本文介绍了用户如何与知识图谱互动，关注自然语言理解的挑战，如句子理解、语义关系挖掘和实体分类。同时，探讨了适应性自我解释架构在处理错误和持续学习中的作用。在工业界，重点讨论了属性图的应用，如使用Neo4j生态系统，并提及数据存储、管理及查询。此外，提到了NLP模型（如BERT）、词嵌入和图神经网络在关系推理中的应用。
第六讲 How do users interact with knowledge graph?
Natural Language Understanding
句子理解的关键信号点：
- 语句的信号词
- 句法解析树
- 上下文的语义
NLP challenges
- 如何从少量的数据中快速学习
- 如何从文本中挖掘语义关系
- 如何将已知的实体进行更为可靠的分类
- 将上下文语义更好的融入单词
自适应的自我解释架构
在机器学习算法中，没有固定一成不变的数据集，因此需要设计不断适应的可解释性框架
- 受到人群之间沟通的启发，人们沟通的主题或解释性是可重叠的（本地处理）
- 在交流和交互沟通中，持续不断的进行解释（本地处理）
- 错误发生时，会自动存储错误，并且结合人的解释不断更新（重复交互）
最低0.47元/天 解锁文章
扫一扫
613
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
