SIGIR 2018基于知识图谱的文本信息检索（附222页PPT下载）

【导读】信息检索顶会SIGIR 2018正在进行（7月8日-12日），每年微软、Yahoo之类的搜索引擎和AI大厂都会参与SIGIR，文章的内容偏向于搜索引擎、推荐系统、知识图谱等信息检索中的热门方向。本文介绍SIGIR2018中《Utilizing Knowledge Graphs for Text-centric IR》所配的一套222页的PPT，这套PPT由浅入深地介绍了基于知识图谱的信息检索。

实体

实体的引入，是基于知识图谱的文本信息检索与传统文本信息检索的最大区别。传统的文本信息检索是以字符串为核心的，实体比字符串包含更丰富的信息，例如实体的属性、描述等，更重要的是，实体之间的关系也会被知识图谱所考虑。基于知识图谱的信息检索充分地利用了实体属性、实体关系等信息，大幅度地提升了信息检索的效果。

实体链接

实体的引入也会带来一定的问题。文本信息检索的输入往往是字符串形式的文档和字符串形式的查询请求，如何将字符串和知识库里的实体对应起来是一个重要的问题。例如文档中出现了“苹果”，这个“苹果”指的是苹果公司实体还是水果实体需要由算法来判断。

实体表示学习和检索

如何利用实体属性、实体关系等数据来进行信息检索？一个简单但却有效的方法就是学习实体的表示。类似词向量的学习，我们可以为实体在低维空间中学到低维向量表示，它们的低维向量表示之间的距离等可以反映实体之间的相似性，信息检索算法可以利用这些表示来进行快速有效地实体检索。

该系列PPT包含5个文件，分别是：

1. Utilizing Knowledge Graphs for Text-centric IR - 01 Introduction：简介

2. Utilizing Knowledge Graphs for Text-centric IR - 02 Entity linking：实体链接

3. Utilizing Knowledge Graphs for Text-centric IR - 03 Entity Representation and Retrieval：实体表示和检索

4. Utilizing Knowledge Graphs for Text-centric IR - 04 Utilizing in IR：在信息检索中的应用

5. Utilizing Knowledge Graphs for Text-centric IR - 05 Discussion：讨论

请关注专知公众号（扫一扫最下面专知二维码，或者点击上方蓝色专知），

• 后台回复“KGTIR” 就可以获取222页基于知识图谱的文本信息检索PPT下载链接~ 

由于内容太多，只保留PPT精彩截图：

请关注专知公众号（扫一扫最下面专知二维码，或者点击上方蓝色专知），

• 后台回复“KGTIR” 就可以获取222页基于知识图谱的文本信息检索PPT下载链接~ 

-END-

专 · 知

人工智能领域主题知识资料查看与加入专知人工智能服务群：

【专知AI服务计划】专知AI知识技术服务会员群加入与人工智能领域26个主题知识资料全集获取。欢迎微信扫一扫加入专知人工智能知识星球群，获取专业知识教程视频资料和与专家交流咨询！

请PC登录www.zhuanzhi.ai或者点击阅读原文，注册登录专知，获取更多AI知识资料！

请加专知小助手微信（扫一扫如下二维码添加），加入专知主题群（请备注主题类型：AI、NLP、CV、 KG等）交流~

请关注专知公众号，获取人工智能的专业知识！

点击“阅读原文”，使用专知