《人工智能之表示学习》报告重磅发布：在低维空间中高效计算实体和关系的语义联系

导读：近日，由清华大学人工智能研究院、北京智源人工智能研究院和清华-中国工程知识智能联合研究中心编写的《人工智能之表示学习》报告正式发布。该报告主要从概念、理论模型、领域人才、技术趋势等4个部分，介绍知识表示学习的技术发展和研究最新进展，并展望该技术的未来发展方向与前景。

近年来，以深度学习为代表的表示学习技术热度高涨，在语音识别、图像分析和自然语言处理领域获得广泛关注。表示学习旨在将研究对象的语义信息表示为稠密低维实值向量，便于在低维空间中进行对象关系的语义关联计算，并有效解决数据稀疏问题，显著提升自然语言处理、计算机视觉和机器学习算法等任务的性能。

本报告根据《CCF推荐国际学术期刊和会议目录》和ACM计算机学分类系统相关子领域的A类期刊和会议作为数据来源，主要研究2010-2020年期间表示学习的技术发展和最新研究进展，并展望该技术的未来发展方向与前景。

报告综合运用了文献分析、大数据分析和挖掘技术、特征抽取、人才画像等研究方法。借助科技情报大数据挖掘与服务系统平台AMiner，通过“表示学习”领域的关键词智能匹配出所有相关论文。并基于这些论文，进行进一步挖掘分析。

在语音交互的AI时代，深度学习的出现与发展使自然语言处理（NLP）技术取得了重大的突破。深度学习的重点之一则是语言表示学习，该报告主要从表示学习的理论基础、主要方法、最新科研进展及代表性论文解读等方面进行相关核心技术介绍。

表示学习的理论基础

• 向量空间模型

• 词袋模型

• 主题模型

• 独热表示与分布式表示

网络表示学习的主要算法

• 基于网络结构的网络表示学习

• 结合外部信息的网络表示学习

知识表示学习的主要方法模型

• 距离模型/结构表示

• 单层神经网络模型

• 能量模型

• 双线性模型

• 张量神经网络模型

• 矩阵分解模型

• 平移模型

该报告还基于AMiner系统的“Topic必读论文”功能，通过本领域专家以及热心专业读者推荐，选取了表示学习领域其中代表性的十篇论文进行解读。此外，该报告还分析了领域相关的专利情况、国家自然科学基金NSFC项目。

表示学习领域全球学者分布地图如下：

表示学习领域全国学者分布地图如下：

依托AMiner平台，针对表示学习领域，综合参考h-index指标和领域专家推荐意见，报告还筛选了国外和国内各10位代表性学者进行学者画像展示和简要介绍。“学者画像”是AMiner平台的核心服务功能之一，学者画像的特色在于提供专家学者如姓名、单位、地址、联系方式、个人简介、教育经历等个人基本信息。

作为一项新兴技术，知识表示学习的未来技术发展和应用具有巨大潜力。该篇借助领域技术分析系统（http://trend.aminer.cn），对所选期刊和会议中的科技论文情报进行深入挖掘，对表示学习的技术趋势及国际研究趋势等方面进行展示和分析。

技术研究发展趋势

根据“表示学习”领域关键词，从AMiner数据库中查找出指定期刊会议发表的论文，其中包含论文所在领域的分支术语和年份，统计含有这些术语论文数量，给出论文数量排名前10的技术术语，再统计这些术语的起止年份，划分时间窗格，生成大数据智能的发展趋势图。

国家研究发展趋势

根据AMiner平台分析不同国家在“表示学习”领域的研究趋势，在趋势图中以不同颜色的色带代表不同的国家，以其宽度表示该国家在当年的研究热度，与当年该国论文数量呈正相关，每一年份中按照其热度由高到低进行排序。

AMiner平台提供了领域人才分析功能。

• 可视化的展现领域人才的国家分布、机构分布、h-index分布;

• 分析了我国领域学者的比较优势以及中外合作情况；

• 提供了人才查询、定位、分析、展示一体化应用模式。

• 利用团队多年的命名排歧技术，建立了较为完善的学者-论文映射关系；

• 提供学者研究兴趣发展趋势分析、学者合作者关系网络分析等；

• 同时支持用户交互，通过众包方式丰富更新专家学者的相关信息。