思考，快与慢：结合向量空间与知识图谱
人工智能
2017-08-22 v2
摘要
知识图谱和向量空间模型是鲁棒的知识表示技术，各有其优缺点。向量空间模型擅长确定概念之间的相似性，但在评估复杂依赖关系和其他基于逻辑的操作时受到严重限制，而这正是知识图谱的优势所在。我们描述了 VKG 结构，该结构有助于统一知识图谱和实体的向量表示，并支持结合两者互补优势的强大推理方法和搜索能力。我们将其类比为在向量空间中进行“快”思考，同时在知识图谱上进行推理以进行“慢”且“深”的思考。我们创建了一个查询处理引擎，它接收复杂查询并将其分解为子查询，优化为在 VKG 的相应知识图谱或向量视图上运行。我们表明，VKG 结构可以处理仅靠向量空间或知识图谱无法有效处理的特定查询。我们还通过开发一个名为 Cyber-All-Intel 的系统来演示和评估 VKG 结构及查询处理引擎，该系统用于在基于网络安全信息学领域的端到端流程中进行知识提取、表示和查询。
引用
@article{arxiv.1708.03310,
title = {Thinking, Fast and Slow: Combining Vector Spaces and Knowledge Graphs},
author = {Sudip Mittal and Anupam Joshi and Tim Finin},
journal= {arXiv preprint arXiv:1708.03310},
year = {2017}
}