精华内容
下载资源
问答
  • 对于知识的理解
    千次阅读
    2020-08-23 20:40:30

    总结一些最近对“本体”的理解:

    • “本体”指的是语言中抽象层级比较高的部分。例如:“职业”这个词的抽象程度就比较高,而“医生”这个词的抽象程度比较低。由于其抽象程度比较高,所以它时常具有一定的归类能力。

    • “本体”对于一个知识图谱是基础且重要的。识别本体,构建本体,应用本体。这三步对于一个好的知识图谱产生比较重要。其构建的意义或者方法当下是有一套方法在支撑,虽然人为参与过多,但这是当下的这个领域的发展阶段所致。

    • 另外知识图谱和图数据库中存储的数据到底有什么区别?图数据库中的数据也是图啊,可以称作知识图谱吗

      • 在web视角,Knowledge Graph(KG)建立了数据之间的语义“链接”,强化搜索。
      • 在nlp视角,KG是怎样通过nlp方法抽取字,词,句,甚至语义,来使数据结构性更强。
      • 在kr视角,怎样利用计算机符号表示和处理知识。
      • 在ai视角,用kg辅助人的语言的被计算机所理解。
      • 在db视角,以图的形式来存储数据。
      • 在kg工程师视角,如何提取知识的本体来构成知识库进行推理和融合是其要关注的问题。

    谢谢!✌

    更多相关内容
  • 知识图谱(Knowledge Graph)之综述理解

    千次阅读 2019-12-13 14:54:29
    注:该博文是我在看了数篇知识图谱综述以及阅读了相关资料后的一个总结以及自己的相关理解知识图谱技术是人工智能技术的重要组成部分,以结构化的方式描述客观世界中的概念、实体及其键的关系。知识图谱提技术...
    注:该博文是我在看了数篇知识图谱综述以及阅读了相关资料后的一个总结以及自己的相关理解。
    

    知识图谱技术是人工智能技术的重要组成部分,以结构化的方式描述客观世界中的概念、实体及其键的关系。知识图谱提技术提供了一种更好的组织、管理和理解互联网海量信息的能力,将互联网的信息表达成更接近于人类认知世界的形式。因此,建立一个具有语义处理能力与开放互联能力的知识库,可以在智能搜索、智能问答、个性化推荐等智能信息服务重产生应用价值。
     

    本文的主要内容如下

    目录

    知识图谱的研究背景及其意义

    知识图谱的发展

    知识图谱的定义

    知识图谱的架构

    大规模知识库

    知识图谱关键技术

    知识图谱的典型应用

    知识图谱的问题与挑战

    知识抽取

     知识表示

     知识融合

     知识加工

     知识更新

     知识应用

     其他

    总结

    参考文献


    知识图谱的研究背景及其意义

    单单从字面上理解,知识图谱应该是一种更加结构化(主要是基于图)的知识库,将散乱的知识有效的组织起来,方便人们的查阅,而不是之前那样一堆文在摆在眼前,没有一目了然的赶脚,哈哈哈。所以,很容易想到,知识图谱的产生背景就是,第一方面互联网信息的暴增,以及信息的杂乱无章,第一个意义就是为了人们更加快速有效的检索某一信息。,第二方面,随着现在科学技术的进步与发展,很多先进技术都应运而生(比如深度学习),人们期望机器像人一样可以去理解海量的网络信息,期望可以更快、准确、智能的获取到自己需要的信息,为了满足这种需求,智能化的知识图谱应运而生,其研究意义还是在于方便人类!(有木有发现,几乎所有的研究意义都是这四个字呐)(在这里我只是用一种简单理解的方式来表达,当然还有更多的研究意义,只不过知识图谱刚刚开始火热起来的时候,就是应用在信息检索方面。为了容易理解以及方便记忆,记住这个就ok了)
       一般情况下研究背景就体现了研究意义。以下是官网语言描述,非完美主义者可以跳过这些繁琐的文字表达,哈哈哈。
       伴随着web技术的不断演进与发展,人类先后经历了以文档互联为主要特征的“web 1.0”时代,以数据互联为特征的“web 2.0”时代,正在迈向基于知识互联的崭新“Web 3.0”时代。

    知识互联网的目标是构建一个人与机器都可以理解的万维网,使得人们的网络更加智能化。然而,由于万维网上的内容多源一直,组织结构松散,给大数据环境下的知识互联带来了极大的挑战。因此,人们需要根据大数据环境下的知识组织原则,从新的视角去探索既符合网络信息资源发展变化又能适应用户人之需求的知识互联方法,从更深层次上揭示人类认知的整体性关联性。知识图谱以其强大的语义处理能力与开放互联能力,使web 3.0提出的“知识之网”远景成为了可能。
       进入21世纪,随着互联网的蓬勃发展以及知识的爆炸式增长,搜索引擎被广泛使用。传统的搜索引擎技术能够根据用户查询快速排序网页,提高信息检索的效率。然而,这种网页检索效率并不意味这用户能够快速准确的获取信息和知识,对于搜索引擎返回的大量结果还需要进行人工排查和筛选。面对互联网上不断增加的海量信息,网页检索方式(仅包含网页和网页之间链接的传统文档)已经不能满足人们迅速获取所需信息和全面掌握信息资源的需求。为了满足这种需求,知识图谱技术应运而生。它们力求通过将知识进行更加有序、有机的组织起来,使用户可以更加快速、准确地访问自己需要的知识信息,并进行一定的知识挖局和智能决策。从机构知识库到互联网搜索引擎,近年来不少学者和机构纷纷在知识图谱上深入研究,希望以这种更加清晰、动态的方式(注:知识图谱一定是动态的,不断更新的,不是静止的,不然,就是去了其真正的意义)展现各种概念之间的联系,实现


