会议交流 | 如何将图谱实体与关系更好的向量化，并基于推理扩充知识边界？——DataFun Summit2022知识图谱在线峰会

2022 年 2 月 28 日 开放知识图谱

背景介绍

知识图谱是对人类先验知识的概括，具有重要的学术价值和广泛的应用前景。在深度学习广泛应用环境下，知识图谱的表示学习通过将图谱实体和关系向量化，便于利用深度学习技术实现异质信息融合；同时，基于这种图谱表示的图谱推理能够极大地扩展现有知识的边界，有力地辅助人类进行智能决策。

3月12日，9:00-12:45 ，在DataFunSummit2022：知识图谱在线峰会上，由京东硅谷人工智能研究院高级研究员 王广涛 出品的知识表示与推理论坛，将结合知识图谱近年来的研究趋势与应用场景，聚焦图谱表示学习从基于三元组打分到考虑推理路径和结构化信息的演变，大规模知识图谱上的多跳推理，融合自然语言的时序知识图谱推理，及其在金融和零售业务场景下的应用，同时分享知识图谱表示及推理在未来面临的挑战和机遇。

具体日程

详细介绍

出品人：王广涛

京东硅谷人工智能研究院高级研究员

个人简介： 王广涛，京东硅谷人工智能研究院高级研究员，现主要研究内容包括图神经网络，知识图谱表示学习以及其在自然语言处理/理解方面的应用，参与多项图神经网络/知识图谱相关项目，包括知识图谱自动构建/补全、京东与斯坦福大学知识图谱合作课题，基于图神经网络多跳可解释性问答系统。于2013年获西安交通大学计算机科学与技术系博士学位，新加坡南洋理工大学、美国密歇根大学博士后，期间主要研究方向高维数据处理、属性子集选择以及机器学习算法自动推荐。

分享嘉宾：

1. 张永祺第四范式资深算法研究员

演讲议题：自动化知识图谱表示学习：从三元组到子图

议题介绍：在知识图谱表示学习中，三元组、路径和子图为三个重要的建模维度，为实现自适应的图谱建模，第四范式基于自动化机器学习算法，研发了多个维度上的自动化知识图谱表示学习技术。本次分享将从这三个维度，介绍近年来主流的建模方法和第四范式的自研算法。

内容靓点：

靓点1：知识图谱建模的关键点是什么？
靓点2：三元组、路径和子图的建模方式，各有什么优劣？
靓点2：自动化机器学习能为知识图谱表示学习带来什么提升？

个人简介：张永祺博士毕业于香港科技大学计算机系，自2020年起在第四范式科学技术部从事机器学习算法研究工作，主要研究方向为自动化机器学习、知识图谱表示学习与图神经网络。其自研的自动化知识图谱表示学习技术，在知识图谱的多项重要任务上达到国际领先水平，并在人工智能领域顶级会议期刊NeurIPS, WWW, VLDB Journal, ICDE上发表多个相关工作。

2. 任泓宇斯坦福博士生

演讲议题：知识图谱多步推理

议题介绍：

Learning low-dimensional embeddings of knowledge graphs (KGs) is a powerful approach for predicting unobserved or missing relations between entities. However, an open challenge in this area is developing techniques that can go beyond single link prediction and handle more complex multi-hop logical queries, which might involve multiple unobserved edges, entities, and variables. In this talk I present a framework to efficiently and robustly answer multi-hop logical queries on knowledge graphs. Based on prior work that learns entity and relation embeddings on KGs, our key insight is to embed queries in the latent space and design neural logical operators that simulate the real logical operations. We give rise to the first multi-hop reasoning framework that can handle all first-order logic queries on large-scale KGs. We demonstrate the effectiveness and robustness of our approach in the presence of noise and missing relations for query answering on KGs. Finally, I will introduce an efficient codebase SMORE, the first framework that scales the above algorithms to KGs with over 90 million nodes.

听众收益：

Recent advances in knowledge graph embeddings, neural symbolic reasoning and beyond.

新技术/实用技术点：

Query2box: Reasoning Over Knowledge Graphs In Vector Space Using Box Embeddings. H. Ren, W. Hu, J. Leskovec. ICLR, 2020.
Beta Embeddings for Multi-Hop Logical Reasoning in Knowledge Graphs. H. Ren, J. Leskovec. NeurIPS 2020.
SMORE: Knowledge Graph Completion and Multi-hop Reasoning in Massive Knowledge Graphs. H. Ren, H. Dai, B. Dai, X. Chen, D. Zhou, J. Leskovec, D. Schuurmans. ICML SSL workshop 2021.

个人简介：

Hongyu Ren is a fourth year CS Ph.D. student at Stanford advised by Prof. Jure Leskovec. His research interests lie in the intersection of graph representation learning and neural symbolic reasoning on structured data. His recent work includes learning knowledge representations and advancing multi-hop reasoning on large-scale knowledge graphs. His research is supported by the Masason Foundation Fellowship and Apple PhD Fellowship.

3. 商超京东硅谷研究院研究员

演讲议题：基于时序知识图谱的问答系统

议题介绍：传统知识图谱将实体之间的关系定义为三元组，然而很多知识和信息是随着时间演变的，这些实体和对应的关系需要包含时间才能完整定义，这就推动了时序知识图谱的发展，而如何基于复杂的时序知识图谱来回答时间相关的问题，就面临着很多新的挑战，传统的问答模型无法很好的建模这些时间信息。为了解决这些挑战，本次分享主要会和大家一起来探索如何提升时序知识图谱问答系统的时间敏感度，其中包含时序知识图谱的表达学习，自然语言问题中隐含的时间推理等等。

内容靓点：