表示学习

one-hot

1.一个词汇表长度的向量
2.没个词的表示为【0，0，0，1，0，0，…,0】

特点（缺）：默认了语义之间是无关的

分布式表示

1.对象表示为稠密、实值、低维向量
2.所有向量组成一个三维张量
3.通过向量在张量中的相对位置，体现词语之间的语义联系

特点（优）：
1.解决了大数据环境中数据稀疏问题（用高频数据学习语义空间，从而利用该语义空间表达低维向量）
2.便于词、句子语义相似度计算
3.可以支持多任务学习（词性标注、命名实体识别等）

1. word2vec
   优势：1.不用考虑词之间的顺序；2.取消神经网络非线性层，更高效
   3.利于发现词汇间隐藏关系4.对知识迁移的帮助（如将不同语言用分布式表示进行表示）
   
   
   利用优点三发现词之间的上下位关系，启发了知识表示学习。

知识表示

和社交网络不同在于边上带有不同标签
连接预测常用来对表示学习的方法进行性能比较
transE
特点（和RESCAL\SME\SE等比较）：学习参数少（高效）；预测准确度高

知识表示应用

融合文本与知识进行关系抽取
1.1.利用CNN进行关系抽取（仅利用文本信息）

1.2.联合（通过表示学习）CNN和已有知识图谱进行分布式关系抽取(效果更好)

2.融合实体描述的表示学习
优点：新的实体只需要利用一小段的描述，和已有的kg进行关系预测加入进去

3，为kg的构建寻找最好的描述节点的句子等

利用关系路径进行关系抽取

1.PTransE

利用远程监督多实例进行关系抽取

推理：wanglichun等
开放关系抽取（open information extraction）[迭代抽取]