AI公開課丨胡偉：基於表示學習的知識圖譜實體對齊研究

2020-09-05 博文視點Broadview

8月28日（周五）晚上7:30，知識工場實驗室聯合電子工業出版社博文視點榮幸邀請到南京大學計算機科學與技術系副教授、博導胡偉老師，為大家帶來一場【基於表示學習的知識圖譜實體對齊研究】精彩報告分享！

知識圖譜前沿論壇系列直播 第4期

基於表示學習的知識圖譜

實體對齊研究

8月25日（周五） 19:30



分享摘要

知識圖譜以結構化的方式描述客觀世界中概念、實體及其間的關係，將全球資訊網上的信息表達成更接近人類認知世界的形式，提供了一種更好地組織、管理和理解全球資訊網上海量信息的能力。知識圖譜可以由任何機構和個人自由構建，其背後的數據來源廣泛、質量參差不齊，導致它們之間存在多樣性和異構性。例如，對於相似領域，通常會存在多個不同的實體指稱真實世界中的相同事物。

木次報告將介紹基於表示學習的知識圖譜實體對齊研究，包括研究進展簡介、新測試集構建、現有方法評測，以及幾個探索性實驗，最後總結並展望未來可能的研究方向。


分享核心點

  • 基於表示學習的知識圖譜實體對齊研究進展簡介
  • 新實體對齊測試集的構建
  • 現有方法評測及幾個探索性實驗
  • 總結並展望未來可能的研究方向


嘉 賓 簡 介

胡偉

南京大學計算機科學與技術系副教授、博士生導師。主要研究方向為知識圖譜、數據集成、智能軟體。

曾先後於荷蘭阿姆斯特丹自由大學、美國史丹福大學、加拿大多倫多大學訪學。主持多項國家自然科學基金項目，在高水平會議和期刊上(例如，WWW、ICML、 VLDB、SIGIR、 ICDE、 AAAI、IJCAI、ISWC、 EMNLP) 發表30餘篇論文，Google Scholar引用兩千餘次，還獲得過JIST最佳論文獎、CCKS英文最佳論文獎、ISWC最佳論文提名等。擔任中文信息學會語言與知識計算專委會委員、計算機學會資料庫專委會委員、全球資訊網聯盟W3C南京大學學術代表等。


相關圖書推薦

▊《知識圖譜：概念與技術》

肖仰華 等 編著

本書力求涵蓋知識圖譜相關的基本概念與關鍵技術，總結了十多個知識圖譜工程項目的落地經驗。

本書緊密圍繞知識圖譜開展知識體系的梳理，儘量突出知識圖譜與相關學科的差別，儘可能的為大家清晰地界定知識圖譜與各分支學科的根本不同。本書注重知識圖譜的整個知識體系，從最基礎的基本概念、基礎理論到設計、技術、模型、方法都做了全面的介紹。

