【UCLA孙怡舟】知识图谱表示学习技术进展概述: 从浅层嵌入到图神经网络，85页ppt
专知
发表于
孙怡舟，加州大学洛杉矶分校（UCLA）副教授，现任加州大学洛杉矶分校计算机科学系副教授，之前曾担任美国东北大学助理教授，2012年博士毕业于美国伊利诺伊大学香槟分校，师从数据挖掘领域领军人物韩家炜教授。她是挖掘异构信息网络的先驱研究员，最近专注于图形/网络的深度学习。
知识图谱表示学习: 从浅层嵌入到图神经网络
知识图谱由于其广泛的应用，如搜索引擎和问答系统，近年来受到了极大的关注。知识图谱嵌入是将实体表示为低维向量，并将关系表示为低维向量上的算子，在知识推理等任务中得到了广泛的研究和成功的应用。在本教程中，我们将介绍最新的知识图谱表示学习技术，它包含三个部分。首先，我们将回顾通常基于浅层嵌入的知识图谱表示技术，如TransE、DisMult和RotatE。其次，我们将讨论如何集成额外的符号信息，如逻辑规则和本体论，以更好地学习知识图谱的表示的最新进展。在第三部分中，我们将介绍图神经网络(GNNs)和最近在异构信息网络中研究的进展，图神经网络可以被认为是知识图谱的一般形式。
地址：
http://sigkg.cn/ccks2020/?page_id=67
专知便捷查看
便捷下载，请关注专知公众号（点击上方蓝色专知关注）
后台回复“KGRL” 可以获取《【UCLA孙怡舟】知识图谱表示学习: 从浅层嵌入到图神经网络，85页ppt》pdf专知下载链接索引