动机
近些年,知识图谱已经渗透到人工智能领域的各方各面,例如自然语言处理(知识图谱+Bert)、计算机视觉(Zero-shot learning)、智慧医疗(2020最新文章使用知识图谱处理睡眠阶段分类问题)。为了将知识图谱能够转化为计算机能够处理的数据格式,需要学习知识图谱中每个结点的向量表示,该任务也是大部分下流任务的前提。本专栏将对大量知识图谱的表示算法进行整理和总结,主要涵盖内容如下:
算法:TransE,TransH,TransR,TransD,RotatE等。
具体内容:算法的基本概念、评价函数、代码实现。
接下来,本节将对知识图谱的一些基本概念和用途进行讲解,以便后续内容的顺利进行。
什么是知识图谱?
官方定义:知识图谱是一种基于图的数据结构,由节点(point)和边(Edge)组成,每个节点表示一个“实体”,每条边为实体与实体之间的“关系”,知识图谱本质上是语义网络。
实体:指的是现实世界中的事物,比如人物、单位、地点、手机号码等;
关系:指的是不同实体之间的关系,比如朋友、同事、就职于等。