文章

知识表征学习必读论文

发表于
作者
30 分钟阅读

总结性论文

    • 论文标题: Representation Learning: A Review and New Perspectives;
    • 作者:Yoshua Bengio, Aaron Courville, and Pascal Vincent. TPAMI 2013.
    • 论文地址.
    • 论文标题:知识表示学习研究进展;
    • 作者:刘志远,孙茂松,林衍凯,谢若冰.计算机研究与发展2016.
    • 论文地址
    • 论文标题: A Review of Relational Machine Learning for Knowledge Graphs;
    • 作者:Maximilian Nickel, Kevin Murphy, Volker Tresp, Evgeniy Gabrilovich. Proceedings of the IEEE 2016.
    • 论文地址
    • 论文标题: Knowledge Graph Embedding: A Survey of Approaches and Applications.
    • 作者:Quan Wang, Zhendong Mao, Bin Wang, Li Guo. TKDE 2017.
    • 论文地址

期刊和会议论文

  • RESCAL模型
    • 论文标题: A Three-Way Model for Collective Learning on Multi-Relational Data.
    • 作者: Maximilian Nickel, Volker Tresp, Hans-Peter Kriegel. ICML 2011.
    • 论文地址,论文代码
    • 描述:RESCAL模型是一种用于指示表示的张量分解方法,它能够分解的潜在组成部分执行集体学习.
  • SE模型
    • 论文标题: Learning Structured Embeddings of Knowledge Bases.
    • 论文作者: Antoine Bordes, Jason Weston, Ronan Collobert, Yoshua Bengio. AAAI 2011.
    • 论文地址
    • 描述:SE模型假设头实体和尾实体在依赖关系子控件中是相似的,其中每个关系是由两个不同的矩阵表示的.
  • LFM模型
    • 论文标题:A Latent Factor Model for Highly Multi-relational Data.
    • 作者:Rodolphe Jenatton, Nicolas L. Roux, Antoine Bordes, Guillaume R. Obozinski. NIPS 2012.
    • 论文地址
    • 描述:LFM基于双线性结构,该结构捕获数据交互作用的变异顺序,并在不同关系之间共享稀疏的潜在因素.
  • NTN模型
    • 论文标题:Reasoning With Neural Tensor Networks for Knowledge Base Completion.
    • 作者:Richard Socher, Danqi Chen, Christopher D. Manning, Andrew Ng. NIPS 2013.
    • 论文地址
    • 描述:NTN是一个神经网路,允许通过张量介导实体矢量的交互.NTN模型可能是迄今为止最具有表现力的模型,但是处理大型KG的方法还不够简单和有效
  • TransE模型
    • 论文标题: Translating Embeddings for Modeling Multi-relational Data.
    • 作者: Antoine Bordes, Nicolas Usunier, Alberto Garcia-Duran, Jason Weston, Oksana Yakhnenko. NIPS 2013. paper code
    • 论文地址,论文代码
    • 描述: TransE模型是第一个介绍基于翻译的嵌入,其中将关系解释作为实体上的翻译操作.
  • TransH模型
    • 论文标题: Knowledge Graph Embedding by Translating on Hyperplanes.
    • 作者: Zhen Wang, Jianwen Zhang, Jianlin Feng, Zheng Chen. AAAI 2014. paper code
    • 论文地址,论文源码
    • 描述:为了保留1-N,N-1,N-N关系的映射属性,TransH将关系解释为超平面上的平移操作,另外,TransH提出”Bern”,这是一种构建负实例的策略.
  • TransR & CTransR模型
    • 论文标题: Learning Entity and Relation Embeddings for Knowledge Graph Completion.
    • 作者: Yankai Lin, Zhiyuan Liu, Maosong Sun, Yang Liu, Xuan Zhu. AAAI 2015.
    • 论文地址,论文源码:KB2E,OpenKE
    • 描述: 一个实体可能会有多个方面,各种关系可能几种在实体的不同方面,TransR首先将实体从实体空间投影到对应的关系空间,然后在投影的实体之间构建转换.CTransR通过将不同的首位实体聚类,并为每个组学习不同的关系向量来扩展TransR,这是对每种关系类型内部相关性进行建模的初步探索.
  • TransD模型
    • 论文标题:Knowledge Graph Embedding via Dynamic Mapping Matrix.
