文献类型：期刊文章

作　　者：刘知远[1,2,3] 孙茂松[1,2,3] 林衍凯[1,2,3] 谢若冰[1,2,3]

机构地区：[1]清华大学计算机科学与技术系,北京100084 [2]智能技术与系统国家重点实验室(清华大学),北京100084 [3]清华信息科学与技术国家实验室(筹),北京100084

出　　处：《计算机研究与发展》

基　　金：国家"九七三"重点基础研究发展计划基金项目(2014CB340501);国家自然科学基金项目(61572273;61532010);清华大学自主科研计划基金项目(2015THZ)~~

年　　份：2016

卷　　号：53

期　　号：2

起止页码：247-261

语　　种：中文

收录情况：AJ、BDHX、BDHX2014、CSA-PROQEUST、CSCD、CSCD2015_2016、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：人们构建的知识库通常被表示为网络形式,节点代表实体,连边代表实体间的关系.在网络表示形式下,人们需要设计专门的图算法存储和利用知识库,存在费时费力的缺点,并受到数据稀疏问题的困扰.最近,以深度学习为代表的表示学习技术受到广泛关注.表示学习旨在将研究对象的语义信息表示为稠密低维实值向量,知识表示学习则面向知识库中的实体和关系进行表示学习.该技术可以在低维空间中高效计算实体和关系的语义联系,有效解决数据稀疏问题,使知识获取、融合和推理的性能得到显著提升.介绍知识表示学习的最新进展,总结该技术面临的主要挑战和可能解决方案,并展望该技术的未来发展方向与前景.

关 键 词：知识表示 表示学习  知识图谱 深度学习  分布式表示  

分 类 号：TP391]