知识图谱

周末讲座的内容，很泛的了解。
另外，transE 优化目标，头实体+关系=尾实体，低维语义表示，这想法赞。建模！

或者参考这篇：http://www.tuicool.com/articles/jEzmUv

一

• 开始的是one hot，cout base distribute representation，再到后面的同一语义空间
• 第一方面，三元组的形式
  
  • transE 优化目标，头实体+关系=尾实体，低维语义表示
  • 复杂关系（1-n，会使得尾实体很像），所以，可以用tansH transR等
• 第二方面，融合文本与知识的关系抽取，NYT+FB Weston 2013.前面的是基于知识图谱的三元关系，也可以扔进去文本，自动学习
• 第三方面，关系路径的建模，父亲的父亲
  
  • PTransE，考虑关系的表示学习，把关系路径也表示成为低位向量
  • https://github.com/thunlp/KG2E 居然有代码

二

• pass，知识抽取

三

• 推理的方式：
  
  • embedding base transE（数据驱动型）
  • path ranking Algorithm（数据驱动型）
  • 概率图模型，马尔科夫（额外的规则设定）
• embedding base
  
  • 定义实体和关系的表示方式
  • 定义打分函数
  • 优化方法
• path ranking Algorithm
  
  • 精确度高
  • 限制性高，对稀少的关系、连通性差的不好
  • 特征抽取，然后特征计算，然后做classification
  • 每种关系，都要有一个分类器
  • 可以将关系进行组合
  • 特征抽取，用随机游走等？

四

• 语义关系抽取：我生病了　–> 我生病了
• “唐朝的中书省、门下省XXX” –> （中书省->中央机构）（门下省->中央机构）
• 有监督的方法：+ 基于特征的分类（需要大量语料，领域适应性不强）
• 无/弱监督方法
• 资源+表示模型+算法
• 语义漂移