge graph based on word embeddings, which has the following advantages: 1) word embeddings can express much more information than traditional word-based features; 2) features represented by word embeddings are semantically computable and can be learned through an automatic feature learning process. This proposal focuses on the feature representation of basic elements of knowledge graph, such as entity and relation, and the automatic construction method of knowledge graph based on word embeddings and Deep Neural Networks. For feature representation, we propose a method to integrate prior linguistic knowledge to improve the quality of word embeddings. Word clustering is proposed based on word embeddings and is introduced to state-of-the-art methods of knowledge graph. Finally but most important, we propose two new Deep Neural Networks for the sub-task of knowledge graph construction.

英文关键词: knowledge graph;word embeddings;feature representation;text mining

成为VIP会员查看完整内容
8

相关内容

知识图谱(Knowledge Graph),在图书情报界称为知识域可视化或知识领域映射地图,是显示知识发展进程与结构关系的一系列各种不同的图形,用可视化技术描述知识资源及其载体,挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。 知识图谱是通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合,并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代理论。它能为学科研究提供切实的、有价值的参考。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
面向知识图谱的知识推理综述
专知会员服务
146+阅读 · 2021年11月1日
专知会员服务
15+阅读 · 2021年9月25日
专知会员服务
84+阅读 · 2021年9月4日
专知会员服务
147+阅读 · 2021年8月26日
专知会员服务
36+阅读 · 2021年4月25日
专知会员服务
55+阅读 · 2020年12月20日
【人大】大规模知识图谱补全技术的研究进展
专知会员服务
82+阅读 · 2020年5月2日
面向司法案件的案情知识图谱自动构建
专知会员服务
122+阅读 · 2020年4月17日
技术动态 | 跨句多元关系抽取
开放知识图谱
49+阅读 · 2019年10月24日
【知识图谱】知识图谱怎么与深度学习结合?
产业智能官
159+阅读 · 2018年12月18日
如何将知识图谱特征学习应用到推荐系统?
人工智能头条
12+阅读 · 2018年6月10日
【知识图谱】 一个有效的知识图谱是如何构建的?
产业智能官
56+阅读 · 2018年4月5日
【知识图谱】中文知识图谱构建方法研究
产业智能官
99+阅读 · 2017年10月26日
【知识图谱】大规模知识图谱的构建、推理及应用
产业智能官
35+阅读 · 2017年9月12日
大规模知识图谱的构建、推理及应用
人工智能头条
15+阅读 · 2017年8月29日
关系推理:基于表示学习和语义要素
计算机研究与发展
18+阅读 · 2017年8月22日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
17+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
0+阅读 · 2022年4月20日
Arxiv
0+阅读 · 2022年4月17日
Arxiv
10+阅读 · 2018年4月19日
Arxiv
10+阅读 · 2017年7月4日
小贴士
相关VIP内容
面向知识图谱的知识推理综述
专知会员服务
146+阅读 · 2021年11月1日
专知会员服务
15+阅读 · 2021年9月25日
专知会员服务
84+阅读 · 2021年9月4日
专知会员服务
147+阅读 · 2021年8月26日
专知会员服务
36+阅读 · 2021年4月25日
专知会员服务
55+阅读 · 2020年12月20日
【人大】大规模知识图谱补全技术的研究进展
专知会员服务
82+阅读 · 2020年5月2日
面向司法案件的案情知识图谱自动构建
专知会员服务
122+阅读 · 2020年4月17日
相关资讯
技术动态 | 跨句多元关系抽取
开放知识图谱
49+阅读 · 2019年10月24日
【知识图谱】知识图谱怎么与深度学习结合?
产业智能官
159+阅读 · 2018年12月18日
如何将知识图谱特征学习应用到推荐系统?
人工智能头条
12+阅读 · 2018年6月10日
【知识图谱】 一个有效的知识图谱是如何构建的?
产业智能官
56+阅读 · 2018年4月5日
【知识图谱】中文知识图谱构建方法研究
产业智能官
99+阅读 · 2017年10月26日
【知识图谱】大规模知识图谱的构建、推理及应用
产业智能官
35+阅读 · 2017年9月12日
大规模知识图谱的构建、推理及应用
人工智能头条
15+阅读 · 2017年8月29日
关系推理:基于表示学习和语义要素
计算机研究与发展
18+阅读 · 2017年8月22日
相关基金
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
17+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
微信扫码咨询专知VIP会员