CNCC2019-陈华钧-可解释的知识图谱推理及应用.pdf

所需积分/C币:21 2020-08-18 18:13:31 5.35MB PDF
441
收藏 收藏
举报

转自:https://dl.ccf.org.cn/lecture/lectureDetail?id=4663454624843776。 陈华钧,浙江大学阿里巴巴知识引擎联合实验室负责人。 摘要:知识图谱表示的向量化使得我们可以实现更易于泛化的可微分推理。然而, 基于表示学习实现的知识图谱推理和链接预测丢失了传统符号计算方法的可解释性,即:模型无去对基于向量计算或神经网络训练后得出的推理结论进行解释,导致只知结果但不知为什么。在很多真实的应用场景下,黑盒模型的可解释性缺乏导致很多应用不得不放弃采用表示学习方法 。本报告尝试探讨知识图谱与表示学习的可解释性之间的关系,具体针对基于表示学习实现的知识图谱推理的可解释性问题提出一些研究思路和解决方法,并结合真实的应用场景介绍相关的一些实践。

...展开详情
立即下载
限时抽奖 低至0.43元/次
身份认证后 购VIP低至7折
一个资源只可评论一次,评论内容不能少于5个字
您会向同学/朋友/同事推荐我们的CSDN下载吗?
谢谢参与!您的真实评价是我们改进的动力~
  • 签到新秀

  • 分享宗师

关注 私信
上传资源赚钱or赚积分
最新推荐
CNCC2019-陈华钧-可解释的知识图谱推理及应用.pdf 21积分/C币 立即下载
1/0