    • 作者:Guoliang Ji, Shizhu He, Liheng Xu, Kang Liu, Jun Zhao. ACL 2015.
    • 论文地址,论文源码KB2E,OpenKE
    • 描述:TransD 模型通过同事考虑实体和关系的多样性为每个实体关系对构造一个动态映射矩阵.与TransR/CTransR相比,TransD具有较少的参数,并且没有矩阵向量乘法.
  • TransA模型
    • 论文标题:An Adaptive Approach for Knowledge Graph Embedding.
    • 作者:Han Xiao, Minlie Huang, Hao Yu, Xiaoyan Zhu. arXiv 2015.
    • 论文地址
    • 描述:应用椭圆等势超曲面并为关系加权特定的特征尺寸,TransA模型可以对复杂的实体和关系建模.
  • KG2E模型
    • 论文标题: Learning to Represent Knowledge Graphs with Gaussian Embedding.
    • 论文作者: Shizhu He, Kang Liu, Guoliang Ji and Jun Zhao. CIKM 2015. paper code
    • 论文描述: 不同的实体和关系可能包含不同的确定性,这表示在给三元组评分的时候表示语义的置信度.KG2E通过高斯分布表示每个实体/关系,其中均值表示其位置,协方差表示其确定性.
    • 论文地址,论文源码
  • DistMult模型
    • 论文标题: Embedding Entities and Relations for Learning and Inference in Knowledge Bases.
    • 论文作者: Bishan Yang, Wen-tau Yih, Xiaodong He, Jianfeng Gao, Li Deng. ICLR 2015.
    • 论文地址,论文源码
    • 描述:DistMult模型基于双线性模型,其中每个关系由对角线而不是完整矩阵表示,DistMult模型享有与TransE模型相同的可伸缩性,与TransE模型相比,具有更加出色的性能.
  • PTransE模型
    • 论文标题:Modeling Relation Paths for Representation Learning of Knowledge Bases.
    • 论文作者:Yankai Lin, Zhiyuan Liu, Huanbo Luan, Maosong Sun, Siwei Rao, Song Liu. EMNLP 2015.
    • 论文地址,论文源码
    • 描述:多步关系路径在实体之间包含有丰富的推理模式.PtransE模型将关系路径视为实体之间的转换,并设计了一种出色的算法来测量关系路径的可靠性.实验表明,PTransE在KBC和RE任务方面取得了显著改进.
  • RTransE
    • 论文标题: Composing Relationships with Translations.
    • 论文作者: Alberto García-Durán, Antoine Bordes, Nicolas Usunier. EMNLP 2015.
    • 论文地址
    • 描述:RTransE学习通过添加关系的相应翻译向量来显式地建模关系的构成.此外,实验还包括一个新的评估协议,其中该模型直接回答与关系构成有关的问题.
  • ManifoldE模型
    • 论文标题: From One Point to A Manifold: Knowledge Graph Embedding For Precise Link Prediction.
    • 论文作者: Han Xiao, Minlie Huang and Xiaoyan Zhu. IJCAI 2016.
    • 论文地址
    • 描述:ManifoldE模型将基于评议原理的点式建模扩展为流形式建模,克服了几何形状过高的问题,并为精确链接预测实现了显著改进.
  • TransG模型
    • 论文标题: A Generative Mixture Model for Knowledge Graph Embedding.
    • 论文作者: Han Xiao, Minlie Huang, Xiaoyan Zhu. ACL 2016.
    • 论文地址,论文源码
    • 描述:知识图中的关系可能具有关联的实体对所揭示的不同含义.TransG通过贝叶斯非参数无限混合模型为关系生成多个平移分量.
  • ComplEx模型
    • 论文标题: Complex Embeddings for Simple Link Prediction.
    • 论文作者: Théo Trouillon, Johannes Welbl, Sebastian Riedel, Éric Gaussier and Guillaume Bouchard. ICML 2016. paper code OpenKE
    • 论文地址,论文源码,OpenKE
    • 描述:ComplEx模型通过引入复数值Embedding来扩展DistMult模型,以便更好地对非对称关系进行建模.事实证明,ComplEx模型将HolE归为特例.
  • ComplEx extension模型
    • 论文标题: Knowledge Graph Completion via Complex Tensor Factorization.