    知识图谱的发展

    0世纪中叶,普莱斯等人提出使用引文网络来研究当代科学发展的脉络的方法,首次提出了知识图谱的概念。(注意:这里的知识图谱和本博文主要介绍的知识图谱不太一样,在此是指Mapping Knowledge Domain,而本博文主要介绍的知识图谱是指Knowledge Graph)1977年,知识工程的概念在第五届国际人工智能大会上被提出,以专家系统为代表的知识库系统开始被广泛研究和应用,直到20世纪90年代,机构知识库的概念被提出,自此关于知识表示、知识组织的研究工作开始深入开展起来。机构知识库系统被广泛应用于各科研机构和单位内部的资料整合以及对外宣传工作。2012年11月Google公司率先提出知识图谱(Knowledge Graph,KG)的概念,表示将在其搜索结果中加入知识图谱的功能。其初衷是为了提高搜索引擎的能力,增强用户的搜索质量以及搜索体验。据2015年1月统计的数据,Google 构建的KG已经拥有5亿个实体,约35亿条实体关系信息,已经被广泛应用于提高搜索引擎的搜索质量。虽然知识图谱(Knowledge Graph)的概念较新,但它并非是一个全新的研究领域,早在2006年,Berners Lee就提出了数据链接(linked data)的思想,呼吁推广和完善相关的技术标准如URI(Uniform resource identifier),RDF(resource discription framework),OWL(Web ontology language),为迎接语义网络的到来做好准备。随后掀起了一场语义网络研究的热潮,知识图谱技术正是建立在相关的研究成果之上的,是对现有语义网络技术的一次扬弃和升华。
     

    知识图谱的定义

    在维基百科的官方词条中:知识图谱是Google用于增强其搜索引擎功能的知识库。本质上,知识图谱是一种揭示实体之间关系的语义网络,可以对现实世界的事物及其相互关系进行形式化地描述。现在的知识图谱已被用来泛指各种大规模的知识库。可作如下定义:


    知识图谱 :是结构化的语义知识库,用于以符号形式描述物理世界中的概念及其相互关系。其基本组成单位是“实体 关系 实体”三元组,以及实体及其相关属性值对,实体间通过关系相互联结,构成网状的知识结构。


    在此,知识图谱包含三层含义:

    1.  知识图谱本身是一个具有属性的实体通过关系链接而成的网状知识库.从图的角度来看,知识图谱在本质上是一种概念网络,其中的节点表示物理世界的实体(或概念),而实体间的各种语义关系则构成网络中的边.由此,知识图谱是对物理世界的一种符号表达 .
    2.  知识图谱的研究价值在于,它是构建在当前Web基础之上的一层覆盖网络(overlay network),借助知识图谱,能够在Web网页之上建立概念间的链接关系,从而以最小的代价将互联网中积累的信息组织起来,成为可以被利用的知识。
    3.  知识图谱的应用价值在于,它能够改变现有的信息检索方式,一方面通过推理实现概念检索(相对于现有的字符串模糊匹配方式而言);另一方面以图形化方式向用户展示经过分类整理的结构化知识,从而使人们从人工过滤网页寻找答案的模式中解脱出来。

    知识图谱的架构

    在此主要给出几个常见的知识图谱架构图,这几个图大同小异,通过看图可以一目了然的理解,免去了文字的繁琐介绍。

    知识图谱架构主要部分:
    - 知识抽取(包括实体抽取、关系抽取以及属性抽取等)
    - 知识融合(包括实体消岐等)
    - 知识加工(包括本体构架、知识推理等)
    - 知识更新

    大规模知识库

    具体的可以参加下图:

    知识图谱关键技术

    这一部分是本文的重点,前面都是需要基本了解的知识图谱基础知识,这一部分是核心也是主要的研究问题。其实知识图谱的关键技术主要是围绕着建立一个高质量的知识图谱所展开讨论的。在此主要是一个简单的总结,便于大家的理解与记忆。

    • 知识抽取(或者信息抽取)
    1.  实体抽取
    2.  关系抽取
    3.  属性抽取(实质上属性抽取也可以看作是关系抽去)

    • 知识融合

     实体连接

    1. 实体消岐–专门用于解决同名实体产生歧义问题的技术。实体消岐主要采用聚类的方法,聚类法消歧的关键问题是如何定义实体对象与指称项之间的相似度,常用的方法有:《1》空间向量模型(词袋模型)《2》语义模型(与空间向量模型相似,不同的地方在于语义模型不仅包含词袋向量,而且包含一部分语义特征)《3》社会网络模型(该模型的基本假设是物以类聚人以群分,在社会化环境中,实体指称项的意义在很大程度上是由与其相关联的实体所决定的)《4》百科知识模型(百科类网站通常会为每个实体分配一个单独页面,其中包括指向其他实体页面的连接,百科知识模型正是利用这种链接关系来计算实体指称项之间的相似度)
    2. 实体对齐–主要用于消除异构数据中实体冲突、指向不明等不一致性问题,可以从顶层创建一个大规模的统一知识库,从而帮助机器理解多源异质的数据,形成高质量的知识库。对齐算法可以分为成对实体对齐和集体实体对齐,而集体实体对齐又可以分为局部集体实体对齐和全局集体实体对齐。成对实体对齐:《1》基于传统概率模型的实体对齐方法。《2》基于机器学习的实体对齐方法。局部实体对齐方法:局部实体对齐方法为实体本身的属性以及与它有关联的实体的属性分别设置不同的权重,并通过加权求和计算总体的相似度,还可以使用向量空间模型以及余弦相似性来判别大规模知识库中的实体的相似程度,算法为每个实体建立了名称向量与虚拟文档向量,名称向量用于标识实体的属性,虚拟文档向量则用于表示实体的属性值以及其邻居节点的属性值的加权和值。全局集体实体对齐方法:《1》基于相似性传播的集体实体对齐方法。《2》基于概率模型的集体实体对齐方法

    实体链接技术也可以从整体层面分类如下:

    知识合并

    • 合并外部知识库—将外部知识库融合到本地知识库需要处理2个层面的问题。《1》数据层的融合,包括实体的指称、属性、关系以及所属类别等,主要的问题是如何避免实例以及关系的冲突问题,造成不必要的冗余。《2》通过模式层的融合,将新得到的本体融入已有的本体库中。
    • 合并关系数据库—在知识图谱的构建过程中,一个重要的高质量知识来源是企业或者机构自己的关系数据库。为了将这些结构化的历史数据融入到知识图谱中,可以采用资源描述框架(RDF)作为数据模型。业界和学术界将这一数据转换过程形象的称为RDB2RDF,其实质就是将关系数据库的数据转换成RDF的三元组数据。
       

