第十九届国际语义网会议(ISWC2020)将于11月1日至6日远程召开。国际语义网会议是全球最重要的且最有影响力的国际学术会议,主要聚焦语义网,知识图谱,本体,链接数据等面向互联网的人工智能技术。国际语义网会议将聚集研究人员,从业人员和行业专家,以讨论、发展和塑造语义网和知识图谱技术的未来。

How to build large knowledge graphs efficiently (LKGT)

构建和管理一个知识图谱需要一些努力和语义技术方面的大量经验。将这个知识图谱转化为解决问题的有用资源需要更多的努力。一个重要的考虑是提供成本敏感的方法来构建一个对各种应用有用资源的知识图谱:“知识图谱细化有两个主要目标: (a)将缺失的知识添加到图谱中。(b)识别知识图谱中的错误信息,即错误检测。(Paulheim等,2017)本教程的目标是从知识存储的知识创建、知识管理到知识部署的过程——使用schema.org和schema.org的领域扩展作为本体应用于知识图谱。本教程将以讲师合著的《知识图谱——方法论、工具和选定用例》(Fensel et al. 2020)为基础,是讲师在SEMANTICS2019和2020年知识图谱会议上发表的教程的扩展和改编版本。

https://stiinnsbruck.github.io/lkgt/

成为VIP会员查看完整内容
0
45

相关内容

为机器配备对世界实体及其关系的全面了解一直是人工智能的一个长期目标。在过去的十年中,大规模知识库(也称为知识图谱)已经从Web内容和文本源中自动构建出来,并且已经成为搜索引擎的关键模块。这种机器知识可以被用来从语义上解释新闻、社交媒体和网络表格中的文本短语,并有助于回答问题、自然语言处理和数据分析。本文调查基本概念和实际的方法来创建和管理大型知识库。它涵盖了用于发现和规范化实体及其语义类型以及将它们组织成干净的分类法的模型和方法。在此基础上,本文讨论了以实体为中心的属性的自动提取。为了支持机器知识的长期生命周期和质量保证,本文提出了构建开放模式和知识管理的方法。学术项目的案例研究和工业知识图表补充了概念和方法的调查。

概述

增强计算机的“机器知识”,可以推动智能应用是计算机科学的一个长期目标[323]。由于知识获取方面取得了重大进展,这一以前难以捉摸的愿景如今已变得切实可行。这包括将嘈杂的互联网内容转化为实体和关系上的清晰知识结构的方法。知识获取方法使得自动建设知识库(KB):机器可读的关于现实世界的事实的集合。如今,公开的KBs提供了数以百万计的实体(比如人、组织、地点和书籍、音乐等创意作品)和数十亿的声明(比如谁研究了哪里,哪个国家拥有哪一种资本,或者哪位歌手演唱了哪首歌)。大公司部署的专有KBs包含了更大范围的知识,有一到两个数量级的实体。

知识库成为关键资产的一个突出用例是Web搜索。当我们向百度、Bing或谷歌发送一个类似“迪伦抗议歌曲”的查询时,我们会得到一个清晰的歌曲列表,比如《Blowin ' in the Wind》、《Masters of War》或《a- gonna Rain ' s a- gonna Fall》。因此,搜索引擎自动检测到我们对某一个体实体的事实感兴趣——这里是鲍勃·迪伦——并要求特定类型的相关实体——抗议歌曲——作为答案。这是可行的,因为搜索引擎在其后端数据中心有一个巨大的知识库,有助于发现用户请求(及其上下文)中的实体,并找到简明的答案。

本文介绍了从Web和文本源自动构建和管理大型知识库的方法。我们希望它将对博士生和对广泛的主题感兴趣的教师有用——从机器知识和数据质量到机器学习和数据科学,以及web内容挖掘和自然语言理解的应用。此外,本文还旨在为从事web、社会媒体或企业内容的语义技术的行业研究人员和实践者提供帮助,包括从文本或半结构化数据构建意义的各种应用程序。不需要有自然语言处理或统计学习的先验知识;我们将根据需要介绍相关的方法(或至少给出文献的具体指示)。

