知识图谱与机器学习的两种融合方式

知识图谱代表的符号主义和机器学习代表的联结主义融合，主要走两条路：一是把知识图谱的 语义信息转化成连续向量输入机器学习模型，让离散的先验知识变成模型能直接消费的数值特征； 二是把知识图谱里的知识表达成优化目标的约束项，作为后验正则项去指导模型训练方向，而不是 直接喂给模型当输入。两条路解决的是不同的问题：前者是”给模型补充知识”，后者是”用知识 纠偏模型学出来的结果，防止它和常识冲突”。发散：这和人类学习的两种模式很像——一种是 直接记住事实（输入式），一种是用已有常识去校验新结论是否合理（约束式），机器学习模型 目前主要靠海量样本硬记，后一种”用先验知识做校验”的能力还很薄弱。