    知识加工

    • 本体构建—本体的最大特点在于它是共享的,本体中反映的知识是一种明确定义的共识。本体是同一领域内不同主体之间进行交流的语义基础,本体是树状结构,相邻层次的节点(概念)之间具有严格的“IsA”关系,这种单纯的关系有利于知识推理却不利于表达概念的多样性。本体的构建可以采用人工编辑的方式手动构建(借助于本体编辑软件),也可以采用计算机辅助,以数据驱动的方式自动构建,然后采用算法评估和人工审核相结合的方式加以修正和确认。除了数据驱动的方法,还可以采用跨语言知识链接的方法来构建本体库。对当前本体生成方法的主要研究工作主要集中在实体聚类方法,主要挑战在于经过信息抽取得到的实体描述非常简短,缺乏必要的上下文信息,导致多数统计模型不可用。(可以利用主题进行层次聚类)。
    • 知识推理—知识推理是指从知识库中已有的实体关系数据出发,经过计算机推理,建立实体间的新关联,从而拓展和丰富知识网络,知识推理是知识图谱构建的重要手段和关键环节,通过知识推理,能够从现有知识中发现新的知识。知识推理的方法如下图:
    • 质量评估—对知识库的质量评估任务通常是与实体对齐任务一起进行的,其意义在于,可以对知识的可信度进行量化,保留置信度较高的,舍弃置信度较低的,有效保证知识的质量。
       

    知识更新
    人类所拥有信息和知识量都是时间的单调递增的函数,因此知识图谱的内容也需要与时俱进,其构建过程是一个不断迭代更新的过程。从逻辑上看,只是哭的更新包括概念层更新和数据层更新。知识图谱内容的更新有两种方式:数据驱动下的全面更新和增量更新。
     知识表示
    虽然三元组的知识表示形式受到了人们的广泛认可,但是其在计算效率、数据稀疏性等方面却面临着诸多问题。近年来,以深度学习为代表的学习技术取得了重要的进展,可以将实体的语义信息表示为稠密低维的实值向量,进而在低维空间中高效计算实体、关系及其之间的复杂语义关联,对知识库的构建、推理、融合以及应用均具有重要的意义。分布式表示旨在用一个综合的向量来表示实体对象的语义信息,是一种模仿人脑工作的表示机制,通过知识表示而得到的分布式表示形式在知识图谱的计算、补全、推理等方面起到重要的作用:语义相似度计算、链接预测(又被称为知识图谱补全)等代表模型如下所示:
     

    • 距离模型

    首先将实体用向量进行表示,然后通过关系矩阵将实体投影到与实体向量同一纬度的向量空间中,最后通过计算投影向量之间的距离来判断实体间已经存在的关系的置信度。由于距离模型中的关系矩阵是两个不同的矩阵,故实体间的协同性较差,这也是该模型本身的主要缺陷。

    • 单层神经网络

    针对距离模型的缺陷,提出了采用单层神经网络的非线性模型(single layer model,SLM)。单层神经网络模型的非线性操作虽然能够进一步刻画实体在关系下的语义相关性,但是在计算开销上却大大增加。

    • 双线性模型

    双线性模型又叫隐变量模型(latent factor model,LFM)。双线性模型主要是通过基于实体间关系的双线性变换来刻画实体在关系下的语义相关性,模型不仅形式简单、易于计算,而且能够有效刻画实体间的协同性。

    • 神经张量模型

    其基本思想是,在不同维度下,将实体联系起来,表示实体间复杂的语义联系。神经张量模型在构建实体的向量表示时,是将该实体中的所有单词的向量取平均值,这样一方面可以重复使用单词向量构建实体,另一方面将有利于增强低维向量的稠密程度以及实体与关系的语义计算。

    • 矩阵分解模型

    通过矩阵分解的方式可以得到低维的向量表示,故不少研究者提出可以采用该方式进行知识表示学习,其中典型的代表是RESACL模型。

    知识图谱的典型应用

    知识图谱为互联网上海量、异构、动态的大数据表达、组织、管理以及利用提供了一种更为有效的方式,使得网络的智能化水平更高,更加接近于人类的认知思维。

    •  智能搜索
    •  深度问答
    •  社交网络
    •  个性化推荐
    •  垂直行业应用,例如 金融行业、医疗行业、电商行业以及教育行业等等。

    知识图谱的问题与挑战

    知识抽取


    知识抽取是知识图谱组织构建、进行问答检索的主要任务,对于深层语义的理解以及处理具有重要的意义。一些传统的知识元素(实体、关系、属性)抽取技术与方法,它们在限定领域、主题的数据集上获得了较好的效果,但由于制约条件较多,算法准确性和召回率低,方法的可扩展能力不够强,未能很好地适应大规模、领域独立、高效的开放式信息抽取要求。 目前,基于大规开放域的知识抽取研究仍处于起步阶段,尚需研究者努力去攻关开垦。主要问题包括实体抽取、关系抽取以及属性抽取。其中,多语种、开放领域的纯文本信息抽取问题是当前面临的重要挑战。
    KnowItAll、TextRunner、WOE、ReVerb、R2A2、KPAKEN这些系统已为开放域环境下,实体关系抽取中的二元关系抽取、n元关系抽取发展开创了先河,具有广阔的研究前景。再者,对于隐含关系的抽取,目前主流的开放式信息抽取方法性能低下或尚无法实现。因此,以马尔可夫逻辑网、本体推理的联合推理方法将成为学术界的研究热点。 联合推理方法不仅能够推断文本语料所不能显示的深层隐含信息,还能够综合信息抽取各阶段的子任务,像杠杆一样在各方面之间寻求平衡,以趋向整体向上的理想效果,为大规模开放域下的知识抽取提供了一种新的思路。除上述外,跨语言的知识抽取方法也成为了当前的研究热点,对于我国的研究者而言,更应发挥自身在中文信息处理方面的天然优势,面对挑战与机遇,做出应有的贡献。


     知识表示


    目前存在的表示方式仍是基于三元组形式完成的语义映射,在面对复杂的知识类型、多源融合的信息时,其表达能力仍然有限。因此有研究者提出,应针对不同的应用场景设计不同的知识表示方法。

    • 复杂关系中的知识表示

    已有的工作将知识库中的实体关系类型分为1-to-1、1-to-N、N-to-1、N-to-N这4种,这种划分方法无法直观地解释知识的本质类型特点,也无法更有针对性地表示复杂关系中的知识。 但发现分布式的知识表示方法来源于认知科学,具有灵活的可扩展能力。基于上述,对认知科学领域人类知识类型的探索将有助于知识类型的划分、表示以及处理,是未来知识表示研究的重要发展方向。

