LearningStructured Embeddings of Knowledge Bases: 学习知识库结构嵌入
Abstract
现有的知识库基于不同的框架,所以难以用到其他的系统中。
本文给出了一种基于创新神经网络结构的学习过程来将现有知识库的符号表示嵌入到一个更灵活的连续向量空间。这样一来原始的知识得以保存并增强。
这个学习嵌入允许任何知识库的数据被方便的运用到机器学习方法里面来做预测和信息检索。
Introduction: 在引言中主要讲了对人工智能的一个根本性的挑战一直是能够收集、组织和利用每日形成的海量的信息,而在这一领域的最新发展是关注大型网络知识库建设(KBs),而且,知识库(KBs)中高度的结构化和有组织的数据也可以用于其它人工智能领域,如自然语言处理中的词义消歧或自然语言理解、计算机视觉场景分类或图像语义标注等等。
本文的实验思想是:主要的工作是基于一个模型,通过表示KB中的元素到较低维嵌入向量空间。嵌入的是建立一个神经网络,其特定的架构允许集成学习中的原始数据结构表示。更准确的说,考虑到数据库被定义在一系列实体和一系列关系之间,我们的模型学习一个嵌入对于每个实体和一个操作符为每个关系。此外,我们表明,在低维嵌入空间使用核密度估计可以估量空间的概率密度,这样可以量化实体之间的关系存在的可能性