    • 论文作者: Théo Trouillon, Christopher R. Dance, Johannes Welbl, Sebastian Riedel, Éric Gaussier, Guillaume Bouchard. JMLR 2017.
    • 论文地址,论文源码,OpenKE
  • HolE模型
    • 论文标题: Holographic Embeddings of Knowledge Graphs.
    • 论文作者: Maximilian Nickel, Lorenzo Rosasco, Tomaso A. Poggio. AAAI 2016.
    • 论文地址,论文源码,OpenKE
    • 描述: HolE使用循环相关来创建成分表示.HolE可以捕捉丰富的交互,但同时仍然可以高效地进行计算.
  • KR-EAR模型
    • 论文标题: Knowledge Representation Learning with Entities, Attributes and Relations.
    • 论文作者: Yankai Lin, Zhiyuan Liu, Maosong Sun. IJCAI 2016.
    • 论文地址,论文源码
    • 描述:现有的KG关系可以分为属性和关系,它们具有相当不同的特征,KG-EAR是具有实体,属性和关系的KR模型法,它对实体描述之间的相关性进行编码.
  • TranSparse模型
    • 论文标题: Knowledge Graph Completion with Adaptive Sparse Transfer Matrix.
    • 论文作者：Guoliang Ji, Kang Liu, Shizhu He, Jun Zhao. AAAI 2016.
    • 论文地址,论文源码
    • 描述:知识图谱中的实体和关系是异构的并且是不平衡的.为了克服异质性,TransSparse模型使用稀疏矩阵为关系建模.为了解决关系不平衡的问题,每个关系对于头实体和尾实体具有两个单独的稀疏传递矩阵.
  • TKRL模型
    • 论文标题:Representation Learning of Knowledge Graphs with Hierarchical Types.
    • 论文作者:Ruobing Xie, Zhiyuan Liu, Maosong Sun. IJCAI 2016.
    • [论文地址]http://www.thunlp.org/~lzy/publications/ijcai2016_tkrl.pdf),论文源码
    • 描述:实体应具有不同类型的多种表示形式,TKRL是捕获分层类型信息的首次尝试,这对于KRL具有重要意义.
  • TEKE模型
    • 论文标题:Text-Enhanced Representation Learning for Knowledge Graph.
    • 论文作者:Zhigang Wang, Juan-Zi Li. IJCAI 2016.
    • 论文地址
    • 描述:TEKE合并了丰富的文本内容信息,以扩展知识图的语义结构.因此使得每个关系能够针对不同的头实体和尾实体拥有不同的表示,以便于更好地处理1-N,N-1,N-N关系.TEKE处理1-N,N-1,N-N关系的低性能和KG稀疏的问题.
  • STransE模型
    • 论文标题:A Novel Embedding Model of Entities and Relationships in Knowledge Bases.
    • 论文作者:Dat Quoc Nguyen, Kairit Sirts, Lizhen Qu and Mark Johnson. NAACL-HLT 2016.
    • 论文地址,论文源码
    • 描述:STransE是SE和TransE模型的简单组合,使用两个投影矩阵和一个转换向量来表示每个关系.STransE在链接预测评估上产生具有竞争力的结果.
  • GAKE模型
    • 论文标题:Graph Aware Knowledge Embedding.
    • 论文作者:Jun Feng, Minlie Huang, Yang Yang, Xiaoyan Zhu. COLING 2016.
    • 论文地址,论文源码
    • 描述:将知识库作为有向图而不是独立的三元组,GAKE利用图上下文(邻居/路径/边缘上下文)来学习知识表示.此外,GAKE设计了一种注意力机制来学习不同主题代表的能力.
  • DKRL模型
    • 论文标题:Representation Learning of Knowledge Graphs with Entity Descriptions.
    • 论文作者:Ruobing Xie, Zhiyuan Liu, Jia Jia, Huanbo Luan, Maosong Sun. AAAI 2016.
    • 论文地址,论文源码
    • 描述:DKRL利用实体描述的优势来学习知识表示,zero-shot设置下的出色表现表明DKRL能够根据其描述为新颖的实体构建表示形式.
  • ProPPR模型
    • 论文标题:Learning First-Order Logic Embeddings via Matrix Factorization.
    • 论文作者:William Yang Wang, William W. Cohen. IJCAI 2016.