    • 多源信息融合中的知识表示

    **对于多源信息融合中的知识表示研究尚处于起步阶段,涉及的信息来源也极为有限,已有的少数工作都是围绕文本与知识库的融合而展开的。**另外,已有文献将注意力转向面向关系表示的多源信息融合领域,并已在CNN上进行了一定的实现。在知识融合表示中,融合是最关键的前期步骤,如能有机的融合多源异质的实体、关系等信息,将有利于进一步提升知识表示模型的区分能力以及性能。基于实体的、关系的、Web文本的、多知识库的融合均具有较为广阔的研究前景。


     知识融合


    知识融合对于知识图谱的构建、表示均具有重要的意义。实体对齐 是知识融合中的关键步骤,虽然相关研究已取得了丰硕的成果,但仍有广阔的发展空间,如下:

    • 并行与分布式算法

    大规模的知识库不仅蕴含了海量的知识,其结构、数据特征也极其复杂,这些对知识库实体对齐算法的准确率、执行效率提出了一定的挑战。目前,不少研究者正着力研究对齐算法的并行化或分布式版本,在兼顾算法准确率与召回率的同时,将进一步利用并行编程环境MPI,分布式计算框架Hadoop、Spark等平台,提升知识库对齐的整体效果。

    • 众包算法

    人机结合的众包算法可以有效地提高知识融合的质量。众包算法的设计讲求数据量、知识库对齐质量以及人工标注三者的权衡。将众包平台与知识库对齐模型有机结合起来,并且能够有效判别人工标注的质量,这些均具有较为广阔的研究前景。

    • 跨语言知识库对齐

    多语言的知识库越来越多,多语言知识库的互补能力将为知识图谱在多语言搜索、问答、翻译等领域的实际应用提供更多的可能。 文献已在这方面取得了一定的进展,但知识库对齐的质量不高,这方面仍有广阔的研究空间。

    综之,主要的研究问题包括开放域条件下的实体消歧、共指消解、外部知识库融合和关系数据库知识融合等问题.当前受到学术界普遍关注的问题是如何在上下文信息受限(短文本、跨语境、跨领域等)条件下,准确地将从文本中抽取得到的实体正确链接到知识库中对应的实体.

     知识加工


    知识加工是最具特色的知识图谱技术,同时也是该领域最大的挑战之所在.主要的研究问题包括:本体的自动构建、知识推理技术、知识质量评估手段以及推理技术的应用.目前,本体构建问题的研究焦点是聚类问题,对知识质量评估问题的研究则主要关注建立完善的质量评估技术标准和指标体系.知识推理的方法和应用研究是当前该领域最为困难,同时也是最为吸引人的问题,需要突破现有技术和思维方式的限制,知识推理技术的创新也将对知识图谱的应用产生深远影响.


     知识更新


    在知识更新环节, 增量更新技术是未来的发展方向,然而现有的知识更新技术严重依赖人工干预.可以预见随着知识图谱的不断积累,依靠人工制定更新规则和逐条检视的旧模式将会逐步降低比重,自动化程度将不断提高,如何确保自动化更新的有效性,是该领域面临的又一重大挑战


     知识应用


    目前,大规模知识图谱的应用场景和方式还比较有限,其在智能搜索、深度问答、社交网络以及其他行业中的使用也**只是处于初级阶段,**仍具有广阔的可扩展空间。人们在挖掘需求、探索知识图谱的应用场景时,应充分考虑知识图谱的以下优势:1) 对海量、异构、动态的半结构化、非结构化数据的有效组织与表达能力;2) 依托于强大知识库的深度知识推理能力;3) 与深度学习、类脑科学等领域相结合,逐步扩展的认知能力。 在对知识图谱技术有丰富积累的基础上,敏锐的感知人们的需求,可为大规模知识图谱的应用找到更宽广、更合适的应用之道。


     其他


    最具基础研究价值的挑战是如何解决知识的表达、存储与查询问题,这个问题将伴随知识图谱技术发展的始终,对该问题的解决将反过来影响前面提出的挑战和关键问题.当前的知识图谱主要采用图数据库进行存储,在受益于图数据库带来的查询效率的同时,也失去了关系型数据库的优点,如SQL语言支持和集合查询效率等.在查询方面,如何处理自然语言查询,对其进行分析推理,翻译成知识图谱可理解的查询表达式以及等价表达式等也都是知识图谱应用需解决的关键问题.
     

    总结


    知识图谱的重要性不仅在于它是一个全局知识库,是支撑智能搜索和深度问答等智能应用的基础,而且在于它是一把钥匙,能够打开人类的知识宝库,为许多相关学科领域开启新的发展机会。 从这个意义上看来,知识图谱不仅是一项技术,更是一项战略资产。本文的主要目的就是介绍和宣传这项技术,希望吸引更多的人重视和投入这项研究工作。
     

    参考文献

    1. 2016- 知识图谱技术综述_徐增林.
    2. 2016-知识图谱构建技术综述_刘峤
    3. https://blog.csdn.net/u010626937/article/details/88106081

     

     

     

     

     

     

    https://blog.csdn.net/u010626937/article/details/88106081

    展开全文
  • 来源:DataFunTalk本文约4900字,建议阅读9分钟本文将介绍百度基于知识图谱,从文本到多模态内容的理解技术及应用的最新进展。标签:知识图谱[ 导读 ]知识图谱在人工智能应用中的...


    来源:DataFunTalk

    本文约4900字,建议阅读9分钟

    本文将介绍百度基于知识图谱,从文本到多模态内容的理解技术及应用的最新进展。

    标签:知识图谱

    [ 导读 ]知识图谱在人工智能应用中的重要价值日益突显。百度构建了超大规模的通用知识图谱,并在搜索、推荐、智能交互等多项产品中广泛应用。同时,随着文本、语音、视觉等智能技术的不断深入,知识图谱在复杂知识表示、多模语义理解技术与应用等方面都面临新的挑战与机遇。本文将介绍百度基于知识图谱,从文本到多模态内容的理解技术及应用的最新进展。

    本文主要内容包括:

    • 背景

    • 知识图谱文本语义理解

    • 知识图谱视频语义理解

    • 总结

    一、背景

    1. 多模语义理解需求强烈

    对于百度而言就有很多视频产品,比如信息流、全民小视频、爱奇艺等等,对应长视频、短视频、小视频等,这类视频的深度理解对于公司的视频业务,是非常核心的基础技术。

    2. 深度语义理解需要知识

    在实际应用场景中,我们发现要实现视频的深度语义理解,在纯感知技术的基础上,知识发挥着重要的价值。比如上面的短视频片段,从内容理解来看,传统的视频理解更多是基于感知,比如通过人脸识别和从OCR识别出关键词/字。


