融合多源信息的知识表示学习方法

公众号系统之神与我同在

近年来，基于深度学习的表示学习方法在语音识别、图像分析和自然语言处理领域获得了广泛的关注。表示学习旨在将研究对象的语义信息表示为稠密低维实值向量，在该低维向量空间中，两个对象的距离越近则说明其语义相似度越高。而知识表示学习，顾名思义，是面向知识库中的实体和关系进行表示学习。该方向最近取得了重要进展，可以在低维空间中高效计算实体和关系的语义联系，有效解决数据稀疏问题，使知识获取、融合和推理性能得到显著提升。

融合文本和知识图谱的知识学习表示方法：

如果仅仅利用知识图谱的三元结构信息进行表示学习，数据稀疏问题严重，尚有大量与知识有关的其他信息没有得到有效利用。可以从两个方向解决这个问题：1.利用知识库中的其他信息，如实体和关系的描述信息等。2.利用知识库外的海量信息，如互联网文本等包含大量与知识库实体和关系有关的信息。

融入文本描述的优势：

1.可以发掘实体间的语义相关性，精确的语义表述能够提升三元组的可区分性。
2.可以解决zero-shot问题。

实体的描述文本：

将所有三元组的“属性-属性值”或“关系-实体提及”都拼成一个字符串，当作该实体的文本描述。由于 type 字段，义项描述和摘要字段的信息更重要，描述文本中都按照 type、义项描述、摘要和其他三元组的顺序进行拼接。

融合文本和知识图谱的知识表示学习方法可以做到：

1.得到实体向量
2.得到词向量
3.词向量和实体向量之间可以计算相似度
4.实体向量和实体向量之前可以计算相似度

知识表示学习的应用：
实体链接中的应用：

实体链接，就是把文本中的实体指称链接到知识图谱对应的实体上的任务。

Knowledge Graph（知识图谱）：一种语义网络，旨在描述客观世界的概念实体及其之间的关系。

Mention（提及、实体指称）：自然文本中表达实体的语言片段。

Entity（实体）：实体是知识库的基本单元，也是文本中承载信息的重要语言单位，由多个三元组组成。

难点：

Mention Variations：同一entity有不同的mention。（<李白>：青莲居士、李太白）

**Entity Ambiguity：**同一mention对应不同的entity。（“李白”：王者荣耀中李白的技能；李白和杜甫并称为什么？）
![在这里插入图片描述](https://img-blog.csdnimg.cn/7a6d7bc6bfcf42acbab366e247dba523.png?x-oss-process=image/watermark,type_d3F5LXplbmhlaQ,shadow_50,text_Q1NETiBATmVjdGhlcg==,size_20,color_FFFFFF,t_70,g_se,x_16

实体推荐中的应用：

实体推荐，就是根据给定的实体，推荐一系列相关实体。

实体推荐冷启动问题：如何寻找实体的相关实体？

**方案：**通过百科页面、关系三元组、经过实体链接处理的新闻中的共现实体对，经过类别过滤，作为正样本进行训练。

知识补全中的应用：

知识图谱补全（Knowledge Graph Completion，KGC）目前主要被抽象成一个预测问题，即预测出三元组中缺失的部分。