Machine-Learning-Knownledge-Graph

摘要

知识图谱的早期理念源于万维网之父 Tim Berners Lee 关于语义网(The Semantic Web) 的设想,旨在采用图的结构(Graph Structure)来建模和记录世界万物之间的关联关系和知识, 以便有效实现更加精准的对象级搜索。经过近二十年的发展,知识图谱的相关技术已经在搜索引擎、智能问答、语言及视觉理解、大数据决策分析、智能设备物联等众多领域得到广泛应用,被公认为是实现认知智能的重要基石。近年来,随着自然语言处理、深度学习、图数据处理等众多领域的飞速发展,知识图谱在自动化知识获取、 基于知识的自然语言处理、基于表示学习的机器推理、基于图神经网络的图挖掘与分析等领域又取得了很多新进展。

教程

浙江大学研究生专业选修课

课程系统性介绍知识图谱的基本概念、核心技术内涵和应用实践方法,具体内容涉及知识表示与推理、图数据库、关系抽取与知识图谱构建、知识图谱表示学习与嵌入、语义搜索与知识问答、图神经网络与图挖掘分析等。课程内容的设计以“基础、前沿与实践”相结合为基本原则,既包括基本概念介绍和实践应用内容,也包括学术界的最新前沿进展的介绍。

前置课程与知识

建议预先修读数据库、机器学习、自然语言处理等课程,熟悉Tensorflow、Pytorch等常用深度学习框架。

扩展阅读

《The Machine Learning Master》

参考文献

推荐文章