相關焦點

  • 基於圖神經網絡的知識圖譜研究進展
    知識圖譜本身是一種圖結構數據，採用圖構建知識和數據之間的關聯，應用圖神經網絡技術，有望結合知識和數據，實現更好的可解釋和可信人工智慧技術。本文將介紹基於圖神經網絡的知識圖譜學習與計算以及基於圖神經網絡融合知識圖譜信息的應用的研究進展。
  • 基於圖神經網絡的知識圖譜研究進展
    知識圖譜本身是一種圖結構數據，採用圖構建知識和數據之間的關聯，應用圖神經網絡技術，有望結合知識和數據，實現更好的可解釋和可信人工智慧技術。本文將介紹基於圖神經網絡的知識圖譜學習與計算以及基於圖神經網絡融合知識圖譜信息的應用的研究進展。
  • 基於知識圖譜的人機對話系統|公開課筆記
    分享嘉賓 | 劉昇平（雲知聲 AI Labs 資深技術專家）來源 | AI 科技大本營在線公開課人機對話系統，或者會話交互，有望成為物聯網時代的主要交互方式。而語言的理解與表達和知識是密切聯繫的，知識圖譜作為一種大規模知識的表示形式，在人機對話系統中各模塊都有重要的應用。而知性對話，則是基於知識圖譜的人機會話交互服務。
  • 知識圖譜研討實錄10丨肖仰華教授帶你讀懂知識圖譜的搜索推薦
    的14條精華研討，來進一步學習了解知識圖譜技術內幕。，但是學術界相應的研究極少，也就這兩年基於 KG 的推薦多了起來，搜索還是不多的，所以你會發現這張章舉例很多，但是方法很少，換句話說，這些例子背後的方法都有待深入研究。
  • 「知識圖譜」知識表示:知識圖譜如何表示結構化的知識?
    知識圖譜中的知識表示也是如此，例如，要對所存儲的知識進行應用，其中最關鍵的就是要能夠進行知識的推理，而知識的表示形式和手段決定了知識推理的形式和難度；此外，知識表示的形式也決定了知識獲取的形式和難度。可見，一種合適的知識表示方法對知識圖譜的構建至關重要。所以，我們在學習知識圖譜這個絕世武功之時，也需要熟悉它的內功心法，知識表示。那麼，什麼是知識表示呢？
  • 知識圖譜研討實錄07丨肖仰華教授帶你讀懂知識圖譜的眾包構建
    下面讓我們通過第七章課程《知識圖譜的眾包構建》的19條精華研討，來進一步學習了解知識圖譜技術內幕。文末可查看更多章節精華回顧。本課程配套教材《知識圖譜：概念與技術》。主要工作是構建本體層次架構，構建語義詞彙表，語義詞彙表對齊，標註概念說明和標註與驗證關係。(2)知識挖掘和填充構建階段。主要工作有三元組抽取和實體對齊。(3)知識圖譜精化階段。主要工作有知識補缺和知識糾錯。回答2：本體構建，知識填充，圖譜精化。
  • [乾貨]知識圖譜構建的關鍵技術
    知識推理則是在已有的知識庫基礎上進一步挖掘隱含的知識，從而豐富、擴展知識庫。接下來，本文將以知識抽取、知識表示、知識融合及知識推理技術為重點，選取代表性的方法，說明其中的相關研究進展和實用技術手段 。1.1實體抽取實體抽取也稱為命名實體學習或命名實體識別，指的是從原始數據語料中自動識別出命名實體。由於實體是知識圖譜中的最基本元素，其抽取的完整性、準確率、召回率等將直接影響到知識圖譜構建的質量。我們將實體抽取的方法分為4種：基於百科站點或垂直站點提取、基於規則與詞典的方法、基於統計機器學習的方法以及面向開放域的抽取方法。
  • 知識圖譜的架構及關鍵技術概述
    然而，基於規則模板的方法不僅需要依靠大量的專家來編寫規則或模板，覆蓋的領域範圍有限，而且很難適應數據變化的新需求。3) 基於統計機器學習的實體抽取方法鑑於基於規則與詞典實體的局限性，為具更有可擴展性，相關研究人員將機器學習中的監督學習算法用於命名實體的抽取問題上。
  • 2020年中國知識圖譜行業研究報告
    原始數據通過知識抽取或數據整合的方式轉換為三元組形式，然後三元組數據再經過實體對齊，加入數據模型，形成標準的知識表示，過程中如產生新的關係組合，通過知識推理形成新的知識形態，與原有知識共同經過質量評估，完成知識融合，最終形成完整形態上的知識圖譜。
  • AI產品經理的入門必修課(4)——知識圖譜
    01 為什麼要了解知識圖譜AI核心要研究的是如何讓計算機去完成以往需要人的智力才能勝任的工作，而人的智能性核心體現在對不同事物的感知能力、推理能力、決策能力；因此要想做出AI產品就離不開對感知的研究，推理機制的研究以及智能決策方向的研究。
  • 「2018年全國知識圖譜與語義計算大會」開始徵文!
