自然语言处理(NLP)-知识图谱：知识表示学习（知识图嵌入）----＞ 知识推理【TransE系列模型】【第三方库：OpenKE（清华大学开源）】

一、知识表示学习简介

表示学习又称表征学习( Representation learning) ， 主要是利用机器学习技术自动获取每个实体或者关系的向量化表达， 旨在将描述对象表示为低维稠密向量( 即分布式向量) 。

分布式表示的对象均被表示成一个低维的稠密、实值向量， 利用对象在空间的相对距离， 反映它们之间的语义关系。两个对象离得越近， 说明关系越紧密， 两个对象离得越远， 说明它们之间没有太强的关系。

将表示学习应用于知识表示中称之为知识表示学习或知识图嵌入。

知识表示学习是将知识库中的实体和关系嵌入到连续的向量空间中， 以便简化操作， 同时保持知识图谱的结构。

从形式上知识表示学习主要可以分成两类:

• 一种是基于结构的表示学习方法， 主要是从三元组的结构出发学习知识图谱中实体和关系的表示；
• 一种是基于语义的表示学习方法， 通过考虑文本语义来学习实体和关系的表示；

从发展来看， 目前知识表示学习的研究进程主要可以分成两个阶段， 以 2013 年 Borders 等人受Mikolov 发现的词向量空间中存在的平移不变性这一有趣现象的启发， 从而提出的 TransE 模型为分割。