"知識就是力量，人工智能想要讓計算機像人一樣思考，同樣需要知識的力量。計算機實現人工智能需要哪些知識，這些知識要如何表示、獲取、計算以及使用，都是人工智能的重要研究課題。知識圖譜作為人類知識結構化形成的知識繫統，是人工智能研究和智能信息服務的基礎核心技術，被廣泛應用於搜索引擎、問答繫統、智能對話繫統以及個性化推薦等知識驅動的領域。為了更好地向讀者闡述知識智能方面的近期新研究成果，作者整理出版了這部專著。本書內容包括語言知識和世界知識兩種類型知識，以及這兩類知識在表示學習、自動獲取與計算應等

●第1章緒論1
1.1知識圖譜簡介2
1.2深度學習的優勢和挑戰4
1.3深度學習+知識圖譜= 8
1.3.1知識的表示學習9
1.3.2知識的自動獲取10
1.3.3知識的計算應用13
1.4本書結構14
1.5本章總結14
第一篇世界知識圖譜
第2章世界知識的表示學習19
2.1章節引言19
2.2相關工作20
2.2.1知識表示學習經典模型20
2.2.2平移模型及其拓展模型22
2.3基於復雜關繫建模的知識表示學習25
2.3.1算法模型25
2.3.2實驗分析26
2.3.3小結32
2.4基於關繫路徑建模的知識表示學習32
2.4.1算法模型32
2.4.2實驗分析34
2.4.3小結39
2.5基於屬性關繫建模的知識表示學習39
2.5.1算法模型40
2.5.2實驗分析41
2.5.3小結44
2.6融合實體描述信息的知識表示學習44
2.6.1算法模型45
2.6.2實驗分析47
2.6.3小結54
2.7融合層次類型信息的知識表示學習55
2.7.1算法模型55
2.7.2實驗分析57
2.7.3小結62
2.8融合實體圖像信息的知識表示學習62
2.8.1算法模型63
2.8.2實驗分析64
2.8.3小結68
2.9本章總結68
第3章世界知識的自動獲取70
3.1章節引言70
3.2相關工作71
3.2.1有監督的關繫抽取模型71
3.2.2遠程監督的關繫抽取模型72
3.3基於選擇性注意力機制的關繫抽取73
3.3.1算法模型74
3.3.2實驗分析78
3.3.3小結82
3.4基於關繫層次注意力機制的關繫抽取83
3.4.1算法模型83
3.4.2實驗分析86
3.4.3小結89
3.5基於選擇性注意力機制的多語言關繫抽取89
3.5.1算法模型90
3.5.2實驗分析93
3.5.3小結98
3.6引入對抗訓練的多語言關繫抽取98
3.6.1算法模型99
3.6.2實驗分析103
3.6.3小結106
3.7基於知識圖譜與文本互注意力機制的知識獲取106
3.7.1算法模型107
3.7.2實驗分析112
3.7.3小結117
3.8本章總結118
第4章世界知識的計算應用119
4.1章節引言119
4.2細粒度實體分類120
4.2.1算法模型120
4.2.2實驗分析122
4.2.3小結129
4.3實體對齊129
4.3.1算法模型129
4.3.2實驗分析132
4.3.3小結135
4.4融入知識的信息檢索136
4.4.1算法模型136
4.4.2實驗分析138
4.4.3小結143
4.5本章總結143
第二篇語言知識圖譜
第5章語言知識的表示學習147
5.1章節引言147
5.2相關工作148
5.2.1詞表示學習148
5.2.2詞義消歧149
5.3義原的表示學習149
5.3.1算法模型149
5.3.2實驗分析152
5.3.3小結155
5.4基於義原的詞表示學習156
5.4.1算法模型156
5.4.2實驗分析159
5.4.3小結164
5.5本章總結164
第6章語言知識的自動獲取166
6.1章節引言166
6.2相關工作167
6.2.1知識圖譜及其構建167
6.2.2子詞和字級NLP167
6.2.3詞表示學習及跨語言的詞表示學習167
6.3基於協同過濾和矩陣分解的義原預測168
6.3.1算法模型168
6.3.2實驗分析171
6.3.3小結175
6.4融入中文字信息的義原預測175
6.4.1算法模型176
6.4.2實驗分析179
6.4.3小結183
6.5跨語言詞彙的義原預測183
6.5.1算法模型184
6.5.2實驗分析188
6.5.3小結194
6.6本章總結194
第7章語言知識的計算應用195
7.1章節引言195
7.2義原驅動的詞典擴展196
7.2.1相關工作196
7.2.2任務設定198
7.2.3算法模型199
7.2.4實驗分析202
7.2.5小結207
7.3義原驅動的神經語言模型207
7.3.1相關工作208
7.3.2任務設定209
7.3.3算法模型210
7.3.4實驗分析213
7.3.5小結219
7.4本章總結219
第8章總結與展望220
8.1本書總結220
8.2未來展望221
8.2.1更全面的知識類型221
8.2.2更復雜的知識結構222
8.2.3更有效的知識獲取223
8.2.4更強大的知識指導223
8.2.5更精深的知識推理224
8.3結束語224
相關開源資源226
參考文獻228
後記243

知識圖譜旨在將人類知識組織成結構化知識繫統，是人工智能實現真正意義的理解、記憶與推理的重要基礎。知識圖譜作為典型的符號表示繫統，如何有效用於機器學習算法，面臨著知識表示、知識獲取和計算推理等方面的諸多挑戰。近年來，以神經網絡為代表的深度學習技術引發了人工智能的新一輪浪潮。本書介紹了作者團隊在知識圖譜與深度學習方面的研究成果，展現了數據驅動的深度學習與符號表示的知識圖譜之間相互補充和促進的技術趨勢。本書內容對於人工智能基礎研究具有一定的參考意義，既適合專業人士了解知識圖譜、深度學習和人工智能的前沿熱點，也適合對人工智能感興趣的本科生和研究生作為學習讀物。

劉知遠,韓旭,孫茂松 著