    在实际场景中我们发现这些效果上还有较大优化空间,同时,这样识别出的结果没有刻画出用户对视频核心的细粒度兴趣,比如影视剧的角色、关系等知识。但是基于知识图谱的语义理解就可以解决这类的问题,它能够对视频做深度结构化的解析,然后上层的推荐、搜索可以应用这些知识作为特征辅助内容的高效分发。

    3. 目标与价值

    根据上面描述,我们的目标是基于知识图谱对用户/资源从多维度进行知识增强的语义分析,协助提供上层智能应用所需语义计算与推理能力。相比传统的理解,它的价值有两个方面:一是它可以真正理解资源背后的知识;二是它可以基于知识图谱进行计算和推理。

    二、知识图谱文本语义理解

    1. 知识增强的多维度语义分析

    不同于传统的文本语义理解,我们的知识图谱文本语义理解是对文本从实体、概念、关系的知识维度去做全方位的解析,协助提供应用所需语义知识。

    首先对文本进行实体类的标注,然后将实体关联到知识图谱,这样通过关联关系以及知识图谱获取实体对应信息;其次进行概念化,理解实体背后的知识;最后会理解实体之间的关系,包括实体的属性、侧面等。通过建立知识图谱的文本语义理解,会有三方面的技术特点:语义消歧、可计算推理和可泛化解释。

    2. 多种文本形态与业务场景下,诸多挑战

    在实际的场景之下,我们会面临诸多的挑战:

    • 多种文本形态

    短文本:上下文非常稀疏,歧义问题加剧;

    篇章:很多篇章的理解需要上下文跨句或者跨段落才能理解,在实际工程场景之下,对性能和效果需要很高的要求,而性能是决定该策略是否可以上线的重要因素之一。

    • 新实体

    知识图谱不可能收录全部实体,如果在文本中新实体没有被识别,这对文本的理解会有负面的影响。

    • 不同业务场景

    多种不同的输入和多种定制化的需求。

    我们的解决方案是首先使用一些知识增强的技术去提升语义理解的效果,其次是深度神经网络,最后将一些核心算子进行抽象并组件化,通过组件化的方式定制化去支持不同的业务。

    3. 实体标注:基于知识增强的标注技术

    在知识图谱中实体标注的目标:标注文本中的实体,消歧并且关联到知识库。这其中有一些关键的技术,流程如下:

    首先,先对输入的文本进行实体的识别,比如“李白这首歌好听吗?”,对于“李白”这个实体,它背后有很多候选实体,可能是诗人、歌曲、游戏里的英雄角色或者是普通的人。在候选实体中有一个很重要的问题——新实体的识别,这里面我们通过知识远监督的方式生成大量训练样本并且结合百度预训练模型ERNIE来提升新实体识别的效果。

    其次,有了这些候选实体之后会对所有候选实体进行排序,这里面我们引入的是知识向量表示,联合实体属性和结构化关系去训练出实体embedding表示,然后使用语义匹配模型做统一的度量进行实体的排序。

    最后,对候选实体得分最高的实体进行一个判定,是否将该实体关联到知识库中。

    4. 概念化:基于概念图谱的细粒度概念化

    接下来是概念化,与传统的命名实体识别是有差异的,比如“如何玩好李白这个英雄”,在命名实体识别中会将“李白”识别成人物,在概念化中根据当前上下文,动态识别出实体对应的上位概念,即这里对于“李白”会识别出游戏角色、虚拟人物。所以,概念化会从更细的粒度的刻画文本中这个实体在当前上下文中最合适的上位概念,做到符合当下场景下的知识理解。

    在实际应用中,我们会构建一套知识网络去提供知识来增强文本的理解。对于输入文本通过知识网络会转化成一个图,图上的节点会是实体、属性还有一些动词形容词等等。有了这些节点之后,在图上进行随机游走,最终随机游走收敛完之后会得到每个实体在当前上下文最合适的上位概念。

    5. 概念化-关键技术:知识网络

    对于概念化最关键的技术就是知识网络的构建,方案如下:

    • isA网络:实体上下位的知识,比如杨洋是男演员、男歌手;

    • 共现网络:挖掘全网下实体的共现,同时转换成概念的共现,比如歌手与歌曲的共现;

    • 词汇网络:构建出大量实体、概念和信号词之间的共现关系,这里的信号词更多是形容词/动词;

    • 语义网络:预训练的文本语义向量ERNIE和上面提到的训练出实体的向量表示。

    6. 面向多种应用场景

    在面向各种应用场景中,我们会将这些核心技术抽象出算子,通过算子组件化的方式去满足不同场景下文本语义理解。

    应用示例:


    三、知识图谱视频语义理解

    1. 知识增强的视频深度理解

    传统的视频理解会对视频分类,比如上面的视频会分类到影视,会通过人脸识别出汤姆克鲁斯,再通过OCR和语音识别出文本并提取出一些关键字,但是这样的理解并没有真正理解视频背景的知识,如前文所述在实际场景中也会存在问题。

    我们会把视频转换成知识子图,通过知识图谱对这张子图进行知识扩充,并使用推理和计算来置信计算及冲突检测。它有三个技术特点:深度理解、可计算推理和支持更多产品创新。

    示例:

    2. 知识图谱视频语义理解的挑战

    在实际的场景之下,会有两方面的挑战:

    • 知识构建与利用:对于视频语义理解需要哪些知识?如何构建这些知识?如何利用这些知识去深度理解视频?

    • 多模态:视频本身是典型的多模态,包括文本、视觉和语音,在这些多模态信息如何融合、去噪、理解?

    3. 基于知识及计算推理的深度语义理解

    视频语义理解完整的流程,包括:

    对短视频进行多模态的分析,包括视觉理解、语音理解和文本理解这些感知上面的理解;然后将这些结果利用知识关联技术建立到视频理解图谱当中;最后有了这些关联关系、知识和多模解析的结果,会做多模态融合并且在这张图上进行计算推理。

    在小视频的语义理解中,流程同短视频的语义理解相同,但与短视频会有一些差异,因为小视频更偏向于主题、场景类的理解。

    4. 视频理解图谱:区别于传统图谱

    视频理解的目标是提供主题、实体、实体侧面、场景等维度对用户需求及视频资源点描述的知识,不同于传统的知识图谱,视频理解图谱在图谱节点方面更关注于主题、实体侧面、场景类的知识,以及这些知识的关系如属性关系、上下位关系和关联关系等;在知识来源方面专注视频搜索日志、用户评论、视频资源本身来挖掘图谱等;在应用场景方面更多关注视频推荐、搜索和内容生成等。

    5. 视频理解图谱:聚焦重点知识建设

    上面提到了视频理解图谱与传统图谱之间的关系,所以我们的构建思路就是差异化的构建,重点构建场景、实体侧面、主题、实体以及它们的关联关系,最后将这个图谱反哺到通用的图谱当中。整个过程如下:

    • Ontology构建:借鉴与通用图谱的ontology构建然后使用人机结合的方式构建出视频理解图谱的骨架;

    • 知识挖掘:有了骨架后开始各种知识的挖掘,包括新实体挖掘、实体侧面抽取、主题抽取和场景挖掘等;

    • 语义关系:有了上面的知识节点,开始建立关系,例如上下位的关系、场景的关系等;

    • 图谱构建:有了节点和关系,开始进行图谱化构建,这里重点会对实体进行归一/关联和建边;

    • 质量控制、特征计算:在建立完视频图谱之后,为了图谱的应用,会再进行冲突检验、热度特征统计和关联强度特征计算等。

    6. 关键技术:多种知识发现与挖掘技术

    实体、主题、实体侧面发现与挖掘:

    • 新实体挖掘:上面已介绍;

    • 主题发现:结合用户的点击行为解决主题发现冷启动问题,然后使用序列标注的方式进行主题挖掘;

    • 实体侧面挖掘:基于阅读理解的模型,使用半指针半标注的方式进行实体侧面标注。

    7. 实体理解

    7.1 基于多模融合与计算推理,理解视频主体

    一个视频中会存在很多的实体,对视频的主旨理解而言,有重要的实体也有不重要的实体。我们需要区分出哪些实体是视频的主体,哪些实体是噪声;进一步需要理解实体背后的知识,因为看到一段视频,在里面出现的人和事甚至一些动作并不能完整描述视频的主旨;最后就是需要对歧义进行消除。

    我们的解决思路是:

    • 多模态解析:使用语义匹配网络、视频关注点和无监督核心度排序的方式综合将视频内的潜在核心实体mention提取出来;

    • 实体关联:将潜在实体mention与图谱关联,解决消歧和语义化问题;

    • 计算推理:实体计算扩展实体的属性关系;不确定性推理判断哪些实体在该视频中是最主要实体;冲突检测将不符合视频主旨内容的实体过滤。

    示例:

    7.2 视觉与知识结合,短视频关联源视频

    一些场景中,在我们看完短视频之后都想知道是来源于哪个长视频,甚至是来源于长视频的哪一集。传统做法是使用视频指纹识别的方式来找到源视频,我们在这个基础上加入知识图谱的语义理解来辅助召回源视频。首先对于一些指纹识别处在边界的一些结果利用语义理解来做辅助的校验;其次,对一些长视频不在目标索引库里面的情况,我们会通过语义理解来推断出一些可能关联到的源视频。

    8. 场景理解:基于多模融合与计算推理,理解视频主体

    前面介绍了实体理解,接下来介绍场景理解,场景在这里面更多的是动作、事件。我们分为两类:一是粗粒度场景二是细粒度场景,比如:汽车是粗粒度的场景,考驾照、汽车维修就是细粒度的场景。

    传统的方法是从视频分类角度去做,我们发现对于粗粒度的场景效果很好,但是对细粒度的场景效果就不好。通过分析我们发现有几个难点:

    • 细粒度分类需要大量的标注样本;

    • 有些场景需要引入知识,如果没有知识背景有些人都很难看出来;

    • 在实际应用中,我们要控制效果和灵活性,但是通过纯模型的方式很难进行控制。所以,我们提出利用知识和视觉结合来做场景的推断。

    我们的解决方案是:

    • 首先,通过粗粒度的分类模型对视频进行分类;

    • 其次,提取出视频中的人物、关键字和动作等关联到场景图谱里面;

    • 最后,在场景图谱中进行符号推理,再辅助一些知识来进行分类获取最终细粒度场景结果。

    以下是基于知识图谱的视频语义理解在产品中应用示例。

    应用示例:

    9. 视觉问答 ( VQA ):多模融合与理解

    除了上面的介绍,我们知识图谱部还做了很多其它的工作,其中之一是视觉问答。

    我们的主要工作是提出一种改进的“多粒度跨模态注意力机制”,从更细粒度上增强跨模态信息的理解对齐能力和解释能力。使模型能更好的融合,理解多模态信息。在VQA2.0上面效果表现良好,从65.67提升到67.73。

    10. 跨媒体生成

    另一个工作是跨媒体生成,主要是在图文生成和视频生成。我们基于视频语义理解和知识图谱去提供生成所需要的素材、信号和知识来提升视频生成效果。

    示例:


    四、总结

    本次分享主要介绍了:

    一、多模语义理解的价值:实现深度语义理解,理解其背后的知识。

    二、知识图谱文本语义理解:知识增强的多维度语义分析、实体标注和概念泛化。

    三、知识图谱视频语义理解:

    • 视频理解图谱;

    • 图像、语音、文本多模态特征融合;

    • 基于知识关联、推理计算的深度语义理解。

    今天的分享就到这里,谢谢大家。

    分享嘉宾

    冯知凡,百度主任研发架构师

    编辑:黄继彦

    校对:林亦霖

    展开全文
  • 如何利用旧知识理解新知识,需要梳理新旧知识的关系,比如互补关系,扩展关系和映射关系。每种关系具有不同的特点,利用好这些关系和特点是一把绝佳的学习钥匙。

    有这么一个笑话:

    一天,数学家觉得自己已受够了数学,于是他跑到消防队去宣布他想当消防员。 消防队长说:“您看上去不错,可是我得先给您一个测试。”

    消防队长带数学家到消防队后院小巷,巷子里有一个货栈,一只消防栓和一卷软管。消防队长问:“假设货栈起火,您怎么办?”

    数学家回答:“我把消防栓接到软管上, 打开水龙,把火浇灭。”消防队长说:“完全正确!最后一个问题:假设您走进小巷,而货栈没有起火,您怎么办?”数学家疑惑地思索了半天,终于答道:“我就把货栈点着。” 消防队长大叫起来:“什么?太可怕了!您为什么要把货栈点着?”

