分布式表示模型理论探究
本文介绍了在知识图谱的分类和聚合任务中使用符号方法和表示学习方法的比较分析,重点探讨这些方法隐含地使用的规则的复杂性,并提出了一些可能的指标,以帮助选择特定知识图谱的合适方法。
Jun, 2018
将符号知识与数据驱动的学习算法集成是人工智能中长期存在的挑战,该论文以时序逻辑为知识表达形式,设计了一种计算具有多个期望属性的连续嵌入式文法的方法,并展示了该方法在学习模型检查和神经符号框架中的应用。
May, 2024
本文提出一种新的基于概率框架、结合形式语义和机器学习的方法,通过将谓词与其所指实体分开,利用贝叶斯推断来对逻辑形式进行推理,在使用受限玻尔兹曼机和前馈神经网络的组合实现这一框架之后,最终证明了该方法的可行性。
Jun, 2016
此研究综述了分布式语义表示的理论背景,介绍了从单词级别向更精细的词义级别转化的方法,并提供了对两种主要分支进行的广泛技术概述;最终,对其重要方面进行了分析与评估。
May, 2018
该论文提出了使用 Skolemization 技术嵌入复杂查询的逻辑嵌入方法,支持否定查询、能够高效查询存在变量并优化建模、在大规模不完整知识图谱查询中快速准确,且在回答不确定性问题上提供了改进。
Feb, 2021
本文介绍了一个基于向量组合方法和 DCS 的形式语义模型。实验证明该模型在短语相似性和关系分类方面达到了近乎最新成果的能力,并在句子完成任务方面报告了一个新的最新成果。
Jun, 2016
研究论文提出了使用神经网络来获得离散表示的机器语言的想法,并指出相比连续特征表示,离散语言表示在解释性、泛化能力和鲁棒性方面具有多个优势。
Jan, 2022
我们提出了一种新的线性代数方法来计算逻辑中的 Tarskian 语义。通过将 M 的实体映射到 N 维独热向量和 k 元关系映射到 k 阶邻接张量,我们在具有 N 个实体的 N 维欧几里得空间 R ^ N 中嵌入了一个有限模型 M。在此框架基础上,我们还提出了一种在线性空间中计算 Datalog 程序定义的最小模型的前所未有的方法,并通过矩阵方程表明其与现有方法相比的有效性。
Mar, 2017