词向量表示学习 02

基于知识表示学习的实体对齐方法是将多个知识图谱嵌入到低维语义空间,通过计算实体向量之间的相似度实现对齐.现有方法往往关注文本信息而忽视图像信息,导致图像中实体特征信息未得到有效利用.对此,提出一种基于联合知识表示学习的多模态实体对齐方法(ITMEA).该方法联合多模态(图像、文本)数据,采用TransE与TransD相结合的知识表示学习模型,使多模态数据能够嵌入到统一低维语义空间.在低维语义空间中迭代地学习已对齐多模态实体之间的关系,从而实现多模态数据的实体对齐.实验结果表明,ITMEA在WN18-IMG数据集中能够较好地实现多模态实体对齐.

刘知远 - 知识表示学习研究进展，包括知识表示，表示学习，知识图谱

中国中文信息学会发布《2018知识图谱发展报告》报告目录如下（文末附下载链接） 第一章 知识表示与建模 第二章 知识表示学习 第三章 实体识别与链接 第四章 实体关系学习 第五章 事件知识学习 第六章 知识存储与查询 第七章 知识推理 第八章 通用和领域知识图谱 第九章 语义集成 第十章 语义搜索 第十一章 基于知识的问答

主要包括：表示学习概述、词向量表示学习、知识表示学习和网络表示学习

原文pdf & Code

原文PDF与Code