    • 论文地址
    • 描述:ProPPR模型是第一个研究从头开始学习低维一阶逻辑embeddings,同时将基于公式embeddings的概率逻辑推理扩展到大型知识图的问题的形式研究.
  • SSP模型
    • 论文标题: Semantic Space Projection for Knowledge Graph Embedding with Text Descriptions.
    • 论文作者: Han Xiao, Minlie Huang, Lian Meng, Xiaoyan Zhu. AAAI 2017.
    • 论文地址
    • 描述:SSP模型通过针对最新技术水平的基线进行embedding改进来对三元组和文本相关性之间的强相关进行建模.
  • ProjE模型
    • 论文标题: Embedding Projection for Knowledge Graph Completion.
    • 论文作者: Baoxu Shi, Tim Weninger. AAAI 2017.
    • 论文地址,论文源码
    • 描述: ProjE将KGC任务是为排名问题,并将候选实体投影到一个向量上,该向量表示输入三元组已知部分的组合嵌入.此外,ProjE可以优化候选实体列表的整体排名损失,可以将ProjE是为NTN的简化版本.
  • ANALOGY模型
    • 论文题目: Analogical Inference for Multi-relational Embeddings.
    • Hanxiao Liu, Yuexin Wu, Yiming Yang. ICML 2017.
    • 论文地址,论文源码
    • 描述:类比推理对知识库的完成非常有用.ANALOGY模型对知识嵌入中的类比结构进行建模.另外,证明了Dismult,Hole和ComplEx是ANALOGY模型的特例.
  • IKRL模型:
    • 论文题目: Image-embodied Knowledge Representation Learning.
    • 论文作者: Ruobing Xie, Zhiyuan Liu, Tat-Seng Chua, Huan-Bo Luan, Maosong Sun. IJCAI 2017.
    • 论文地址,论文源码
    • 描述:IKRL模型是将图像与知识图谱相结合以进行KRL的首次尝试,其鼓舞人心的结果表现表明视觉信息对于KRL的重要性.
  • ITransF模型
    • 论文题目: An Interpretable Knowledge Transfer Model for Knowledge Base Completion.
    • 论文作者: Qizhe Xie, Xuezhe Ma, Zihang Dai, Eduard Hovy. ACL 2017.
    • 论文地址
    • 描述:配置了稀疏注意力机制的ITransF发现了隐藏的关系概念,并通过概念共享来传递统计强度.此外,可以轻松地解释由稀疏注意力向量表示的关系和概念之间的学习关联.
  • RUGE模型
    • 论文题目: Knowledge Graph Embedding with Iterative Guidance from Soft Rules.
    • 论文作者: Shu Guo, Quan Wang, Lihong Wang, Bin Wang, Li Guo. AAAI 2018.
    • 论文地址,论文源码
    • 描述:RUGE模型是第一个在有原则的框架中对embeddings学习和逻辑推理之间的交互进行建模的工作.它使得embeddings模型能够以迭代的方式同时从标记的三元组,未标记的三元组和软规则中学习.
  • ConMask模型
    • 论文题目: Open-World Knowledge Graph Completion.
    • 论文作者: Baoxu Shi, Tim Weninger. AAAI 2018.
    • 论文地址
    • 描述:ConMask模型是一种新颖的开放世界知识图谱补全模型,该模型使用依赖关系内容的mask,完全卷积神经网络和语义平均从KG中的实体和关系的文本特征中提取依赖关系的嵌入.
  • TorusE模型
    • 论文标题:Knowledge Graph Embedding on a Lie Group.
    • 论文作者:Takuma Ebisu, Ryutaro Ichise. AAAI 2018.
    • 论文地址
    • TorusE模型模型在李群上定义了TransE模型,可以将紧凑型李群之一的torus选择作为embeddings,以避免规则化.TorusE是第一个将对象嵌入到实数或者复数向量空间以外的对象的模型,并且是第一个正是讨论TransE模型的正则化问题的模型.
  • 一种基于双向模型的多种链接预测模型
    • 论文题目: On Multi-Relational Link Prediction with Bilinear Models.
    • 论文作者: Yanjie Wang, Rainer Gemulla, Hui Li. AAAI 2018.
    • 论文地址：暂无，论文源码：暂无
    • 描述:主要目的是探索文献中提出的用于指示图谱嵌入的各种双线性模型的表达性和它们之间的联系.这篇论文中还提供了证据,表明多个双线性模型的关系级合奏可以实现最新的预测性能.
