之前沒有了解過知識圖譜，同樣也是第一次參加研讨會。
總體而言，研讨會能夠快速，高效地了解到學術界目前的研究方向。
知識圖譜，簡而言之，就是以三元組代表(headentity, relationship, tailentity)頭實體，尾實體以及它們之間的關系。
知識圖譜(mapping knowledge domain）也被稱為科學知識圖譜，在圖書情報界稱為知識域可視化或知識領域映射地圖，是顯示知識發展程序與結構關系的一系列各種不同的圖形，用可視化技術描述知識資源及其載體，挖掘、分析、建構、繪制和顯示知識及它們之間的互相聯系。
具體來說，知識圖譜是通過将應用數學、圖形學、資訊可視化技術、資訊科學等學科的理論與方法與計量學引文分析、共現分析等方法結合，并利用可視化的圖譜形象地展示學科的核心結構、發展曆史、前沿領域以及整體知識架構達到多學科融合目的的現代理論。它把複雜的知識領域通過資料挖掘、資訊處理、知識計量和圖形繪制而顯示出來，揭示知識領域的動态發展規律，為學科研究提供切實的、有價值的參考。
<a href="https://zh.wikipedia.org/wiki/google%e7%9f%a5%e8%af%86%e5%9b%be%e8%b0%b1">google知識圖譜wiki</a>
其他代表知識庫:
wordnet
freebase
主要研究思路: 将知識圖譜嵌入到低維向量空間
實體和關系都表示為低維向量
有效表示和度量實體、關系間的語義關聯
知識表示代表模型:
對每個事實(head, relation, tail)，将relation看做從head到tail的翻譯操作。
訓練的優化目标為: h + r = t
此外還有neural tensor network(ntn)以及energy model。
表示學習在處理一對多、多對一、多對多的關系時，不能較好的處理。當出現多個結果時，每個結果的權重相當。
在transe的基礎上考慮關系對實體的影響。
有以下兩個典型的算法:
transh
transr
關系路徑的表示學習: recursive neural network(rnn)
考慮了關系路徑的transe算法為ptranse:
relation之間的組合語義，通常包括 add, multiply, rnn
通常關系之間的每個組合，需要單獨訓練一個目标函數。
在大規模複雜的知識圖譜中，目标函數也會呈現指數級增長。
這個算法，由于落地難的問題，大家都沒有講=.=
歸納邏輯程式設計 ilp
類似資料挖掘中的關聯規則
關系路徑
分布式表示
bootstrapping
distant supervision
open ie(stanford openie)
王泉研究員，我隻能獻上我的膝蓋了，語速很快，思路無敵清晰。簡簡單單的一個slide就能把目前知識圖譜的研究方向洋洋灑灑的講出來。