36 深度学习之外的人工智能 | 滴水藏海：知识图谱

老师能否推荐一些知识图谱延伸学习的材料？

感觉知识图谱可以作为先验加到机器学习模型中去，这样可以对模型的解空间进行约束从而使得最后的解符合常识。如果这种方案可行的话，不知老师有没有关于这种方案的参考资料推荐？

谢谢王教授分享。 Google的搜索结果页有说法就应用到了知识图谱。搜索中出现的图片，像“Instant Answer"这些更完整的信息大概可以看成是Google利用知识图谱更好地回答我们在搜索框输入的"问题"的一些相关常识吧。“The Knowledge Graph enables you to search for things, people or places that Google knows about—landmarks, celebrities, cities, sports teams, buildings, geographical features, movies, celestial objects, works of art and more - and instantly get information that's relevant to your query.” 但是除了自然语义理解外，其他领域的关系如何提取是应用中的一个难点。 怎么在非语义领域定义这些概念特征并能用来计算可能也不容易。请问王老师"Representation Learning"我的理解可以看作是特征工程的一种，这种在知识图谱（非深度学习）里有些什么实现方法？ 另外有些场景下知识图谱也会随着环境而更新，这点上不知道有什么办法可以解决。

最近在学习知识图谱，落地成本还是很高的

极客时间 21天打卡行动 34/21 <<人工智能基础课36>>知识图谱 回答老师问题: 在数理逻辑中我曾提到，人工智能进行推理的一个关键问题是常识的缺失。那么知识图谱的出现是否能够给计算机注入常识呢？ 1,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。 2,单独作为条件,或许不行,可辅助条件 [来源:https://blog.csdn.net/u010626937/article/details/88106081 https://www.zhihu.com/question/59281410 https://baike.baidu.com/item/%E7%9F%A5%E8%AF%86%E5%9B%BE%E8%B0%B1/8120012?fr=aladdin] 今日所学: 1,深度学习的黑箱特性：虽然深度学习算法能够将图片中的猫咪辨识出来，却无法详细地解释为什么会做出这样的判断，其判定方法是否具备普适性也无从知晓。 2,人工智能的一个重要研究方向就是开发具有更好的可解释性，更容易被人理解的人工智能模型。 3,知识图谱（knowledge graph）是由大量的概念实体以及它们之间的关系共同构成的语义网络; 4,知识图谱可以根据已有实体的概念、属性和关系为新的概念自动生成属性；也可以明确不同新实体之间的关系; 5,归纳推理能够从旧知识中获取新知识，是知识的增殖过程。 6,数理逻辑能够实现的推理建立在硬性约束的基础上，只能实现非黑即白的推理过程，相比之下，知识图谱则可以实现软性推理。 7,马尔可夫逻辑网（Markov logic network）是将无向概率图模型和一阶谓词逻辑相结合得到的统计关系学习模型; 8,分布式知识表示（knowledge graph embedding）是将包含实体和关系的知识图谱组件嵌入到连续的向量空间中，以便在保持知识图谱内在结构的同时简化操作; 重点: 1,知识图谱是由大量的概念实体以及它们之间的关系构成的语义网络； 2,用知识图谱实现从特殊到一般的归纳推理，典型的方法是路径排序算法； 3,用知识图谱实现从一般到特殊的演绎推理，典型的方法是马尔可夫逻辑网和概率软逻辑； 4,用知识图谱实现数值推理，典型的方法是基于分布式知识表示的方法。

学习打卡