  • 一种2D卷积神经网络的模型
    • 论文题目: Convolutional 2D Knowledge Graph Embeddings.
    • 论文作者: Tim Dettmers, Pasquale Minervini, Pontus Stenetorp, Sebastian Riedel. AAAI 2018.
    • 论文地址,论文源码
    • 描述:ConvE模型是用于KG链接预测的多层卷积网络模型,它展示了几个已经建立数据集的最新结果.与以前的工作不同,它侧重于可以缩放到大型知识图谱的浅层,ConvE模型使用2D卷积核多层非线性特征对KG进行建模.
  • 一种精确文本增强型知识图谱表示学习
    • 论文题目: Accurate Text-Enhanced Knowledge Graph Representation Learning.
    • 论文作者: Bo An, Bo Chen, Xianpei Han, Le Sun. NAACL-HLT 2018.
    • 论文地址
    • 描述:这篇论文提出了一种精确的文本增强型知识图谱表示框架,该框架可以利用精确的文本信息来增强三元组的知识表示,并可以通过提及的关系和实体描述之间的相互关注模型有效地处理关系和实体之间的歧义.
  • KBGAN模型
    • 论文题目: Adversarial Learning for Knowledge Graph Embeddings.
    • 论文作者: Liwei Cai, William Yang Wang. NAACL-HLT 2018.
    • 论文地址,论文源码
    • 描述:KBGAN利用对抗性学习来生成有用的负面训练实例,以改善知识图谱的embeddings,该框架可以应用各种KGE模型.
  • ConvKB模型
    • 论文题目: A Novel Embedding Model for Knowledge Base Completion Based on Convolutional Neural Network.
    • 论文作者:Dai Quoc Nguyen, Tu Dinh Nguyen, Dat Quoc Nguyen, Dinh Phung. NAACL-HLT 2018.
    • 论文地址,论文源码
    • 描述:ConvKB模型在实体的相同维度条目和关系embeddings之间应用全局关系,因此ConvKB在基于过渡的embeddings模型中归纳了过渡特征.另外在WN18RR和FB15K237上评估了ConvKB模型.
  • 使用图卷积网络的模型
    • 论文题目: Modeling Relational Data with Graph Convolutional Networks.
    • 论文作者: Michael Schlichtkrull, Thomas N. Kipf, Peter Bloem, Rianne van den Berg, Ivan Titov, Max Welling. ESWC 2018.
    • 论文地址,论文源码1,论文源码2
    • 描述:R-GCN 将图卷积网络应用于关系知识库,从而为链接谓词和实体分类任务撞见新的编码器.
  • 使用简单约束增强图embeddings的方法
    • 论文题目: Improving Knowledge Graph Embedding Using Simple Constraints.
    • 论文作者: Boyang Ding, Quan Wang, Bin Wang, Li Guo. ACL 2018.
    • 论文地址,论文源码
    • 描述:本文研究了使用非常简单的约束来改善KG嵌入的潜力,它检查了实体表示形式的非负约束和关系表示形式的近似蕴含约束.
  • 实例与概念区分下的知识图谱的embeddings
    • 论文题目: Differentiating Concepts and Instances for Knowledge Graph Embedding.
    • 论文作者: Xin Lv, Lei Hou, Juanzi Li, Zhiyuan Liu. EMNLP 2018.
    • 论文地址,论文源码
    • 概述:TransC模型通过区分概念和实例,提出了一种新颖的知识图谱embeddings模型,具体来说,TransC在相同的语义空间中将知识图谱中的每个概念编码为一个球体,并将每个实例编码为一个矢量.
  • SimplE模型
    • 论文标题: SimplE Embedding for Link Prediction in Knowledge Graphs.
    • 论文作者: Seyed Mehran Kazemi, David Poole. NeurIPS 2018.
    • 论文地址,论文源码
    • 描述:SimplE模型模型是对CP(规范多联体)的简单增强,从而可以独立地学习每个实体的两个嵌入.SimplE模型的复杂度随着嵌入的大小线性增长.通过SimplE模型学习到的embeddings是可以解释的,并且可以通过权重绑定将某些类型的背景知识并入这些embeddings之中.
  • RotatE模型
    • 论文题目: Knowledge Graph Embedding by Relational Rotation in Complex Space.
    • 论文作者: Zhiqing Sun, Zhi Hong Deng, Jian Yun Nie, Jian Tang. ICLR 2019.
    • 论文地址,论文源码
    • 描述:RotatE模型推断各种关系模式,包括有:对称/反对称,反演和组成.具体而言,RotatE模型将每个关系定义为在复矢量空间中从源实体到目标实体的旋转.
  • TuckER模型
    • 论文题目: Tensor Factorization for Knowledge Graph Completion.
    • 论文作者: Ivana Balazˇevic ́, Carl Allen, Timothy M. Hospedales. arxiv 2019.
    • 论文地址,论文源码
    • 描述:TuckER模型是一个相对简单但是功能强大的线性模型,基于知识图谱三元组的二元张量表示的TuckER分解.TuckER模型是一个完全表达的模型,它推导了其实体和关系embeddings维度的界限,以实现完全表达,它比以前的ComplEx和SimplE模型的界限要小几个数量级.此外,TuckER模型达到了最先进的性能.
  • CrossE模型
    • 论文题目: Interaction Embeddings for Prediction and Explanation in Knowledge Graphs.
    • 论文作者: Wen Zhang, Bibek Paudel, Wei Zhang. WSDM 2019.
    • 论文地址
    • 描述: CrossE模型是一种新颖的知识图谱embeddings,可明确模拟交叉交互.它不仅像大多数以前的方法一样为每个实体和关系学习一个通用embeddings,而且还为这两个实体和关系生成多个三重特定的embeddings,称之为交互embeddings.
  • 基于注意力基础的embeddings
    • 论文题目:Learning Attention-based Embeddings for Relation Prediction in Knowledge Graphs.
    • 论文作者: Deepak Nathani, Jatin Chauhan, Charu Sharma, Manohar Kaul. ACL 2019.
    • 论文地址,论文源码,博客
    • 描述:这是一种新颖的基于注意力的特征embeddings模型,可以捕获任何给定实体邻域中的实体和关系特征.该体系结构是一个编码器-解码器模型,其中广义图注意力模型和ConvKB分别扮演编码器和解码器的角色.
  • RSN模型
    • 论文标题: Learning to Exploit Long-term Relational Dependencies in Knowledge Graphs.
    • 论文作者: Lingbing Guo, Zequn Sun, Wei Hu. ICML 2019.
    • 论文地址,论文补充说明,论文源码
    • 描述:RSN模型将递归神经网络与残差学习相结合,以有效地捕捉KG内部和KG之间的实体的长期关系依赖性.我们还设计了一个端到端框架,以在两个任务链接预测和实体对齐上支持RSN模型.
  • DihEdral模型
    • 论文标题: Relation Embedding with Dihedral Group in Knowledge Graph.
    • 论文作者: Canran Xu, Ruijiang Li. ACL 2019.
    • 论文地址
    • 描述:DihEdral模型用二面体组的表示来建模知识图谱中的关系.它是一个双线性模型,由于二面体基团的特性,它支持关系对称,倾斜对称,反演,阿贝尔群和非阿贝尔群.
  • CapsE模型
    • 论文标题: A Capsule Network-based Embedding Model for Knowledge Graph Completion and Search Personalization.
    • 论文作者: Dai Quoc Nguyen, Thanh Vu, Tu Dinh Nguyen, Dat Quoc Nguyen, Dinh Q. Phung. NAACL-HIT 2019.
    • 论文地址,论文源码
    • 描述:CapsE模型使用胶囊网络在相同维度上对三元组中的条目进行建模.高级假设是每个胶囊都说明实体的关系特定属性的捕获变体.最终向量的长度用作三元组的合理性得分.
  • CaRe模型
    • 论文题目:CaRe:Open Knowledge Graph Embeddings
    • 论文作者:Swapnil Gupta, Sreyash Kenkre, Partha Talukdar. EMNLP-IJCNLP 2019.
    • 论文地址,论文源码
    • 描述:CaRe模型专注于OpenKG的规范化,改模型结合规范化信息和邻域图结构来学习NP的丰富表示形式,并且它捕获了RP的语义相似性.
论文
翻译模型 知识图谱 Embeddings KRL KE 知识表征学习 知识嵌入
本文由作者按照 CC BY 4.0 进行授权