新智元报道
编辑：雅新
【新智元导读】将深度学习的方法融入知识图谱的应用中，是当下的研究热点之一。清华大学孙茂松、刘知远教授在其新书《知识图谱与深度学习》中介绍了在知识图谱与深度学习方面的研究成果，对人工智能研究具有一定参考意义。
近年来，以神经网络为代表的深度学习技术引发了人工智能的新一轮浪潮。
知识图谱作为典型的符号表示系统，如何有效用于机器学习算法，面临着知识表示、 知识获取和计算推理等方面的诸多挑战。
最新出版的《知识图谱与深度学习》，由清华大学人工智能研究院孙茂松教授团队介绍了在知识图谱与深度学习方面的研究成果，并展现了数据驱动的深度学习与符号表示的知识图谱之间相互补充和促进。
这一著作对于人工智能基础研究具有一定的参考意义。
学术领头人：孙茂松教授，曾成功研发「学堂在线」平台
孙茂松教授是清华大学计算机科学与技术系教授，主要研究自然语言理解、中文信息处理、Web智能、社会计算和计算教育学。
孙茂松教授曾在国际刊物、国际会议、国内核心刊物上共发表论文130余篇。
2012年，孙茂松教授带领清华大学团队研发成功了国内首个中文慕课平台「学堂在线」。经过快速发展，「学堂在线」目前在国内外已形成了广泛影响。
2014 年，孙茂松教授作为首席科学家牵头组织了题为「面向三元空间的互联网中文信息处理理论与方法」的国家重点基础研究发展计划（973计划）项目。
经过2014-2018年的5年探索，项目组在国内率先开展并坚持探索了面向自然语言处理的深度学习技术，系统研究了面向自然语言理解的知识获取与应用技术，取得了一系列原创成果。
其中，孙茂松教授带领团队主要负责项目的基础理论研究，提出了融合知识的统一语义表示框架，以及知识指导的自然语言处理框架等学术思想，相关发表论文、开源项目、演示系统获得了国内外的广泛关注。
刘知远教授主要撰写，曾发布NLP开源软件包在GitHub获1万多星
本书的主要编辑者刘知远教授，是清华大学计算机系副教授、博士生导师。主要研究的方向为表示学习、知识图谱和社会计算。
2011年获得清华大学博士学位，博士论文曾被评为清华大学优秀博士学位论文、中国人工智能学会优秀博士学位论文。
目前已在ACL、IJCAI、AAAI等人工智能领域的著名国际期刊和会议发表相关论文60余篇，谷歌学术引用超过 8000 次。
刘知远教授曾被评为清华大学优秀博士后，获得过中文信息学会青年创新奖。2018年入选《麻省理工科技评论》的「35岁以下科技创新35人」中国区榜单（MIT TR-35 China）。入选中国科学技术协会青年人才托举工程、中国计算机学会青年学者提升计划。
多次担任ACL、EMNLP、COLING、IJCNLP等著名国际会议的领域主席。
此外，他曾发布了许多流行的NLP开源软件包，如中文词法分析器THULAC，知识表示学习软件包OpenKE和网络表示学习软件包OpenNE，它们已经在GitHub有1万多star。
亮点：知识图谱与深度学习相互补充和促进
孙茂松教授团队提出，知识就是力量，人工智能想要让计算机像人一样思考，同样需要知识的力量。
计算机实现人工智能需要哪些知识，这些知识要如何表示、获取、计算以及使用，都是人工智能的重要研究课题。
知识图谱是一种语义网络，旨在从数据中识别、发现和推断事物、概念之间的复杂关系，是事物关系的可计算模型。
而知识图谱作为人类知识结构化形成的知识系统，是人工智能研究和智能信息服务的基础核心技术，被广泛应用于搜索引擎、问答系统、智能对话系统以及个性化推荐等知识驱动的领域。
为了更好地向读者阐述知识智能方面的最新研究成果，孙茂松教授团队整理出版了这部专著。
《知识图谱与深度学习》内容包括语言知识和世界知识两种类型知识，以及这两类知识在表示学习、自动获取与计算应用方面的最新探索。
作为数据智能与知识智能的前沿研究方向，知识图谱与深度学习的融合互动是人工智能的重要发展趋势，这本书对此做了全面梳理。
全书内容精要一览
第1章 绪论
1.1 知识图谱简介
1.2 深度学习的优势和挑战
1.3 深度学习 知识图谱=1
1.4 本书结构
1.5 本章总结
第一篇 世界知识图谱
第2章 世界知识的表示学习
2.1 章节引言
2.2 相关工作
2.3 基于复杂关系建模的知识表示学习
2.4 基于关系路径建模的知识表示学习
2.5 基于属性关系建模的知识表示学习
2.6 融合实体描述信息的知识表示学习
2.7 融合层次类型信息的知识表示学习
2.8 融合实体图像信息的知识表示学习
2.9 本章总结
第3章 世界知识的自动获取
3.1 章节引言
3.2 相关工作
3.3 基于选择性注意力机制的关系抽取
3.4 基于关系层次注意力机制的关系抽取
3.5 基于选择性注意力机制的多语言关系抽取
3.6 引入对抗训练的多语言关系抽取
3.7 基于知识图谱与文本互注意力机制的知识获取
3.8 本章总结
第4章 世界知识的计算应用
4.1 章节引言
4.2 细粒度实体分类
4.3 实体对齐
4.4 融入知识的信息检索
4.5 本章总结
第二篇语言知识图谱
第5章 语言知识的表示学习
5.1 章节引言
5.2 相关工作
5.3 义原的表示学习
5.4 基于义原的词表示学习
5.5 本章总结
第6章 语言知识的自动获取
6.1 章节引言
6.2 相关工作
6.3 基于协同过滤和矩阵分解的义原预测
6.4 融入中文字信息的义原预测
6.5 跨语言词汇的义原预测
第7章 语言知识的计算应用
7.1 章节引言
7.2 义原驱动的词典扩展
7.3 义原驱动的神经语言模型
7.4 本章总结
第8章 总结与展望
参考链接：
http://nlp.csai.tsinghua.edu.cn/~lzy/books/kgdl_2020.html
