當知識圖譜遇見深度學習

Janee123

大數(shù)據(jù)為機器學習，特別是深度學習帶來前所未有的數(shù)據(jù)紅利。得益于大規(guī)模標注數(shù)據(jù)，深度神經(jīng)網(wǎng)絡能夠習得有效的層次化特征表示，從而在圖像識別等領域取得優(yōu)異效果。但是隨著數(shù)據(jù)紅利消失殆盡，深度學習也日益體現(xiàn)出其局限性，尤其體現(xiàn)在依賴大規(guī)模標注數(shù)據(jù)和難以有效利用先驗知識等方面。這些局限性阻礙了深度學習的進一步發(fā)展。另一方面在深度學習的大量實踐中，人們越來越多地發(fā)現(xiàn)深度學習模型的結果往往與人的先驗知識或者專家知識相沖突。如何讓深度學習擺脫對于大規(guī)模樣本的依賴？如何讓深度學習模型有效利用大量存在的先驗知識？如何讓深度學習模型的結果與先驗知識一致已成為了當前深度學習領域的重要問題。
        當前，人類社會業(yè)已積累大量知識。特別是，近幾年在知識圖譜技術的推動下，對于機器友好的各類在線知識圖譜大量涌現(xiàn)。知識圖譜本質上是一種語義網(wǎng)絡，表達了各類實體、概念及其之間的語義關系。相對于傳統(tǒng)知識表示形式（諸如本體、傳統(tǒng)語義網(wǎng)絡），知識圖譜具有實體/概念覆蓋率高、語義關系多樣、結構友好(通常表示為RDF格式)以及質量較高等優(yōu)勢，從而使得知識圖譜日益成為大數(shù)據(jù)時代和人工智能時代最為主要的知識表示方式。能否利用蘊含于知識圖譜中的知識指導深度神經(jīng)網(wǎng)絡模型的學習從而提升模型的性能，成為了深度學習模型研究的重要問題之一。
        現(xiàn)階段將深度學習技術應用于知識圖譜的方法較為直接。大量的深度學習模型可以有效完成端到端的實體識別、關系抽取和關系補全等任務，進而可以用來構建或豐富知識圖譜。從當前的文獻來看，主要有兩種方式。一是將知識圖譜中的語義信息輸入到深度學習模型中；將離散化知識圖譜表達為連續(xù)化的向量，從而使得知識圖譜的先驗知識能夠成為深度學習的輸入。二是利用知識作為優(yōu)化目標的約束，指導深度學習模型的學習；通常是將知識圖譜中知識表達為優(yōu)化目標的后驗正則項。前者的研究工作已有不少文獻，并成為當前研究熱點。知識圖譜向量表示作為重要的特征在問答以及推薦等實際任務中得到有效應用。
        IEEE HotICN2018與深圳市醫(yī)學信息中心合作舉辦HotICN醫(yī)學知識圖譜大賽，為研究者們提供一個測試技術、算法、及系統(tǒng)的平臺。大會誠摯地邀請相關領域的學者隊伍參加