近年来,知识图谱问答在医疗、金融、政务等领域被广泛应用。用户不再满足于关于实体属性的单跳问答,而是更多地倾向表达复杂的多跳问答需求。为了应对上述复杂多跳问答,各种不同类型的推理方法被陆续提出。系统地介绍了基于嵌入、路径、逻辑的多跳知识问答推理的最新研究进展以及相关数据集和评测指标,并重点围绕前沿问题进行了讨论。最后总结了现有方法的不足,并展望了未来的研究方向。

成为VIP会员查看完整内容
0
34

相关内容

知识图谱(Knowledge Graph),在图书情报界称为知识域可视化或知识领域映射地图,是显示知识发展进程与结构关系的一系列各种不同的图形,用可视化技术描述知识资源及其载体,挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。 知识图谱是通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合,并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代理论。它能为学科研究提供切实的、有价值的参考。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等

摘要: 当前,以网络数据为代表的跨媒体数据呈现爆炸式增长的趋势,呈现出了跨模态、跨数据源的复杂关联及动态演化特性,跨媒体分析与推理技术针对多模态信息理解、交互、内容管理等需求,通过构建跨模态、跨平台的语义贯通与统一表征机制,进一步实现分析和推理以及对复杂认知目标的不断逼近,建立语义层级的逻辑推理机制,最终实现跨媒体类人智能推理。文中对跨媒体分析推理技术的研究背景和发展历史进行概述,归纳总结视觉-语言关联等任务的关键技术,并对研究应用进行举例。基于已有结论,分析目前跨媒体分析领域所面临的关键问题,最后探讨未来的发展趋势。

http://www.jsjkx.com/CN/10.11896/jsjkx.210200086

成为VIP会员查看完整内容
0
26

摘要 机器学习算法的发展仍受到泛化能力较弱、鲁棒性较差、缺乏可解释性等问题的限制.文中介绍机器推理,说明推理对于机器学习人的知识和逻辑、理解和解释世界的重要作用.首先分析人类大脑推理机制,从认知地图、神经元和奖赏回路,扩展到受脑启发的直觉推理、神经网络和强化学习.进而总结机器推理的方式及其相互关联的现状、进展及挑战,具体包括直觉推理、常识推理、因果推理和关系推理等.最后展望机器推理的应用前景与未来的研究方向.

http://manu46.magtech.com.cn/Jweb_prai/CN/abstract/abstract12106.shtml

成为VIP会员查看完整内容
0
32

图结构数据是许多应用领域的组成部分,包括化学信息学、计算生物学、神经成像和社会网络分析。在过去的二十年中,人们提出了许多图的核函数,即图之间的核函数,来解决图之间的相似性评估问题,从而使分类和回归设置中进行预测成为可能。这篇手稿提供了对现有图内核、它们的应用、软件和数据资源的回顾,并对最先进的图内核进行了实证比较。

https://arxiv.org/abs/2011.03854

摘要:

在机器学习中常用的数据结构中,图可以说是最通用的一种。图允许将复杂对象建模为实体(节点)和这些实体(边)之间关系的集合,每个实体都可以通过元数据(如分类或矢量节点和边特征)进行注释。许多普遍存在的数据类型可以被理解为图形的特殊情况,包括非结构化矢量数据以及结构化数据类型,例如时间序列、图像、体积数据、点云或实体包等。最重要的是,许多应用程序受益于基于图形表示提供的额外灵活性。

本文共分为两部分: 第一部分是对常见图核的理论描述。在第2章简要介绍了图理论和内核之后,我们在第3章对相关的图内核进行了详细的描述、类型和分析。我们将详细介绍不同内核之间的关系,并简要介绍它们对某些类型数据的适用性。第4章的第二部分着重于对图核的大规模经验评估,以及对基准数据集的理想属性和需求的描述。在第5章中,我们概述了图核的未来趋势和面临的挑战,以此来结束我们的综述。

成为VIP会员查看完整内容
0
42

当前自然语言处理的一个问题是处理低资源的语言,这些语言缺乏有用的训练属性,如受监督的数据、母语使用者或专家的数量等。这篇综述论文简明地总结了过去在解决这一问题上取得的突破性成就,并分析了未来研究方向的整体背景下的潜在改进。

成为VIP会员查看完整内容
0
20

随着谷歌知识图谱、DBpedia、微软 Concept Graph、YAGO 等众多知识图谱的不断出现, 根据 RDF 来构建的知识表达体系越来越为人们所熟知. 利用 RDF 三元组表达形式成为人们对现实世界中 知识的基本描述方式, 由于其结构简单、逻辑清晰, 所以易于理解和实现, 但也因为如此, 当其面对现 实中无比繁杂的知识和很多常识时, 往往也无法做到对知识的认识面面俱到, 知识图谱的构建过程注 定会使其中包含的知识不具有完整性, 即知识库无法包含全部的已知知识. 此时知识库补全技术在应 对此种情形时就显得尤为重要, 任何现有的知识图谱都需要通过补全来不断完善知识本身, 甚至可以 推理出新的知识. 本文从知识图谱构建过程出发, 将知识图谱补全问题分为概念补全和实例补全两个 层次: (1) 概念补全层次主要针对实体类型补全问题, 按照基于描述逻辑的逻辑推理机制、基于传统机 器学习的类型推理机制和基于表示学习的类型推理机制等 3 个发展阶段展开描述; (2) 实例补全层次 又可以分为 RDF 三元组补全和新实例发现两个方面, 本文主要针对 RDF 三元组补全问题沿着统计 关系学习、基于随机游走的概率学习和知识表示学习等发展阶段来阐述实体补全或关系补全的方法. 通过对以上大规模知识图谱补全技术研究历程、发展现状和最新进展的回顾与探讨, 最后提出了未来 该技术需要应对的挑战和相关方向的发展前景.

