知识图谱与深度学习＝KNOWLEDGE GRAPH AND DEEP LEARNINGPDF电子书下载

查看更多关于的内容

第1章 绪论 1

1.1 知识图谱简介 2

1.2 深度学习的优势和挑战 4

1.3 深度学习＋知识图谱＝∞ 8

1.3.1 知识的表示学习 9

1.3.2 知识的自动获取 10

1.3.3 知识的计算应用 13

1.4 本书结构 14

1.5 本章总结 14

第一篇 世界知识图谱 19

第2章 世界知识的表示学习 19

2.1 章节引言 19

2.2 相关工作 20

2.2.1 知识表示学习经典模型 20

2.2.2 平移模型及其拓展模型 22

2.3 基于复杂关系建模的知识表示学习 25

2.3.1 算法模型 25

2.3.2 实验分析 26

2.3.3 小结 32

2.4 基于关系路径建模的知识表示学习 32

2.4.1 算法模型 32

2.4.2 实验分析 34

2.4.3 小结 39

2.5 基于属性关系建模的知识表示学习 39

2.5.1 算法模型 40

2.5.2 实验分析 41

2.5.3 小结 44

2.6 融合实体描述信息的知识表示学习 44

2.6.1 算法模型 45

2.6.2 实验分析 47

2.6.3 小结 54

2.7 融合层次类型信息的知识表示学习 55

2.7.1 算法模型 55

2.7.2 实验分析 57

2.7.3 小结 62

2.8 融合实体图像信息的知识表示学习 62

2.8.1 算法模型 63

2.8.2 实验分析 64

2.8.3 小结 68

2.9 本章总结 68

第3章 世界知识的自动获取 70

3.1 章节引言 70

3.2 相关工作 71

3.2.1 有监督的关系抽取模型 71

3.2.2 远程监督的关系抽取模型 72

3.3 基于选择性注意力机制的关系抽取 73

3.3.1 算法模型 74

3.3.2 实验分析 78

3.3.3 小结 82

3.4 基于关系层次注意力机制的关系抽取 83

3.4.1 算法模型 83

3.4.2 实验分析 86

3.4.3 小结 89

3.5 基于选择性注意力机制的多语言关系抽取 89

3.5.1 算法模型 90

3.5.2 实验分析 93

3.5.3 小结 98

3.6 引入对抗训练的多语言关系抽取 98

3.6.1 算法模型 99

3.6.2 实验分析 103

3.6.3 小结 106

3.7 基于知识图谱与文本互注意力机制的知识获取 106

3.7.1 算法模型 107

3.7.2 实验分析 112

3.7.3 小结 117

3.8 本章总结 118

第4章 世界知识的计算应用 119

4.1 章节引言 119

4.2 细粒度实体分类 120

4.2.1 算法模型 120

4.2.2 实验分析 122

4.2.3 小结 129

4.3 实体对齐 129

4.3.1 算法模型 129

4.3.2 实验分析 132

4.3.3 小结 135

4.4 融入知识的信息检索 136

4.4.1 算法模型 136

4.4.2 实验分析 138

4.4.3 小结 143

4.5 本章总结 143

第二篇 语言知识图谱 147

第5章 语言知识的表示学习 147

5.1 章节引言 147

5.2 相关工作 148

5.2.1 词表示学习 148

5.2.2 词义消歧 149

5.3 义原的表示学习 149

5.3.1 算法模型 149

5.3.2 实验分析 152

5.3.3 小结 155

5.4 基于义原的词表示学习 156

5.4.1 算法模型 156

5.4.2 实验分析 159

5.4.3 小结 164

5.5 本章总结 164

第6章 语言知识的自动获取 166

6.1 章节引言 166

6.2 相关工作 167

6.2.1 知识图谱及其构建 167

6.2.2 子词和字级NLP 167

6.2.3 词表示学习及跨语言的词表示学习 167

6.3 基于协同过滤和矩阵分解的义原预测 168

6.3.1 算法模型 168

6.3.2 实验分析 171

6.3.3 小结 175

6.4 融入中文字信息的义原预测 175

6.4.1 算法模型 176

6.4.2 实验分析 179

6.4.3 小结 183

6.5 跨语言词汇的义原预测 183

6.5.1 算法模型 184

6.5.2 实验分析 188

6.5.3 小结 194

6.6 本章总结 194

第7章 语言知识的计算应用 195

7.1 章节引言 195

7.2 义原驱动的词典扩展 196

7.2.1 相关工作 196

7.2.2 任务设定 198

7.2.3 算法模型 199

7.2.4 实验分析 202

7.2.5 小结 207

7.3 义原驱动的神经语言模型 207

7.3.1 相关工作 208

7.3.2 任务设定 209

7.3.3 算法模型 210

7.3.4 实验分析 213

7.3.5 小结 219

7.4 本章总结 219

第8章 总结与展望 220

8.1 本书总结 220

8.2 未来展望 221

8.2.1 更全面的知识类型 221

8.2.2 更复杂的知识结构 222

8.2.3 更有效的知识获取 223

8.2.4 更强大的知识指导 223

8.2.5 更精深的知识推理 224

8.3 结束语 224

相关开源资源 226

参考文献 228

后记 243

查看更多关于的内容