-- 會員 / 註冊 --  
 帳號:
 密碼:
  | 註冊 | 忘記密碼
3/26 新書到! 3/19 新書到! 3/14 新書到! 12/12 新書到!
購書流程Q & A站務留言版客服信箱
3ds MaxMayaRhinoAfter EffectsSketchUpZBrushPainterUnity
PhotoShopAutoCadMasterCamSolidWorksCreoUGRevitNuke
C#CC++Java遊戲程式Linux嵌入式PLCFPGAMatlab
駭客資料庫搜索引擎影像處理FluentVR+ARANSYS深度學習
單晶片AVROpenGLArduinoRaspberry Pi電路設計CadenceProtel
HadoopPythonStm32CortexLabview手機程式AndroidiPhone
可查書名,作者,ISBN,3dwoo書號
詳細書籍分類

知識圖譜與深度學習

( 簡體 字)
作者:劉知遠 韓旭 孫茂松類別:1. -> 程式設計 -> 深度學習
譯者:
出版社:清華大學出版社知識圖譜與深度學習 3dWoo書號: 52780
詢問書籍請說出此書號!

缺書
NT售價: 495

出版日:6/1/2020
頁數:244
光碟數:0
站長推薦:
印刷:黑白印刷語系: ( 簡體 版 )
加入購物車 加到我的最愛
(請先登入會員)
ISBN:9787302538523
作者序 | 譯者序 | 前言 | 內容簡介 | 目錄 | 
(簡體書上所述之下載連結耗時費功, 恕不適用在台灣, 若讀者需要請自行嘗試, 恕不保證)
作者序:

譯者序:

前言:

