毕设做的是知识表示学习相关工作，从16年2月底从海豚浏览器辞去实习，开始全身心地做毕业设计，一直到6月。
整个毕设过程回想还算平坦，虽也遇到问题，但最后还算是取得一定成绩，被推选湖北省优秀学士论文，也准备将论文整理，投国内的一个会议。
表示学习也成为特征学习，也叫深度学习。 ——Reresentation Learning: A Review and New Perspectives
资料
- 知识表示学习研究综述
- TransE模型 ——将关系看作是实体在语义空间中的平移
- TransH模型 ——将关系看作超平面，实体在关系的超平面上做平移
- TransR模型 ——基于空间投影对关系路径进行扩展
- PTransE模型 ——基于关系路径对TransE进行扩展
- DKRL模型 ——结合实体的上下文对TransE进行扩展
我的工作
我主要的工作就是将TransR模型和PTransE模型进行了结合，因为这两个模型是在不同的方面来对TransE模型进行扩展，然后在结合的基础上做了进一步的改进。主要包括了以下三部分：
- 针对基础教育地理知识具有内容广泛、并包含多维特征的特点，用基于深度学习的翻译模型来表示地理知识。
- 针对翻译模型在处理知识图谱中复杂关系能力缺失和只局限的使用三元组结构信息的问题，我们构建了PTransW模型。PTransW模型是将基于空间投影来扩展翻译模型的TransR模型和基于关系路径来扩展翻译模型的PTransE模型进行结合，并在此基础上进一步改进，在空间投影时考虑关系类型中的语义信息。
- 在公共数据集FB15K上对PTransW模型进行训练并做链接预测实验，与前人的结果进行比较；最后将TransE、TransR、PTransE和PTransW模型在数据集GEOGRAPHY上进行训练和做链接预测实验，进行对比分析。