这篇文章共分为十章。第2章给出了知识表示的基础知识,并讨论了知识库的设计空间。第3、4和5章介绍了构建包含实体和类型的知识库核心的方法。第3章讨论了利用具有丰富和干净的半结构化内容的优质资源,第4章讨论了从文本内容中获取的知识。第5章特别关注将实体规范化为唯一表示的重要问题。第6章和第7章通过发现和提取实体的属性以及实体之间的关系的方法扩展了知识库的范围。第6章主要讨论为感兴趣的属性预先设计模式的情况。第7章讨论了为KB模式中尚未指定的属性和关系发现新的属性类型的情况。第8章讨论了知识库管理和知识库长期维护的质量保证问题。第9章介绍了几个具体KBs的案例研究,包括工业知识图谱(KGs)。我们在第10章以关键课程和关于机器知识主题可能走向的展望来结束。

成为VIP会员查看完整内容
0
154

可解释性是当前AI研究的热点之一。伦敦大学学院Pasquale Minervini博士在可解释AI研讨会做了关于可解释高效可验证表示的报告《Back to Seminars Explainable, Verifiable, Relational Representation Learning from Knowledge Graphs》,共62页PPT,

可解释、数据有效、可验证的表示学习

知识图谱是图结构化的知识库,其中关于世界的知识以实体之间关系的形式进行编码。我们将讨论在大规模知识图谱使用神经链接预测缺失链接的工作,以及如何结合背景知识——形式的一阶逻辑规则或约束——神经链接预测,从更少的数据归纳和整合。最后,我们将讨论如何通过端到端可微推理器共同学习表示和规则。

成为VIP会员查看完整内容
0
98
小贴士
相关VIP内容
专知会员服务
64+阅读 · 2020年11月6日
专知会员服务
103+阅读 · 2020年10月14日
专知会员服务
154+阅读 · 2020年10月6日
医疗知识图谱构建与应用
专知会员服务
232+阅读 · 2019年9月25日
相关资讯
公开课 | 知识图谱构建与应用概述
开放知识图谱
35+阅读 · 2019年11月6日
清华大学:人工智能之知识图谱(附PPT)
人工智能学家
37+阅读 · 2019年6月9日
【知识图谱】 一个有效的知识图谱是如何构建的?
产业智能官
41+阅读 · 2018年4月5日
【知识图谱】中医临床知识图谱的构建与应用
产业智能官
47+阅读 · 2017年12月18日
领域应用 | 中医临床知识图谱的构建与应用
开放知识图谱
23+阅读 · 2017年12月12日
【知识图谱】如何构建知识图谱
产业智能官
108+阅读 · 2017年9月19日
项目实战:如何构建知识图谱
PaperWeekly
25+阅读 · 2017年9月14日
相关论文
Bert Moons,Parham Noorzad,Andrii Skliar,Giovanni Mariani,Dushyant Mehta,Chris Lott,Tijmen Blankevoort
0+阅读 · 2020年12月16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
1+阅读 · 2020年12月11日
Hongming Zhang,Daniel Khashabi,Yangqiu Song,Dan Roth
7+阅读 · 2020年5月1日
Distillating Knowledge from Graph Convolutional Networks
Yiding Yang,Jiayan Qiu,Mingli Song,Dacheng Tao,Xinchao Wang
18+阅读 · 2020年3月23日
Liang Yao,Chengsheng Mao,Yuan Luo
14+阅读 · 2019年9月7日
Fabio Petroni,Tim Rocktäschel,Patrick Lewis,Anton Bakhtin,Yuxiang Wu,Alexander H. Miller,Sebastian Riedel
5+阅读 · 2019年9月4日
Xiaolong Wang,Abhinav Gupta
3+阅读 · 2018年6月5日
Chung-Wei Lee,Wei Fang,Chih-Kuan Yeh,Yu-Chiang Frank Wang
7+阅读 · 2018年5月26日
Daniel Oñoro-Rubio,Mathias Niepert,Alberto García-Durán,Roberto González,Roberto J. López-Sastre
9+阅读 · 2018年3月31日
Xiaolong Wang,Yufei Ye,Abhinav Gupta
5+阅读 · 2018年3月21日
Top