    CCKS2017 吸引了 500 餘名來自學術界和工業界的學者和研究人員參加。全國知識圖譜與語義計算大會已經成為國內知識圖譜、語義技術、連結數據等領域的核心會議，聚集了知識表示、自然語言理解、機器學習、資料庫、圖計算等相關領域的重要學者和研究人員。2018 年全國知識圖譜和語義計算大會將於 2018 年 8 月 15 日至 8 月 18 日在天津召開。
  • AI技術分支——淺談知識圖譜
    知識圖譜的歷史最早要追溯到2012年，由google公司提出主要用於提升搜尋引擎的檢索效率，但隨著其發展其背後更深刻意義，遠不僅是提高檢索效率這麼簡單，而是整個搜尋引擎結構的整體轉型：將傳統基於關鍵字的搜索模型轉向基於語義的搜索升級。
  • 北大張銘教授：基於知識圖譜的機器學習
    6月21日北京智源大會「AI科技女性」專題論壇上，北京大學計算機系教授、AI 2000上榜學者張銘介紹了自己在基於知識圖譜的機器學習研究中的成果和心得。從文本挖掘的經典模型、到基於知識圖譜的擁有常識的文本表示及模型、再到可解釋的推薦系統，相信張銘教授的報告會讓大家對這些問題有更深入的思考並且收穫滿滿。
  • 基於向量空間的知識圖譜查詢及結果解釋
    以下為王萌老師的演講實錄深度學習和知識圖譜的結合，目前是整個AI最新、最熱的一個方向，如百度也是將知識圖譜作為AI的核心競爭力。它的主要內容包括五個方面，分別是知識圖譜及SPARQL查詢、查詢空集問題、知識圖譜表示學習、基於向量空間的近似查詢和實際應用。
  • 知識圖譜在小米的應用與探索
    、語音、深度學習等底層的基礎能力，其中知識圖譜就處於這一層。，主要是研究開放領域和行業領域的構建和應用技術，並把圖譜推廣到相關業務場景上，來提高用戶的滿意度的和業務變現轉化能力。模型推理是用機器學習去表示學習關係推理。所以這裡根據自己的需求、應用場景和應用情況去選擇。
  • 從ACL 2020看知識圖譜研究進展
    從論文的題目、主題等關鍵詞可以看出，主要的研究方向包括人機對話，多模態、多語言和多領域，圖神經網絡，以及經典的信息提取類問題，包括實體抽取（NER）、事件抽取以及關係抽取等。研究手段則仍集中於各類機器學習的方法，包括：神經網絡、預訓練、注意力、知識圖譜等。還有一些文章特別關注了低資源、少樣本等實際應用中經常會遇到的問題。
  • 知識圖譜概述 | 2020城市計算夏令營
    這些圖結構化、易操作、易利用、全面有組織的知識集群就是知識圖譜。簡單地說，「知識圖譜」就是以圖（Graph）的方式來展現「實體」、實體的「屬性」，以及實體之間的「關係」[2]。知識圖譜本質上是基於圖的語義網絡，表示實體和實體之間的關係。利用從百度百科關於「瓦特」和「格拉斯哥大學」的頁面上抽取的信息所構建的知識圖譜。
  • 知識圖譜前沿跟進,看這篇就夠了,Philip S. Yu 團隊發布權威綜述...
    當我們考慮知識圖譜的圖結構時，可以將其視為一個圖。當涉及形式語義問題時，它又可以作為對事實進行解釋和推理的知識庫。知識庫和知識圖譜的具體形式如圖 1 所示。知識可以通過資源描述框架（RDF）被表示為一種事實三元組的形式，如（頭實體，關係，尾實體）或（主語，謂語，賓語），例如（愛因斯坦，是...獲獎者，諾貝爾獎）。
  • 香港科技大學在讀博士張洪銘:基於事態的常識理解知識圖譜ASER...
    「NLP前沿講座」，是智東西公開課針對自然語言處理領域推出的一檔講座，聚焦於自然語言處理前沿領域研究成果與進展。我們將持續邀請研究者、專家與資深開發者，為大家帶來直播講解。為了有效地表達常識知識，香港科技大學張洪銘博士等人提出了一個基於事態的大規模常識理解知識圖譜ASER。不同於傳統的知識圖譜，ASER是一個通過不同邊的權重變化表達人類常識知識的概率圖，其概率圖中的每一個節點代表一個事件或者事態。經實驗證明，ASER中包含的常識知識能被有效地轉化為其他形式（例如ConceptNet）並被應用在下遊任務中。
  • 需要知識的後深度學習時代，如何高效自動構建知識圖譜？
    大數據分析：基於知識圖譜中實體的關聯信息和推理，我們能挖掘出傳統數據分析較難得到的隱含信息，該優勢在存在大量異構信息的數據集中更為顯著。基於知識圖譜的大數據關聯分析在金融風控、反欺詐乃至安防等應用場景中都有很好的效果。