知識就是力量。
||[英]弗蘭西斯¢ 培根
知識能夠豐富人的思想,能夠讓人更聰明。我們通過思考,獲得知識就能解決我們
從前所不知道的很多問題。這時,知識就是一種力量。而人工智能想要讓計算機像人一
樣思考,同樣需要知識的力量。計算機實現人工智能需要哪些知識,這些知識又要如何
表示,如何獲取,如何計算,以及如何使用,都是人工智能的重要研究課題。
近年來,深度學習技術大放異彩,極大地提升了自然語言處理、計算機視覺等人工
智能任務的性能。我們應當辯證地看待深度學習技術的歷史地位。一方面,它充分利用
人工神經網絡的分布式表示能力和層次結構泛化能力,從大規模訓練數據中自動學習,
顯著提升了對無結構文本、圖像、語音數據背后語義信息的表示與學習性能,將數據驅
動方法推向新的高度;另一方面,我們也認識到,深度學習從大規模數據中自動學習任
務模式和語義信息,既受到大數據長尾分布的制約,也無法真正理解這些模式與語義,
缺少可解釋性;近年來的研究也表明,深度學習技術無法有效應對有針對性的攻擊樣例,
魯棒性差。
數據與知識,是實現人工智能的兩大基石。對大規模數據的學習與利用,離不開深
度學習技術。但要實現有理解能力的人工智能,還需要各類知識的支持。最終,我們需要
探索出一條能夠同時充分利用數據與知識的方案,才能實現有理解能力的人工智能,具
有較好的魯棒性和可解釋性。我們姑且將面向人工智能的知識計算研究稱為知識智能,
涵蓋知識表示、獲取、計算和推理應用等研究課題。其中,知識表示旨在探索如何對不
同類型知識進行組織和表示,支持計算機最大化地利用這些知識;知識獲取旨在探索如
何從互聯網大規模的結構化、半結構、無結構數據中自動獲取我們需要的知識;知識計
算和推理則旨在探索如何更好地利用大規模知識庫進行各類知識計算與推理應用,支持
人工智能實現從數據智能到知識智能的躍遷。
我所在的清華大學自然語言處理與社會人文計算實驗室(THUNLP),在學術帶頭
人孫茂松教授的帶領下,主要從事自然語言處理、知識圖譜、機器翻譯和社會計算研
ii j 知識圖譜與深度學習
究。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。在2013 年
申請項目時,深度學習初露鋒芒但尚未成席卷之勢,孫茂松教授帶領的項目團隊經過多
次研討認為,深度學習技術將對自然語言處理帶來顛覆性變化,并意識到知識對自然語
言理解的重要價值。經過2014|2018 年的5 年探索,項目組在國內率先開展并堅持探索
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。
為了更好地向國內讀者介紹在知識智能方面取得的最新進展,我們整理出版了這部
中文專著。“知識圖譜”本是谷歌的一款支持搜索引擎的世界知識產品,就像“大數據”
一樣,由于名字貼切上口,近年來在學術界和產業界被廣泛用來指代各類知識庫,本書
也擇善而從,用知識圖譜來泛指我們研究的語言知識和世界知識等各類知識庫。本書主
要涉獵語言知識和世界知識兩種類型知識,內容包括面向這兩類知識在表示學習、自動
獲取與計算應用方面的最新嘗試。
本書主要內容是我們在知識智能方面的最新研究成果,而非對知識圖譜和深度學習
技術的科普介紹,因此更適合具備自然語言處理和知識圖譜基礎知識的相關研究生和學
者,以及具有類似背景的對人工智能和知識圖譜感興趣的人士。為了方便讀者閱讀,本
書在緒論中介紹了關于自然語言處理、知識圖譜和深度學習等比較全面的背景。如果讀
者希望更全面了解知識圖譜基礎知識,建議閱讀中國科學院自動化研究所趙軍老師團隊
2018 年出版的《知識圖譜》,它是全面了解和學習該領域的理想教材。如果讀者希望更
全面了解深度學習基礎知識,建議閱讀Ian Goodfellow、Yoshua Bengio、Aaron Courville
等學者2016 年出版的Deep Learning,它是全面了解和學習該領域的理想教材,國內已有
翻譯版。
本書由孫茂松教授指導,由劉知遠具體組織撰寫,課題組的博士生韓旭、豈凡超和
本科生于志竟成、楊承昊等擔任了主要撰寫與校對工作。本書參考了實驗室涂存超、林
衍凱、謝若冰等幾位博士研究生和碩士研究生的學位論文。課題組的于鵬飛(3.4 節)、王
曉智(3.6 節)、朱昊(4.3 節)、劉正皓(4.4 節)、劉陽光(6.3 節)、辛極(4.2 節)、張磊
(6.4 節、7.3 節)、陳暐澤(7.2 節、7.3 節)、歐陽思聰(7.2 節、7.3 節)、秦禹嘉(6.3 節)、
高天宇(3.2 節)、黃勵新(3.3 節)、黃俊杰(5.3 節、6.5 節)、曹書林(3.5 節)、常亮(6.4
前言j iii
節、6.5 節)、彭皓(3.7 節)、臧原(5.3 節、6.3 節、6.5 節)等同學參與了本書的素材準備
工作(按姓氏筆畫排列,括號內為有貢獻的章節號)。
劉知遠
2020 年3 月于清華大學FIT 樓
內容簡介:

知識圖譜旨在將人類知識組織成結構化知識系統,是人工智能實現真正意義的理解、記憶與推理的重要基礎。知識圖譜作為典型的符號表示系統,如何有效用于機器學習算法,面臨著知識表示、知識獲取和計算推理等方面的諸多挑戰。近年來,以神經網絡為代表的深度學習技術引發了人工智能的新一輪浪潮。
本書介紹了作者團隊在知識圖譜與深度學習方面的研究成果,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的技術趨勢。本書內容對于人工智能基礎研究具有一定的參考意義,既適合專業人士了解知識圖譜、深度學習和人工智能的前沿熱點,也適合對人工智能感興趣的本科生和研究生作為學習讀物。
目錄:

