Аннотация: Ваши бывшие, которые никогда не общались друг с другом, одноклассники младших классов, которые не помнят своей внешности, бывшие коллеги и даже человек, которого вы меньше всего хотите видеть – ваш начальник, как эти люди оказались в ваших соцсетях, в списке рекомендуемых пользователей программы? Ключевой технологией является: прогнозирование ссылок базы знаний, также известное как завершение графа знаний.
Толпа искала его тысячи раз, и когда он оглянулся, этот человек был в рекомендованном списке.
Одним из лучших аспектов социального программного обеспечения должно быть глубокое изучение пользовательских отношений. Очевидно, вы заблокировали телефоны некоторых людей, WeChat и все учетные записи социальных сетей, но TA по-прежнему отображается в разделе «Люди, которых вы можете знать» на странице без исключения. Среди этих людей — ваш бывший бывший, одноклассники из средней школы, бывшие коллеги и даже человек, которого вы меньше всего хотите видеть — ваш босс.
▲ Douyin - найти друзей
Так как же эти люди оказались в вашем списке?
Ключевыми технологиями являются:Предсказание ссылок для баз знаний,Также известен какЗавершение графа знаний.
Картинка, чтобы понять, что такое граф знаний?
Граф знаний — это мультиреляционный граф, в котором знания записываются в виде структурированных троек, включая сущности, понятия и отношения.
Сущности относятся к вещам в реальном мире, таким как имена людей, места, учреждения и т. д. **Понятие относится к набору сущностей с одинаковыми характеристиками, ** «Спортсмен», «Золотой глобус» и т. д. на следующем рисунке. Отношения используются для выражения какой-то связи между различными сущностями.
Графы знаний используют сущности и отношения для формирования графов, чтобы интуитивно моделировать сценарии реального мира. Суть процесса построения графа знаний заключается в процессе установления познания и понимания мира.
Как выполнить завершение графа знаний
Если взять Сяомин в качестве примера, Сяомин работает на Сину в Удаокоу, и система может сделать вывод, что Сяомин работает в Пекине. И порекомендовал ему Сяо Вана, который также работает в Beijing Sina. На рисунке ниже синие стрелки представляют существующие отношения, а красные стрелки представляют отношения после завершения графа знаний.
Взаимосвязь между графом знаний и обучением представлению знаний
Граф знаний состоит из сущностей и отношений, обычно представляемых в виде троек - голова (головная сущность), отношение (сущность отношения), хвост (хвостовая сущность), сокращенно (h, r, t). Задача обучения представлению знаний состоит в том, чтобы изучить распределенное представление h, r, t (также известное как встраивание представления графа знаний (встраивание)). Можно сказать, что с внедрением графа знаний становится возможным применение графа знаний в стиле ИИ.
Как понять встроенное представление Embedded?
Проще говоря,Встраивание — это описание объекта (слово, слово, предложение, артикль...) в нескольких измерениях, что эквивалентно описанию объекта с помощью моделирования данных.
Например, представление цвета RGB в Photoshop, которое мы часто используем, является нетипичным встраиванием. Здесь цвет разделен на три широты характеристик: R (интенсивность красного, диапазон значений 0–255), G (интенсивность зеленого, диапазон значений 0–255), B (интенсивность синего, диапазон значений 0–255). RGB(0,0,0) черный. RGB(41,36,33) — цвет слоновой кости. Таким образом, мы можем описать цвета численно.
1. Какие существуют методы обучения представлению знаний?
Ключом к обучению представлению знаний является разработка разумной функции оценки, которую мы хотим максимизировать, учитывая, что тройки фактов верны. По форме реализации его можно разделить на следующие две категории:
- структурный подход
Основная идея этого типа модели заключается в изучении представления сущностей и связей в графе знаний по структуре троек, а наиболее классическим алгоритмом является модель TransE. Основная идея этого метода заключается в том, что сумма представления вектора головы h и представления вектора отношения r максимально близка к представлению вектора хвоста t, то есть h+r≈t. «Близость» здесь может быть измерена с помощью нормы L1 или L2. Схематическая диаграмма выглядит следующим образом:
К этому типу модели обучения представлению знаний также относятся: TransH, TransR, TransD, TransA и т. д.
