清華大學孫茂松、劉知遠教授新書問世，解鎖「知識圖譜與深度學習」

新智元報道

編輯：雅新

【新智元導讀】將深度學習的方法融入知識圖譜的應用中，是當下的研究熱點之一。清華大學孫茂松、劉知遠教授在其新書《知識圖譜與深度學習》中介紹了在知識圖譜與深度學習方面的研究成果，對人工智慧研究具有一定參考意義。

近年來，以神經網路為代表的深度學習技術引發了人工智慧的新一輪浪潮。

知識圖譜作為典型的符號表示系統，如何有效用於機器學習演算法，面臨著知識表示、 知識獲取和計算推理等方面的諸多挑戰。

最新出版的《知識圖譜與深度學習》，由清華大學人工智慧研究院孫茂松教授團隊介紹了在知識圖譜與深度學習方面的研究成果，並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。

這一著作對於人工智慧基礎研究具有一定的參考意義。

學術領頭人：孫茂松教授，曾成功研發「學堂在線」平台

孫茂松教授是清華大學計算機科學與技術系教授，主要研究自然語言理解、中文信息處理、Web智能、社會計算和計算教育學。

孫茂松教授曾在國際刊物、國際會議、國內核心刊物上共發表論文130餘篇。

2012年，孫茂松教授帶領清華大學團隊研發成功了國內首個中文慕課平台「學堂在線」。經過快速發展，「學堂在線」目前在國內外已形成了廣泛影響。

2014 年，孫茂松教授作為首席科學家牽頭組織了題為「面向三元空間的互聯網中文信息處理理論與方法」的國家重點基礎研究發展計劃（973計劃）項目。

經過2014-2018年的5年探索，項目組在國內率先開展並堅持探索了面向自然語言處理的深度學習技術，系統研究了面向自然語言理解的知識獲取與應用技術，取得了一系列原創成果。

其中，孫茂松教授帶領團隊主要負責項目的基礎理論研究，提出了融合知識的統一語義表示框架，以及知識指導的自然語言處理框架等學術思想，相關發表論文、開源項目、演示系統獲得了國內外的廣泛關注。

劉知遠教授主要撰寫，曾發布NLP開源軟體包在GitHub獲1萬多星

本書的主要編輯者劉知遠教授，是清華大學計算機系副教授、博士生導師。主要研究的方向為表示學習、知識圖譜和社會計算。

2011年獲得清華大學博士學位，博士論文曾被評為清華大學優秀博士學位論文、中國人工智慧學會優秀博士學位論文。

目前已在ACL、IJCAI、AAAI等人工智慧領域的著名國際期刊和會議發表相關論文60餘篇，谷歌學術引用超過 8000 次。

劉知遠教授曾被評為清華大學優秀博士後，獲得過中文信息學會青年創新獎。2018年入選《麻省理工科技評論》的「35歲以下科技創新35人」中國區榜單（MIT TR-35 China）。入選中國科學技術協會青年人才托舉工程、中國計算機學會青年學者提升計劃。

多次擔任ACL、EMNLP、COLING、IJCNLP等著名國際會議的領域主席。

此外，他曾發布了許多流行的NLP開源軟體包，如中文詞法分析器THULAC，知識表示學習軟體包OpenKE和網路表示學習軟體包OpenNE，它們已經在GitHub有1萬多star。

亮點：知識圖譜與深度學習相互補充和促進

孫茂松教授團隊提出，知識就是力量，人工智慧想要讓計算機像人一樣思考，同樣需要知識的力量。

計算機實現人工智慧需要哪些知識，這些知識要如何表示、獲取、計算以及使用，都是人工智慧的重要研究課題。

知識圖譜是一種語義網路，旨在從數據中識別、發現和推斷事物、概念之間的複雜關係，是事物關係的可計算模型。

而知識圖譜作為人類知識結構化形成的知識系統，是人工智慧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、問答系統、智能對話系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最新研究成果，孫茂松教授團隊整理出版了這部專著。

《知識圖譜與深度學習》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、自動獲取與計算應用方面的最新探索。

作為數據智能與知識智能的前沿研究方向，知識圖譜與深度學習的融合互動是人工智慧的重要發展趨勢，這本書對此做了全面梳理。

全書內容精要一覽

第1章 緒論

1.1 知識圖譜簡介

1.2 深度學習的優勢和挑戰

1.3 深度學習 知識圖譜=1

1.4 本書結構

1.5 本章總結

第一篇 世界知識圖譜

第2章 世界知識的表示學習

2.1 章節引言

2.2 相關工作

2.3 基於複雜關係建模的知識表示學習

2.4 基於關係路徑建模的知識表示學習

2.5 基於屬性關係建模的知識表示學習

2.6 融合實體描述信息的知識表示學習

2.7 融合層次類型信息的知識表示學習

2.8 融合實體圖像信息的知識表示學習

2.9 本章總結

第3章 世界知識的自動獲取

3.1 章節引言

3.2 相關工作

3.3 基於選擇性注意力機制的關係抽取

3.4 基於關係層次注意力機制的關係抽取

3.5 基於選擇性注意力機制的多語言關係抽取

3.6 引入對抗訓練的多語言關係抽取

3.7 基於知識圖譜與文本互注意力機制的知識獲取

3.8 本章總結

第4章 世界知識的計算應用

4.1 章節引言

4.2 細粒度實體分類

4.3 實體對齊

4.4 融入知識的信息檢索

4.5 本章總結

第二篇語言知識圖譜

第5章 語言知識的表示學習

5.1 章節引言

5.2 相關工作

5.3 義原的表示學習

5.4 基於義原的詞表示學習

5.5 本章總結

第6章 語言知識的自動獲取

6.1 章節引言

6.2 相關工作

6.3 基於協同過濾和矩陣分解的義原預測

6.4 融入中文字信息的義原預測

6.5 跨語言辭彙的義原預測

第7章 語言知識的計算應用

7.1 章節引言

7.2 義原驅動的詞典擴展

7.3 義原驅動的神經語言模型

7.4 本章總結

第8章 總結與展望

參考鏈接：

http://nlp.csai.tsinghua.edu.cn/~lzy/books/kgdl_2020.html

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！