知识图谱表示学习: 从浅层嵌入到图神经网络
知识图谱由于其广泛的应用，如搜索引擎和问答系统，近年来受到了极大的关注。知识图谱嵌入是将实体表示为低维向量，并将关系表示为低维向量上的算子，在知识推理等任务中得到了广泛的研究和成功的应用。在本教程中，我们将介绍最新的知识图谱表示学习技术，它包含三个部分。首先，我们将回顾通常基于浅层嵌入的知识图谱表示技术，如TransE、DisMult和RotatE。其次，我们将讨论如何集成额外的符号信息，如逻辑规则和本体论，以更好地学习知识图谱的表示的最新进展。在第三部分中，我们将介绍图神经网络(GNNs)和最近在异构信息网络中研究的进展，图神经网络可以被认为是知识图谱的一般形式。
成为VIP会员查看完整内容
【百度提取码: ens1】Representation Learning on Knowledge Graphs：From Shallow Embedding to Graph Neural Networks
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。
Arxiv
5+阅读 · 2019年2月26日
相关VIP内容
相关资讯
相关论文
Arxiv
5+阅读 · 2019年2月26日
微信扫码咨询专知VIP会员