《中国人工智能学会通讯》——6.17 总结与展望-阿里云开发者社区

开发者社区> 人工智能> 正文
登录阅读全文

《中国人工智能学会通讯》——6.17 总结与展望

简介: 本节书摘来自CCAI《中国人工智能学会通讯》一书中的第6章,第6.17节, 更多章节内容可以访问云栖社区“CCAI”公众号查看。

6.17 总结与展望

知识图谱是知识工程的一个分支,以知识工程中语义网络作为理论基础,并且结合了机器学习、自然语言处理以及知识表示和推理的最新成果,在大数据的推动下受到了业界和学术界的广泛关注。知识图谱对于解决大数据中文本分析和图像理解问题发挥重要作用。为了理解文本中的自然语言以及理解图像,需要考虑知识图谱的表示和推理。本文介绍了知识图谱的两类推理方法,即基于符号的推理方法和基于统计的推理方法。两种推理方法具有各自的应用场景,并且具有互补性。基于符号的推理方法更多考虑确定性知识的推理,一般通过给定的规则对知识图谱进行推理。为了使得推理具有高效性和可扩展性,现有工作采用了多种并行框架实现并行推理。基于统计的推理是一种不确定性推理,通过统计规律对知识图谱中的缺失的边进行补全。通过采取并行框架可以对推理进行加速,从而实现海量知识图谱的关系补全。

最近几年,研究人员开始关注如何结合统计推理和逻辑推理。文献 [32] 将学到的不相交公理按照权重由高到底的顺序排列,将这些公理逐一添加到 DBpedia 本体中,如果添加某个公理使变化了的 DBpedia 本体变得不一致(通过本体推理机来检测),则移除添加,即该公理不再用来扩充DBpedia 本体。Wang 等人在文献 [34] 中提出结合词向量和规则的方法来做知识库关系补全推理。Niepert 等人在文献 [35] 中提出了一种结合描述逻辑和马尔可夫逻辑的语言,可以用于本体学习。展望未来,如何结合基于规则或者基于本体的推理和基于关系机器学习的推理,从而给出一种新的知识表示语言,是值得研究的一个方向。

版权声明:本文内容由阿里云实名注册用户自发贡献,版权归原作者所有,阿里云开发者社区不拥有其著作权,亦不承担相应法律责任。具体规则请查看《阿里云开发者社区用户服务协议》和《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容,填写侵权投诉表单进行举报,一经查实,本社区将立刻删除涉嫌侵权内容。

分享: