全部商品分类

您现在的位置: 全部商品分类 > 文教体育 > 科 学 > 科学、科学研究

知识图谱与深度学习(全彩印刷新时代技术新未来)

  • 定价: ¥99
  • ISBN:9787302538523
  • 开 本:16开 平装
  •  
  • 折扣:
  • 出版社:清华大学
  • 页数:245页
  • 作者:刘知远//韩旭//孙...
  • 立即节省:
  • 2020-06-01 第1版
  • 2020-06-01 第1次印刷
我要买:
点击放图片

导语

  

    知识就是力量,人工智能想要让计算机像人一样思考,同样需要知识的力量。计算机实现人工智能需要哪些知识,这些知识要如何表示、获取、计算以及使用,都是人工智能的重要研究课题。知识图谱作为人类知识结构化形成的知识系统,是人工智能研究和智能信息服务的基础核心技术,被广泛应用于搜索引擎、问答系统、智能对话系统以及个性化推荐等知识驱动的领域。
    为了更好地向读者阐述知识智能方面的最新研究成果,作者整理出版了这部专著。本书内容包括语言知识和世界知识两种类型知识,以及这两类知识在表示学习、自动获取与计算应用方面的最新探索。作为数据智能与知识智能的前沿研究方向,知识图谱与深度学习的融合互动是人工智能的重要发展趋势,本书对此做了全面梳理。作者希望能够得到业内专家指正,也希望能够吸引更多志同道合之士,共同探讨未来专业发展方向。

内容提要

  

    知识图谱旨在将人类知识组织成结构化知识系统,是人工智能实现真正意义的理解、记忆与推理的重要基础。知识图谱作为典型的符号表示系统,如何有效用于机器学习算法,面临着知识表示、知识获取和计算推理等方面的诸多挑战。近年来,以神经网络为代表的深度学习技术引发了人工智能的新一轮浪潮。
    本书介绍了作者团队在知识图谱与深度学习方面的研究成果,展现了数据驱动的深度学习与符号表示的知识图谱之间相互补充和促进的技术趋势。本书内容对于人工智能基础研究具有一定的参考意义,既适合专业人士了解知识图谱、深度学习和人工智能的前沿热点,也适合对人工智能感兴趣的本科生和研究生作为学习读物。

目录

第1章  绪论.
  1.1  知识图谱简介
  1.2  深度学习的优势和挑战
  1.3  深度学习+知识图谱=∞
    1.3.1  知识的表示学习
    1.3.2  知识的自动获取
    1.3.3  知识的计算应用
  1.4  本书结构
  1.5  本章总结
第一篇  世界知识图谱
第2章  世界知识的表示学习
  2.1  章节引言
  2.2  相关工作
    2.2.1  知识表示学习经典模型
    2.2.2  平移模型及其拓展模型
  2.3  基于复杂关系建模的知识表示学习
    2.3.1  算法模型
    2.3.2  实验分析
    2.3.3  小结
  2.4  基于关系路径建模的知识表示学习
    2.4.1  算法模型
    2.4.2  实验分析
    2.4.3  小结
  2.5  基于属性关系建模的知识表示学习
    2.5.1  算法模型
    2.5.2  实验分析
    2.5.3  小结
  2.6  融合实体描述信息的知识表示学习
    2.6.1  算法模型
    2.6.2  实验分析
    2.6.3  小结
  2.7  融合层次类型信息的知识表示学习
    2.7.1  算法模型
    2.7.2  实验分析
    2.7.3  小结
  2.8  融合实体图像信息的知识表示学习
    2.8.1  算法模型
    2.8.2  实验分析
    2.8.3  小结
  2.9  本章总结
第3章  世界知识的自动获取
  3.1  章节引言
  3.2  相关工作
    3.2.1  有监督的关系抽取模型
    3.2.2  远程监督的关系抽取模型
  3.3  基于选择性注意力机制的关系抽取
    3.3.1  算法模型
    3.3.2  实验分析
    3.3.3  小结
  3.4  基于关系层次注意力机制的关系抽取
    3.4.1  算法模型
    3.4.2  实验分析
    3.4.3  小结
  3.5  基于选择性注意力机制的多语言关系抽取.
    3.5.1  算法模型
    3.5.2  实验分析
    3.5.3  小结
  3.6  引入对抗训练的多语言关系抽取
    3.6.1  算法模型
    3.6.2  实验分析
    3.6.3  小结
  3.7  基于知识图谱与文本互注意力机制的知识获取.
    3.7.1  算法模型
    3.7.2  实验分析
    3.7.3  小结
  3.8  本章总结
第4章  世界知识的计算应用
  4.1  章节引言
  4.2  细粒度实体分类
    4.2.1  算法模型
    4.2.2  实验分析
    4.2.3  小结
  4.3  实体对齐
    4.3.1  算法模型
    4.3.2  实验分析
    4.3.3  小结
  4.4  融入知识的信息检索
    4.4.1  算法模型
    4.4.2  实验分析
    4.4.3  小结
  4.5  本章总结
第二篇  语言知识图谱
第5章  语言知识的表示学习
  5.1  章节引言
  5.2  相关工作
    5.2.1  词表示学习
    5.2.2  词义消歧
  5.3  义原的表示学习
    5.3.1  算法模型
    5.3.2  实验分析
    5.3.3  小结
  5.4  基于义原的词表示学习
    5.4.1  算法模型
    5.4.2  实验分析
    5.4.3  小结
  5.5  本章总结
第6章  语言知识的自动获取
  6.1  章节引言
  6.2  相关工作
    6.2.1  知识图谱及其构建
    6.2.2  子词和字级NLP
    6.2.3  词表示学习及跨语言的词表示学习
  6.3  基于协同过滤和矩阵分解的义原预测
    6.3.1  算法模型
    6.3.2  实验分析
    6.3.3  小结
  6.4  融入中文字信息的义原预测
    6.4.1  算法模型
    6.4.2  实验分析
    6.4.3  小结
  6.5  跨语言词汇的义原预测
    6.5.1  算法模型
    6.5.2  实验分析
    6.5.3  小结
  6.6  本章总结
第7章  语言知识的计算应用
  7.1  章节引言
  7.2  义原驱动的词典扩展
    7.2.1  相关工作
    7.2.2  任务设定
    7.2.3  算法模型
    7.2.4  实验分析
    7.2.5  小结
  7.3  义原驱动的神经语言模型
    7.3.1  相关工作
    7.3.2  任务设定
    7.3.3  算法模型
    7.3.4  实验分析
    7.3.5  小结
  7.4  本章总结
第8章  总结与展望
  8.1  本书总结
  8.2  未来展望
    8.2.1  更全面的知识类型
    8.2.2  更复杂的知识结构
    8.2.3  更有效的知识获取
    8.2.4  更强大的知识指导
    8.2.5  更精深的知识推理
  8.3  结束语
相关开源资源
参考文献
后记.