幫助中心 | 我的帳號 | 關於我們
進階搜尋
car

同類熱銷排行榜

最近瀏覽的商品

知識圖譜與深度學習(全彩印刷新時代技術新未來)

  • 作者：劉知遠//韓旭//孫茂松|責編:劉洋
  • 出版社：清華大學
  • ISBN：9787302538523
  • 出版日期：2020/06/01
  • 裝幀：平裝
  • 頁數：245
人民幣：RMB 99 元      售價：元
放入購物車
加入收藏夾
內容大鋼
    知識圖譜旨在將人類知識組織成結構化知識系統，是人工智慧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，如何有效用於機器學習演算法，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，以神經網路為代表的深度學習技術引發了人工智慧的新一輪浪潮。
    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。本書內容對於人工智慧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、深度學習和人工智慧的前沿熱點，也適合對人工智慧感興趣的本科生和研究生作為學習讀物。
作者介紹
劉知遠//韓旭//孫茂松|責編:劉洋
目錄
第1章  緒論.
  1.1  知識圖譜簡介
  1.2  深度學習的優勢和挑戰
  1.3  深度學習+知識圖譜=∞
    1.3.1  知識的表示學習
    1.3.2  知識的自動獲取
    1.3.3  知識的計算應用
  1.4  本書結構
  1.5  本章總結
第一篇  世界知識圖譜
第2章  世界知識的表示學習
  2.1  章節引言
  2.2  相關工作
    2.2.1  知識表示學習經典模型
    2.2.2  平移模型及其拓展模型
  2.3  基於複雜關係建模的知識表示學習
    2.3.1  演算法模型
    2.3.2  實驗分析
    2.3.3  小結
  2.4  基於關係路徑建模的知識表示學習
    2.4.1  演算法模型
    2.4.2  實驗分析
    2.4.3  小結
  2.5  基於屬性關係建模的知識表示學習
    2.5.1  演算法模型
    2.5.2  實驗分析
    2.5.3  小結
  2.6  融合實體描述信息的知識表示學習
    2.6.1  演算法模型
    2.6.2  實驗分析
    2.6.3  小結
  2.7  融合層次類型信息的知識表示學習
    2.7.1  演算法模型
    2.7.2  實驗分析
    2.7.3  小結
  2.8  融合實體圖像信息的知識表示學習
    2.8.1  演算法模型
    2.8.2  實驗分析
    2.8.3  小結
  2.9  本章總結
第3章  世界知識的自動獲取
  3.1  章節引言
  3.2  相關工作
    3.2.1  有監督的關係抽取模型
    3.2.2  遠程監督的關係抽取模型
  3.3  基於選擇性注意力機制的關係抽取
    3.3.1  演算法模型
    3.3.2  實驗分析
    3.3.3  小結
  3.4  基於關係層次注意力機制的關係抽取

    3.4.1  演算法模型
    3.4.2  實驗分析
    3.4.3  小結
  3.5  基於選擇性注意力機制的多語言關係抽取.
    3.5.1  演算法模型
    3.5.2  實驗分析
    3.5.3  小結
  3.6  引入對抗訓練的多語言關係抽取
    3.6.1  演算法模型
    3.6.2  實驗分析
    3.6.3  小結
  3.7  基於知識圖譜與文本互注意力機制的知識獲取.
    3.7.1  演算法模型
    3.7.2  實驗分析
    3.7.3  小結
  3.8  本章總結
第4章  世界知識的計算應用
  4.1  章節引言
  4.2  細粒度實體分類
    4.2.1  演算法模型
    4.2.2  實驗分析
    4.2.3  小結
  4.3  實體對齊
    4.3.1  演算法模型
    4.3.2  實驗分析
    4.3.3  小結
  4.4  融入知識的信息檢索
    4.4.1  演算法模型
    4.4.2  實驗分析
    4.4.3  小結
  4.5  本章總結
第二篇  語言知識圖譜
第5章  語言知識的表示學習
  5.1  章節引言
  5.2  相關工作
    5.2.1  詞表示學習
    5.2.2  詞義消歧
  5.3  義原的表示學習
    5.3.1  演算法模型
    5.3.2  實驗分析
    5.3.3  小結
  5.4  基於義原的詞表示學習
    5.4.1  演算法模型
    5.4.2  實驗分析
    5.4.3  小結
  5.5  本章總結
第6章  語言知識的自動獲取
  6.1  章節引言
  6.2  相關工作
    6.2.1  知識圖譜及其構建

    6.2.2  子詞和字級NLP
    6.2.3  詞表示學習及跨語言的詞表示學習
  6.3  基於協同過濾和矩陣分解的義原預測
    6.3.1  演算法模型
    6.3.2  實驗分析
    6.3.3  小結
  6.4  融入中文字信息的義原預測
    6.4.1  演算法模型
    6.4.2  實驗分析
    6.4.3  小結
  6.5  跨語言辭彙的義原預測
    6.5.1  演算法模型
    6.5.2  實驗分析
    6.5.3  小結
  6.6  本章總結
第7章  語言知識的計算應用
  7.1  章節引言
  7.2  義原驅動的詞典擴展
    7.2.1  相關工作
    7.2.2  任務設定
    7.2.3  演算法模型
    7.2.4  實驗分析
    7.2.5  小結
  7.3  義原驅動的神經語言模型
    7.3.1  相關工作
    7.3.2  任務設定
    7.3.3  演算法模型
    7.3.4  實驗分析
    7.3.5  小結
  7.4  本章總結
第8章  總結與展望
  8.1  本書總結
  8.2  未來展望
    8.2.1  更全面的知識類型
    8.2.2  更複雜的知識結構
    8.2.3  更有效的知識獲取
    8.2.4  更強大的知識指導
    8.2.5  更精深的知識推理
  8.3  結束語
相關開源資源
參考文獻
後記.

  • 商品搜索：
  • | 高級搜索
首頁│ 新手上路│ 客服中心│ 關於我們│ 聯絡我們│ Top↑│
Copyrightc 1999~2008 美商天龍國際圖書股份有限公司 臺灣分公司. All rights reserved.
營業地址:臺北市中正區重慶南路一段103號1F 105號1F-2F
讀者服務部電話：02-2381-2033 02-2381-1863　時間：週一-週五 10:00-17:00
　服務信箱：bookuu@69book.com 客戶、意見信箱:cs@69book.com
ICP證：浙B2-20060032