第1章緒論.1
1.1知識圖譜簡介2
1.2深度學習的優勢和挑戰4
1.3深度學習+知識圖譜=1.8
1.3.1知識的表示學習9
1.3.2知識的自動獲取10
1.3.3知識的計算應用13
1.4本書結構14
1.5本章總結14
第一篇世界知識圖譜
第2章世界知識的表示學習19
2.1章節引言19
2.2相關工作20
2.2.1知識表示學習經典模型20
2.2.2平移模型及其拓展模型22
2.3基于復雜關系建模的知識表示學習25
2.3.1算法模型.25
2.3.2實驗分析.26
2.3.3小結32
2.4基于關系路徑建模的知識表示學習32
2.4.1算法模型.32
2.4.2實驗分析.34
2.4.3小結39
vij知識圖譜與深度學習
2.5基于屬性關系建模的知識表示學習39
2.5.1算法模型.40
2.5.2實驗分析.41
2.5.3小結44
2.6融合實體描述信息的知識表示學習44
2.6.1算法模型.45
2.6.2實驗分析.47
2.6.3小結54
2.7融合層次類型信息的知識表示學習55
2.7.1算法模型.55
2.7.2實驗分析.57
2.7.3小結62
2.8融合實體圖像信息的知識表示學習62
2.8.1算法模型.63
2.8.2實驗分析.64
2.8.3小結68
2.9本章總結68
第3章世界知識的自動獲取70
3.1章節引言70
3.2相關工作71
3.2.1有監督的關系抽取模型71
3.2.2遠程監督的關系抽取模型.72
3.3基于選擇性注意力機制的關系抽取73
3.3.1算法模型.74
3.3.2實驗分析.78
3.3.3小結82
3.4基于關系層次注意力機制的關系抽取83
3.4.1算法模型.83
目錄jvii
3.4.2實驗分析.86
3.4.3小結89
3.5基于選擇性注意力機制的多語言關系抽取.89
3.5.1算法模型.90
3.5.2實驗分析.93
3.5.3小結98
3.6引入對抗訓練的多語言關系抽取98
3.6.1算法模型.99
3.6.2實驗分析.103
3.6.3小結106
3.7基于知識圖譜與文本互注意力機制的知識獲取.106
3.7.1算法模型.107
3.7.2實驗分析.112
3.7.3小結117
3.8本章總結118
第4章世界知識的計算應用119
4.1章節引言119
4.2細粒度實體分類120
4.2.1算法模型.120
4.2.2實驗分析.122
4.2.3小結129
4.3實體對齊129
4.3.1算法模型.129
4.3.2實驗分析.132
4.3.3小結135
4.4融入知識的信息檢索.136
4.4.1算法模型.136
4.4.2實驗分析.138
4.4.3小結143
viiij知識圖譜與深度學習
4.5本章總結143
第二篇語言知識圖譜
第5章語言知識的表示學習147
5.1章節引言147
5.2相關工作148
5.2.1詞表示學習148
5.2.2詞義消歧.149
5.3義原的表示學習149
5.3.1算法模型.149
5.3.2實驗分析.152
5.3.3小結155
5.4基于義原的詞表示學習156
5.4.1算法模型.156
5.4.2實驗分析.159
5.4.3小結164
5.5本章總結164
第6章語言知識的自動獲取166
6.1章節引言166
6.2相關工作167
6.2.1知識圖譜及其構建167
6.2.2子詞和字級NLP167
6.2.3詞表示學習及跨語言的詞表示學習167
6.3基于協同過濾和矩陣分解的義原預測168
6.3.1算法模型.168
6.3.2實驗分析.171
6.3.3小結175
6.4融入中文字信息的義原預測175
6.4.1算法模型.176
目錄jix
6.4.2實驗分析.179
6.4.3小結183
6.5跨語言詞匯的義原預測183
6.5.1算法模型.184
6.5.2實驗分析.188
6.5.3小結194
6.6本章總結194
第7章語言知識的計算應用195
7.1章節引言195
7.2義原驅動的詞典擴展.196
7.2.1相關工作.196
7.2.2任務設定.198
7.2.3算法模型.199
7.2.4實驗分析.202
7.2.5小結207
7.3義原驅動的神經語言模型.207
7.3.1相關工作.208
7.3.2任務設定.209
7.3.3算法模型.210
7.3.4實驗分析.213
7.3.5小結219
7.4本章總結219
第8章總結與展望220
8.1本書總結220
8.2未來展望221
8.2.1更全面的知識類型221
8.2.2更復雜的知識結構222
8.2.3更有效的知識獲取223
8.2.4更強大的知識指導223
xj知識圖譜與深度學習
8.2.5更精深的知識推理224
8.3結束語224
相關開源資源226
參考文獻228
后記.243
序: