知识图(kg)是近年来突出的知识表示形式。因为它集中在名义实体及其关系上,所以传统的知识图本质上是静态和百科全书。在此基础上,事件知识图(事件kg)通过文本处理对时间和空间动力进行建模,以促进下游应用程序,例如提问,建议和智能搜索。另一方面,现有的KG研究主要集中在文本处理和静态事实上,而忽略了照片,电影和预训练的神经网络中包含的大量动态行为信息。此外,没有努力将行为智能信息包括到深入强化学习(DRL)和机器人学习的知识图中。在本文中,我们提出了一种新颖的动态知识和技能图(KSG),然后我们基于CN-DBPEDIA开发了基本和特定的KSG。节点分为实体和属性节点,其中包含代理,环境和技能(DRL策略或策略表示)的实体节点,以及包含实体描述,预训练网络和离线数据集的属性节点。 KSG可以在各种环境中搜索不同代理的技能,并提供可转移的信息以获取新技能。这是我们意识到的第一项研究,研究了动态的KSG,以进行技能检索和学习。新技能学习的广泛实验结果表明,KSG提高了新的技能学习效率。
translated by 谷歌翻译