成为VIP会员查看完整内容
0
50

【简介】近些年来,可解释的人工智能受到了越来越多的关注。随着人工智能模型变得越来越复杂和不透明,可解释性变得越来越重要。最近,研究人员一直在以用户为中心研究和处理可解释性,寻找可信任、可理解、明确的来源和上下文感知的可解释性。在这篇论文中,我们通过调研人工智能和相关领域中有关可解释性的文献,并利用过去的相关研究生成了一系列的可解释类型。我们定义每种类型,并提供一个示例问题,来阐述对这种解释方式的需求。我们相信,这一系列的解释类型将有助于未来的系统设计人员获得可靠的需求和确定各种需求的优先级,并进一步帮助生成能够更好地符合用户和情景需求的解释。

介绍

人工智能(AI)领域已经从单纯的基于符号和逻辑的专家系统发展到使用统计和逻辑推理技术的混合系统。可解释性人工智能的进展与人工智能方法的发展紧密相关,例如我们在早期的论文“可解释的知识支持系统的基础”中所涉及的类别,涵盖了专家系统、语义web方法、认知助手和机器学习方法。我们注意到这些方法主要处理可解释性的特定方面。例如,由专家系统产生的解释主要用于提供推理所需的痕迹、来源和理由。这些由认知助理提供的模型能够调整它们的形式以适应用户的需求,并且在机器学习和专家系统领域,解释为模型的功能提供了一种“直觉”。

成为VIP会员查看完整内容
0
64
小贴士
相关VIP内容
专知会员服务
19+阅读 · 7月10日
专知会员服务
15+阅读 · 3月17日
专知会员服务
26+阅读 · 3月11日
专知会员服务
32+阅读 · 3月8日
专知会员服务
46+阅读 · 3月1日
专知会员服务
42+阅读 · 2020年11月15日
专知会员服务
77+阅读 · 2020年7月10日
专知会员服务
50+阅读 · 2020年5月2日
专知会员服务
64+阅读 · 2020年3月19日
相关资讯
万字综述:行业知识图谱构建最新进展
PaperWeekly
3+阅读 · 2020年12月6日
开放域知识库问答研究回顾
PaperWeekly
3+阅读 · 2020年8月4日
知识图谱最新研究综述
深度学习自然语言处理
28+阅读 · 2020年6月14日
神经机器阅读理解最新综述:方法和趋势
PaperWeekly
10+阅读 · 2019年7月25日
自然语言处理常识推理综述论文,60页pdf
专知
36+阅读 · 2019年4月4日
计算机视觉方向简介 | 目标检测最新进展总结与展望
计算机视觉life
6+阅读 · 2018年10月28日
【知识图谱】医学知识图谱构建技术与研究进展
产业智能官
39+阅读 · 2017年11月16日
医学知识图谱构建技术与研究进展
全球人工智能
15+阅读 · 2017年11月13日
相关论文
Bohong Wu,Zhuosheng Zhang,Hai Zhao
0+阅读 · 7月25日
Marcus Schaefer
0+阅读 · 7月24日
Tianrong Lin
0+阅读 · 7月23日
Adilson Luiz Bonifacio,Arnaldo Vieira Moura
0+阅读 · 7月23日
Chongming Gao,Wenqiang Lei,Xiangnan He,Maarten de Rijke,Tat-Seng Chua
12+阅读 · 1月23日
Video2Commonsense: Generating Commonsense Descriptions to Enrich Video Captioning
Zhiyuan Fang,Tejas Gokhale,Pratyay Banerjee,Chitta Baral,Yezhou Yang
3+阅读 · 2020年3月17日
Directions for Explainable Knowledge-Enabled Systems
Shruthi Chari,Daniel M. Gruen,Oshani Seneviratne,Deborah L. McGuinness
16+阅读 · 2020年3月17日
Aidan Hogan,Eva Blomqvist,Michael Cochez,Claudia d'Amato,Gerard de Melo,Claudio Gutierrez,José Emilio Labra Gayo,Sabrina Kirrane,Sebastian Neumaier,Axel Polleres,Roberto Navigli,Axel-Cyrille Ngonga Ngomo,Sabbir M. Rashid,Anisa Rula,Lukas Schmelzeisen,Juan Sequeda,Steffen Staab,Antoine Zimmermann
79+阅读 · 2020年3月4日
HotpotQA: A Dataset for Diverse, Explainable Multi-hop Question Answering
Zhilin Yang,Peng Qi,Saizheng Zhang,Yoshua Bengio,William W. Cohen,Ruslan Salakhutdinov,Christopher D. Manning
4+阅读 · 2018年9月25日
Yongfeng Zhang,Xu Chen
10+阅读 · 2018年5月13日
Top