知识表示学习
这边文章是一门课的期末大作业，是一篇综述。内容请看
知识表示学习
顺便安利一波实验室公众号，对语义网，机器学习等感兴趣的可以关注一波，看上面的链接
上文写于 2017 年末 才疏学浅 多有疏漏 希望 各位大佬 多多指教
下面 给出 表示学习方面 的一些 资源 ：
- 清华大学刘知远教授 在这方面 做了很多 工作 清华NLP github
里面包含 很多 开源工具 也包含了 很多 这方面的推荐阅读论文 对这方面 有兴趣 的同学 可以跟进 他们实验室 如果有其他比较好的渠道 大佬们 也可以 评论留言
关于 network embedding 和 KGRL 的区别 与联系
刚开始 上文的综述 未能很好地区分这两者的区别 在这里做一个 补充
network embedding 和 KGRL 的联系
network embedding 或者 network representation learning(RL) 和 KGRL 的目的都是 将 图结构/网络结构的数据 表示为 分布式表示的向量 (低纬度，实值, 连续) 使其 适应 当先火热的机器学习/Deep learning 算法
network embedding 和 KGRL 的区别
- network embedding 强调 其网络结构 和图结构， 不考虑 relation
- KGRL 考虑 保全 三元组 中的 信息， 主要考虑 relation
这里推荐 几篇 知乎上的文章 KGRL & NE