    数学家回答:“这样我就把问题化简为一个我已经解决过的问题了。”

    这虽然是一则笑话,却道出了一个非常重要的数学思维方式——转换思想。

    当年数学家卡笛尔躺在病床上,看着天花板上的壁虎,暝思苦想如何向另一数学家描述壁虎的位置,突然灵光一现,想出了直角坐 标系统。所有几何世界上的点全部都可以用一对二元组(坐标)来表示,将平面几何的关系统全部转换成代数关系。这就是代数几何的由来。卡笛尔的伟大之作是发明发坐标系统,可以将几何问题转换成代数问题。

    新旧知识的连接

    这里的新旧知识并不是指古老的旧知识和最近10年涌现出来的新知识,而是你已经掌握并可以运用自如的老知识和你当前正要学习的新知识。新旧并不是指知识的时间关系,而是你自身知识结构中已掌握的和正要学习的知识。

    我们总是使用旧的知识去理解或者认识新的知识,因此新旧知识的连接关系犹为重要。从关系来分,大致有:互补关系,扩展关系和映射关系。每种关系有各自的特点,应用方法也不尽相同,下面重点介绍各种关系的特点和应用。

    互补关系

    互补关系,在这里也可以称为对立关系,后面会专门写一篇关于「对比和类比」学习方法的文章,详细介绍如何应用这两种方法,这里重点分析新旧知识的互补关系。

    互补,顾名思义就是相互补充的,两者一起构成一个知识概念(或者技术、功能、组件等)的两个互为相反的部分。

    以整数为例,正数和负数这两个知识点是互补关系。在掌握了正数的运算方法并能熟练运行的情况下(旧知识是正数),再学习负数知识(新知识是负数),如果利用互补关系进行学习,这是本文要探讨的。

    互补的两个部分,具有相同的规则性,但形式却刚好相反。

    正数和负数的运算规律性都是相同的,以加法运算为例,正数和负数的加法表示量的叠加,两个同类量相加,越加则越多(绝对值越大)。但表现形式刚好相反,两正数越加越大,两负数则越加越小。

    那么当学习新知识时,找到与它互补关系的旧知识,了解老知识的规律性和形式。通过上述的分析,新知识也具有相同的规律性,但它表现出来的形式却是相反的。通过这两点去理解新知识的特性,可以事半功倍。

    扩展关系

    扩展关系,又称延伸关系。几何上的,延伸出去是线。点和线是为扩展关系。

    一个知识点描述一个理论点,而另一个知识点在它的基础上进行扩展,描述一个更普遍的理论点,那这两个知识点就是扩展关系。

    前段时间表哥打电话过来问如何求扇形的面积,我没有直接说出公式,而是通过“推导”的方式得出公式,其实这就是两个知识点具有扩展关系的典型例子

    从形状来看,圆形是扇形的特殊化例子,圆是360度的,而扇形的弧度是可变的。

    因此,圆只是弧度为360度的扇形特例,而扇形则是更泛化的图形,它可以是任意弧度的。那么它的面积是与弧度强相关的,当弧度为360时,它的面积是等半径的圆的面积。

    可以轻易得到扇形的面积计算公式:面积 = 等半径圆的面积 X 弧度 / 360

    扩展关系,是指在旧知识的基础之上,将原来知识结构中的一个或者多个元素(或因子)进行通用化后,形成新的知识和理论。

    以一元方程为例,在解决实际问题时,需要增加一个变量,即将原来的常量泛化成另一个未知变量,从而形成二元方程。那么二元方程如何求解呢?

    二元方程与一元方程其实是扩展关系,只要深入理解了一元方程的解法,二元方程也迎刃而解:只要将第一个变元数当成不变量,然后把方程看作只有第二个变元为未知数的方程求解,得到第二个变元与第一个变元的关系,然后再代入求解。

    扩展关系知识的要点是将知识,增加一个或者多个变元,形成一个线知识。

    物理学上“点”和“线”的一个例子:

    1) 一个物理静止时,它是静止状态,速度为0
    2)当给它一个外力时,它做匀速运行; 比场景1)增加了变元速度
    3)当再将它的运行面板调度成倾斜面时,它的速度是会变化的,出现了加速度, 比场景2)出现了加速度,增加变元加速度
    4)如果再结它一个部外变化的力,它的运行轨迹又发生了变化;比场景3)增加了可变的外力,增加变元是外力

    每个场景都比之前的场景更加泛化,多出现一个变元。

    符合扩展关系的知识点,新知识的逻辑结构就是在旧知识的逻辑结构基础上增加一个或多个变元。

    对于具有扩展关系的新知识,需要分析新知识在旧知识的基础上,将哪些因素进行通用化。然后在旧知识的基础上引入一个新变元,从而探索出新知识的行为和特点。

    映射关系

    每天早起床梳洗时照镜子,不知大家是否注意镜子中的那个不是真正的你,是你的对称成像。

    如果你用过放大镜或者显微镜,会发现镜子里面的东西比真实世界中的放大千百倍。

    如果照过哈哈镜,你发现对面的是完全陌生的人,根本不像我们本人。

    没错,上述镜子中的都不是我们自己,它只不过是镜子充当一个外科整容医生,将活生生的我们,整成另一个人。

    映射就相当于上在的镜子,将一个知识,通过伸缩、变形、同构等魔法手段,变成另一个知识。如果新知识与某个旧新知存在具有同构性或者相同规律性,我们称之具有映射关系。

    上述中的镜子,不管如何变化,它的规律性不会丢失。如同一个人在哈哈镜面前,尽管高矮肥瘦发生的变化,但它是相形是没有变化,这就是内在规律的不变性。

    对于两个知识点,要识别出它们具有映射关系是非常困难的。另外,具有映射关系的两个知识,可能属于两个不同的领域。只要它们的原理是相通的,然后就可以从一个旧知识,根据规律性,掌握新知识。

    最近李笑来的公众号「学习学习再学习」中有篇文章「尹航:我的“语言学习”笔记」,提到一个绝佳的例子来说明如何通过映射关系将两个看似毫无关联的新旧知识点联系到一起。 尹航将电子领域中傅里叶变换中以频域来观察,发现由不同频率的正弦波叠加出现生活中各种形成的电磁波。由于了懂这一规律,将它应用到外语学习来,将长长的一句复杂英语,按语法域来划分,多个语法层叠加形成活生生的长句、复杂句。

