早期专家系统时代的知识表示方法和语义网时代的知识表示模型都属于基于符号逻辑的知识表示方法。符号知识表示的特点是易于刻画显性知识和离散知识，因此具有内生的可解释性。但是，由于人类知识还包含大量不易象征化的隐性知识，因此完全基于符号逻辑的知识表示通常由于知识不完整而失去鲁棒性，尤其是推理难以实现实用性。这导致使用连续向量来表达知识。
基于向量的知识表示的研究起源已经存在。随着表示学习的发展以及诸如自然语言处理领域中的单词向量之类的嵌入技术的出现，人们受到启发以类似于单词向量的低维密集向量的形式来表达知识。通过将知识图谱中的实体和关系嵌入到低维连续向量空间中，可以为每个实体和关系学习低维向量表示。
这种基于向量的连续知识表示可以通过数值运算来实现新事实和新关系的发现，并且可以更有效地发现更多隐式知识和潜在假设。这些隐性知识通常是主观的，不容易观察和总结。从。更重要的是，知识图谱嵌入也通常用作先验知识的一种，以协助输入许多深度神经网络模型来约束和监督神经网络的训练过程。下图显示了基于离散符号的知识表示与基于连续向量的知识表示的比较。
综上所述，与传统的人工智能相比，知识图谱时代的知识表示方法发生了很大的变化。一方面，现代知识图谱受到规模扩展的影响，通常使用基于三元组的更简单实用的知识表示方法，削弱了对强大逻辑表示的要求。另一方面，由于知识图谱是大量的搜索，问答和大数据分析系统的重要数据基础，因此基于矢量的知识图谱表示使这些数据更易于与深度学习模型集成，从而使基于矢量的知识图谱成为可能。知识图谱表示越来越受到重视。
由于知识表示涉及大量的传统人工智能，并具有清晰而严格的内涵和扩展定义，为避免混淆，在本书中，我们主要着重介绍知识图谱的表示方法，因此我们使用区分了“知识表示”和“知识图谱的表示方法”。
323AI导航网发布
相关文章