- Семантические подходы
Этот тип модели изучает представления сущностей и отношений в KG с точки зрения текстовой семантики. К таким методам представления в основном относятся LFM, DistMult, ComplEx, ANALOGY, ConvE и др.
Применение обучения представлению знаний
На основе обучения представлению объекты и отношения карты знаний могут быть векторизованы для облегчения расчета последующих последующих задач.Типичные приложения включают следующее:
1) Вычисление подобия: Используя распределенное представление сущностей, мы можем быстро вычислить семантическое сходство между сущностями, что имеет большое значение для многих задач обработки естественного языка и поиска информации.
Как рассчитать сходство? Например.
Предположим, что вложение слова «Ли Бай» имеет всего 5 измерений, а его значение равно [0,3, 0,5, 0,7, 0,03, 0,02], где каждое измерение представляет корреляцию с определенной вещью, и эти пять значений представляют [поэт, писатель, писатель, фрилансер, рыцарский] значение.
И «Ван Вэй» = [0,3,0,55, 0,7, 0,03, 0,02], «Ньютон» = [0,01,0,02, 0,06, 0,4, 0,01], мы можем использовать косинусное расстояние (в геометрии можно использовать косинус угла для измерения двух Разница в направлении вектора, в машинном обучении это понятие используется для измерения разницы между выборочными векторами.) Для вычисления расстояния этих слов очевидно, что Ли Бай и Ван Вэй ближе, а Ньютон дальше прочь. Отсюда можно судить, что «Ли Бай» и «Ван Вэй» более похожи.
2) Завершение графа знаний. Для построения крупномасштабного графа знаний необходимо постоянно дополнять отношения между сущностями. Используя модель обучения представлению знаний, можно прогнозировать взаимосвязь между двумя объектами, что обычно называется прогнозированием связи базы знаний, также известным как завершение графа знаний. Приведенный выше пример «Удаокоу Сяомин» можно хорошо объяснить.
3) Другие приложения. Обучение представлению знаний широко используется в извлечении отношений, автоматических ответах на вопросы, связывании сущностей и других задачах, демонстрируя большой прикладной потенциал.
Автоматический ответ на вопрос является основным применением глубокой интеграции с обучением представлению знаний. Для интеллектуальных продуктов, отвечающих на вопросы, дизайн фона обычно делится на три уровня: входной уровень, уровень представления и выходной уровень. Короче говоря, входной слой — это банк вопросов, в котором собраны все вопросы, которые могут задать пользователи. После извлечения знаний уровня представления результат, наконец, возвращается.
Типичные интеллектуальные продукты для вопросов и ответов включают Apple Siri, Microsoft Xiaobing, Baidu, Ali Xiaomi и т. д. Основная особенность этих продуктов вопросов и ответов заключается в том, что они могут сделать результаты поиска более точными, вместо того, чтобы возвращать кучу похожих страниц, которые вы должны просеять, чтобы получить «то, что вы спрашиваете, это то, что вы спрашиваете». Например, поиск «Сколько стоит Ван Сиконг» вернет определенное число.
3. Резюме
Короче говоря, социальные продукты основаны на технологии восполнения знаний на основе графа знаний, которая предсказывает недостающие тройки посредством представления сущностей и отношений и предсказывает свои хвостовые сущности, когда известна связь между головной сущностью и головной сущностью. То есть они рекомендуют друзей на основе профилей пользователей.Если вы не хотите, чтобы эти «старые знакомые» появлялись в вашем списке рекомендаций, лучший способ — отключить геолокацию в социальных продуктах и использовать как можно меньше. персональная информация.
использованная литература
1. Лю Чжиюань, Сунь Маосун, Линь Янькай, Се Руобин «Исследовательский прогресс в обучении представлению знаний»
Нажмите «Подписаться», чтобы впервые узнать о новых технологиях HUAWEI CLOUD~