    所以,关键是将你掌握的旧知识,提炼它的规律,转移到新的领域,理解新知识。

    如何打通新旧知识的通道

    利用旧知识理解新知识,是提升学习效率和构建知识结构的绝佳方法。但实际中却没有这么容易把握。

    所以,利用已旧知识理解新知识更多是一种学习框架和指导理念。它需要学习者对旧知识拥有全栈的知识结构和系统化的知识树,同时这两者的建立又依赖于“利用旧新知理解新知识”

    所以,多分析,多类比,多对比是进入该通道必须不可少的手段。

    展开全文
  • 知识蒸馏:深入理解温度的作用

    千次阅读 2019-11-12 16:34:47
    之前看过一遍知识蒸馏,当时应该是理解了的,但是过了俩月又忘了……因此特开一帖,用最简单的语言解释! 1.知识蒸馏的定义 首先,知识蒸馏是什么?这里对雷锋网的这篇做一个概括: 知识是什么?是由人工网络的...
  • 知识就是力量”的理解

    千次阅读 2018-07-25 14:47:25
    知识就是力量”这句话是400多年前培根老先生说的,在此我从“怎么样的知识才是力量”的角度阐述下我的理解。 何为知识知识是符合文明方向的,人类对物质世界以及精神世界探索的结果总和。知识也是区别科学和非...
  • 知识图谱中的本体、知识理解

    千次阅读 2019-11-06 11:01:07
    从抽象层面看,本体最抽象,其次是知识库,最后才是知识图谱。 举个例子,如果我们要做图书领域的知识库或者知识图谱,首先要对图书进行分类,这个分类就是本体,比如说,图书分为计算机类和电子类,计算机类有分为...
  • 知识蒸馏(Knowledge Distillation)详细深入透彻理解重点

    千次阅读 多人点赞 2020-06-09 11:23:23
    文字长度: ★★★☆☆阅读难度: ★★☆☆☆原创程度: ★★★★★ 知识蒸馏是一种模型压缩方法,是一种基于“教师-学生网络思想”的训练方法,由于其简单,有效,在工业界被广泛应用。这一技术的理论来自于2015年...
  • 我之前里的文章,写的大部分都是与计算机基础知识相关的,...当然,在面试中也经常会被问到,特别是对于应届生,对于春秋招,也可以看看我前阵子写过的文章历经两个月,我的秋招之路结束了!。也有读者经常问的计算...
  • Java基础知识总结(2021版)

    万次阅读 多人点赞 2021-01-09 16:20:53
    但感觉知识还是相当的匮乏,没自信,也许是努力程度还不够吧。很感谢CSDN,因为是它给了我学习的动力,之前写了一篇记录CSDN博客访问量的文章,也许大家感觉很幼稚,但真的很有用,很有效果,仿佛磕了药一样,努力...
  • 传输层的功能,传输层协议,TCP三次握手,四次挥手
  • 肖仰华 | 基于知识图谱的用户理解

    千次阅读 2017-09-29 00:00:00
    本文转载自公众号知识工场。 本文整理自肖仰华教授在三星电子中国研究院做的报告,题目为《Understanding users with knowldge graphs》。 今天,很高兴有这个机会来这里与大家交流。 前面两...
  • 知识图谱的理解

    千次阅读 2017-03-22 17:03:47
    语文老师时常念的一些话就是:“知识改变未来,知识改变人生”,数学老师就会说:“学好数理化,走遍天下都不怕”,表达的都是知识的重要性,而时至今日,我身边已然没有人再说这些,因为对于知识重要性的认知已经...
  • 《深入理解Java虚拟机》知识点总结

    千次阅读 2018-08-12 14:15:44
    一、走进Java Java技术体系包括虚拟机、Java API、Java编程语言、第三方Java框架。 在虚拟机层面隐藏了底层技术的复杂性以及机器与操作系统的差异性。 Java程序设计语言、Java虚拟机、Java API类库统称为JDK。...
  • 什么是知识图谱?

    千次阅读 2022-07-06 18:06:45
    笔者总结网上关于知识图谱的相关资料并总结了一些基本概念,对于想了解这一概念的读者提供了一个新手入门的视角。
  • 从三个角度理解知识图谱

    千次阅读 2018-08-18 12:19:58
    2012年谷歌首次提出“知识图谱”这个词,由此知识图谱在工业界也出现得越来越多,对于知识图谱以及相关概念的理解确实也是比较绕。自己在研究大数据独角兽Palantir之后开始接触知识图谱,也算对其有了一定了解,这里...
  • 人工智能必备数学知识

    万人学习 2020-09-28 18:39:20
    1、更加高效学习、更好的理解AI知识 2、在找工作中在众多的套工程的“调参侠”中脱颖而出,获得面试官的重视 3、在实际工作和开发中,遇到问题能理解问题的本质,真正做到精准而高效的解决问题,获得领导的倚重 ...
  • 肖仰华谈知识图谱:知识将比数据更重要,得知识者得天下   https://mp.weixin.qq.com/s?__biz=MzI0ODcxODk5OA==&mid=2247498869&idx=1&sn=4e69bb2f27dd1289effe864551ca0bbe&...
  • linux> gcc -Og -c mstore.c
  • 知识图谱与自然语言处理

    千次阅读 2019-10-02 16:00:10
    目前,人工智能在学习数据的内在表示,或者根据算法训练得到的模型来进行结果的预测和判别方面表现出了强大的能力,尤其是在感知层面上,比如目前的计算机视觉领域,对于很多人肉眼无法判别的事物,而模型却能作出高...
  • 深入理解Android:卷2,中文完整扫描版

    千次下载 热门讨论 2013-09-27 12:21:51
    《深入理解Android:卷2》是“深入理解Android”系列的第2本,第1本书上市后获得广大...第8章以ContentService和AccountManagerService为分析对象,介绍了数据更新通知机制的实现,以及账户管理和数据同步等相关知识
  • 目录一、知识的概念二、知识的判断三、知识的属性四、知识的挑战与平衡 前三章让我从三个世界开始学习,并且逐渐从最初认识到物理世界,生物世界与数字世界的概念与关系,他们之间互相结合的作用与效果。到对于数据...
  • 自然语言处理之知识图谱

    万次阅读 多人点赞 2018-07-12 10:38:29
    1. 引言 最早接触知识图谱是在一篇分析人工智能的文章,文章提出一个很有意思的观点:“在感知层面,人工智能进步很大,在更高级的认知层面,我们现在了解的仍然很少。” 我对这句话的粗浅理解是,人工智能在学习...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 1,255,038
精华内容 502,015
热门标签
关键字:

对于知识的理解