线下沙龙 x 上海 | PaperWeekly + 上财智能金融课题组 = “知识图谱与自然语言理解”学术分享会

会员服务 ·

线下沙龙 x 上海 | PaperWeekly + 上财智能金融课题组 = “知识图谱与自然语言理解”学术分享会

2017 年 9 月 19 日 PaperWeekly 小助手

Hi，江浙沪包邮区的小伙伴们

各位最期待的线下沙（miàn）龙（jī）

本周即将登陆魔都上海

你们准备好了吗？

PaperWeekly本次将走进上海财经大学

携手上财智能金融课题组

为大家带来一场

知识图谱与自然语言理解学术沙龙

作为上海财大百年校庆系列活动之一

本次活动集结了多位学术界和工业界大咖

根据线下沙龙前两站的经验

小编劝大家赶紧点击阅读原文报名

再不占座就只能自带小马扎了

特邀嘉宾

1 肖仰华

肖仰华博士，复旦大学计算机学院副教授、博导，复旦大学知识工场实验室创始人、负责人，上海市互联网大数据工程技术中心副主任，兼任多家规模企业包括阿里巴巴、小i机器人等高级顾问或首席科学家。主要研究兴趣包括知识图谱、大数据管理与挖掘。在SIGMOD, VLDB, ICDE, IJCAI, AAAI 等国际顶级学术会议发表论文 100 多篇。领导构建国内首个知识库云服务平台（知识工场平台 kw.fudan.edu.cn），以 API 形式对外服务 3.5 亿次。

知识图谱研究的回顾与展望

自 2012 年谷歌正式推出知识图谱技术以来，知识图谱技术经历了飞速的发展，吸引了来自工业界和学术界的广泛关注，在一系列实际应用中取得了显著效果，成为了人工智能技术知识工程分支在大数据时代的代表性进展。但随着知识图谱技术应用的深入，知识图谱技术自身局限性也日益暴露，当前知识图谱技术已经难以应对智能化大潮对其提出的严峻要求。

本报告将结合复旦大学知识工场实验室自 2011 年以来在知识图谱研发与落地方面的科研实践，系统总结知识图谱研究与落地中的一系列关键科学问题，梳理突破当前技术瓶颈的主要技术思路，展望知识图谱技术下一阶段发展前景。

2 屠可伟

屠可伟博士，上海科技大学信息科学与技术学院助理教授、博士生导师。于 2002 和 2005 年在上海交通大学计算机科学与工程系获学士和硕士学位；2012 年于美国爱荷华州立大学获计算机科学博士学位；2012 至 2014 年在美国加州大学洛杉矶分校统计系与计算机系从事博士后研究工作。研究方向包括自然语言处理、机器学习、知识表示等人工智能领域，目前侧重于研究文法的表示、学习与应用。发表论文三十余篇，其中包括 EMNLP、NIPS、IJCAI、AAAI、ICCV 等国际顶级会议论文。曾任 CVPR、IJCAI、AAAI、ECCV 等多个国际顶级会议程序委员会委员。

无监督文法学习

无监督文法学习亦称为文法归纳，旨在从没有标注解析树的训练文本中学习文法。在缺乏树库（Treebank）的情况下，以及在使用文法建模非文本数据时，无监督文法学习是必不可少的。

在自然语言处理领域，无监督文法学习的主要方式是依存文法参数学习。我将讨论我们组在该方向的近期工作，包括 unambiguity regularization、neural DMV、CRF-autoencoder、基于 dual-decomposition 的联合训练，以及在大数据大模型下的学习。

3 邵浩

邵浩博士，上海瓦歌智能科技有限公司副总经理，深圳狗尾草智能科技公司研发技术总监，日本国立九州大学工学博士，研究方向为机器学习，共发表四十余篇高水平论文，目前负责深圳狗尾草智能科技有限公司 AI Lab 的建设。

上海瓦歌智能科技有限公司是深圳狗尾草智能科技有限公司的所属子公司，总部位于深圳，致力于中文自然语言交互、人工智能、机器人硬件等领域探索和创新，力求将科技与艺术完美融合，让每一款产品不仅智能，而且更具有人文关怀，让机器人真正走入家庭生活，引领简单、便捷、有趣的智能生活方式。目前，Gowild 完成超亿元的 A 轮融资，致力于深耕 AI+ 领域，建立以智能机器人为中心的智能家庭生活生态系统，并推出了公子小白情感聊天机器人，在天猫和京东等在线渠道同类产品销量领先，并于 2017 年初推出全新产品 holoera。

探索聊天机器人产业化落地之路

近年来，聊天机器人作为 AI 技术的杀手级应用，发展得如火如荼，各种智能硬件层出不穷。本次演讲将系统地阐述聊天机器人的分类和关键技术，并分析 Apple Siri、IBM Watson、Google Allo、Facebook Messenger 和 Amazon Echo 等典型代表的优缺点，并第一次给出聊天机器人行业的技术面面观。在此基础上，将展望聊天机器人通往更智能化、更人性化、更趣味化的道路上所面临的挑战，并聚焦到知识图谱技术在问答、推理和服务融合等方面的机遇和挑战。

4 崔万云

崔万云博士，上海财经大学信息管理与工程学院的助理教授，小 Cui 问答和 KBQA 项目负责人。他于 2017 年用 4 年时间获得复旦大学 5 年制博士学位，导师是汪卫和肖仰华教授。他的研究兴趣包括自然语言问答和知识图谱。自 2012 年起，他分别在微软亚洲研究院、百度深度问答小组和小i机器人等公司从事问答系统、知识图谱相关研究。他已经在 PVLDB 2017，IJCAI 2016，AAAI 2016，SIGMOD 2014，SIGMOD 2013 等顶级人工智能、数据库会议上发表第一作者论文。曾获得复旦大学学术之星、复旦大学毕业生之星等奖项。

KBQA: Learning Question Answering over QA Corpora and Knowledge Bases

Question answering (QA) has become a popular way for humans to access billion-scale knowledge bases. Unlike web search, QA over a knowledge base gives out accurate and concise results, provided that natural language questions can be understood and mapped precisely to structured queries over the knowledge base. The challenge, however, is that a human can ask one question in many different ways. Previous approaches have natural limits due to their representations: rule based approaches only understand a small set of “canned” questions, while keyword based or synonym based approaches cannot fully understand the questions.

In this talk, I will present our VLDB 2017 paper: <KBQA: Learning Question Answering over QA Corpora and Knowledge Bases>. We design a new kind of question representation: templates, over a billion scale knowledge base and a million scale QA corpora. For example, for questions about a city’s population, we learn templates such as What’s the population of $city?, How many people are there in $city?. We learned 27 million templates for 2782 intents. Based on these templates, our QA system KBQA effectively supports binary factoid questions, as well as complex questions, which are composed of a series of binary factoid questions. Furthermore, we expand predicates in RDF knowledge base, which boosts the coverage of knowledge base by 57 times. Our QA system beats all other state-of-art works on both effectiveness and efficiency over QALD benchmarks.

活动时间

9 月 23 日（本周六） 14：00—17：00

活动地点

上海财经大学工商楼2楼西侧会议室