针对知识图谱(KG)在知识驱动的人工智能研究中发挥的强大支撑作用,分析并总结了现有知识图谱和知识超图技术。首先,从知识图谱的定义与发展历程出发,介绍了知识图谱的分类和架构;其次,对现有的知识表示与存储方式进行了阐述;然后,基于知识图谱的构建流程,分析了各类知识图谱构建技术的研究现状。特别是针对知识图谱中的知识推理这一重要环节,分析了基于逻辑规则、嵌入表示和神经网络的三类典型的知识推理方法。此外,以异构超图引出知识超图的研究进展,并提出三层架构的知识超图,从而更好地表示和提取超关系特征,实现对超关系数据的建模及快速的知识推理。最后,总结了知识图谱和知识超图的典型应用场景并对未来的研究作出了展望。

随着计算机科学相关领域研究的不断深入,人工智能的 研究重心由感知智能转向认知智能。专家系统和语义网络作 为认知智能的早期代表,提出“将知识引入人工智能领域”,在 某些特定领域具备一定的问题解决能力,但仍存在规模较小、 自动化构建能力不足、知识获取困难等一系列问题。知识图谱(Knowledge Graph,KG)的出现,改变了传统的 知识获取模式,将知识工程“自上而下”方式转变为挖掘数据、 抽取知识的“自下而上”方式。经过长期的理论创新与实践探 索,知识图谱已经具备体系化的构建与推理方法。然而,对于 实体关系,知识图谱虽然有较强的建模能力,但难以表达普遍存在的多元关系。知识超图通过引入超边关系,能够完整表 达各种复杂的关系类型,得到学术界和工业界的高度关注。此 外 ,知 识 图 谱 和 知 识 超 图 能 够 结 合 深 度 学 习(Deep Learning,DL)等人工智能技术,实现高效推理。

http://www.joca.cn/CN/abstract/abstract24872.shtml

成为VIP会员查看完整内容
0
30

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

近些年,知识图谱的构建技术得到了极大的发展,构建好的知识图谱已经被应用到众多领域。在此基础上,研究者将目光从知识图谱转向事件图谱。事件图谱以事件为核心,准确地描述了事件信息以及事件之间的关联关系。基于此,总结了事件图谱在构建、推理与应用方面的关键技术,主要包括事件抽取、事件信息补全、事件关系推断以及事件预测技术。给出了事件图谱的具体应用场景,并且针对事件图谱研究中存在的挑战,对未来的研究趋势进行了展望。

随着信息技术的飞速发展,目前整个社会已经迈入了大数据时代。大数据时代下每时每刻都在产生庞大的数据。在庞大数据的背后,蕴含着众多有价值的信息。但是由于数据种类繁多、数据量庞大,难以高效、准确地获取有用的信息。为了更加高效地获取数据背后的信息,提高获取信息的效率,研究人员开始研究并使用自动化的工具从原始数据中抽取有价值的信息。这种自动化的技术被称为信息抽取技术[1],可以极大地提高工作效率,节省时间。与此同时,由于信息抽取技术逐渐走向成熟,一种新的数据组织形式逐渐形成,实现了知识互联,适应了用户的认知需求,其被称为知识图谱。

知识图谱的概念由Google公司在2012年正式提出[2],目的是提高搜索引擎的性能,提供更加友好的搜索结果。随后知识图谱在学术界受到了极大的关注,其构建技术也在飞速发展。目前,知识图谱已经被广泛地应用到知识问答、智能搜索、个性化推荐、软件复用[3]、政府治理[4]等多个领域。随着技术的不断发展,现有研究内容已经从知识图谱的实体识别[5]、关系抽取[6]技术扩展到了事件图谱的构建与推理技术。事件图谱刻画了现实世界中发生的事件,对事件信息进行了准确描述。事件图谱中蕴含众多事件知识,事件知识的特点是拥有众多维度,例如时间维度、逻辑维度、关系维度等。

本文对现有的关于事件知识的研究做了总结,从事件图谱的构建、推理与应用3个方面阐述了相关技术的研究现状。最后,本文展望了事件图谱的发展方向。

成为VIP会员查看完整内容
0
45

近年来,随着人工智能技术的发展,更多数据被利用,数据驱动的端到端闲聊机器人技术得到快速发展,受到了学术界和工业界的广泛关注。但是对于闲聊机器人的评价,现在没有标准的自动评价方法,而自动评价方法对于闲聊机器人对话效果的评估及闲聊机器人的快速迭代是十分重要的。该文综述了基于生成模型的闲聊机器人的自动评价方法。首先介绍了自动评价方法的研究背景及研究现状,然后介绍了对闲聊机器人的基本能力—生成合理的回复进行评价的自动评价方法,并指出了每类方法的优缺点及进一步发展的方向,其次对评价闲聊机器人的扩展能力的自动评价方法进行了介绍,扩展能力包括生成多样的回复、对话具有特定的个性、对话具有情感和对话主题具有深度和广度等。随后阐述了评价闲聊机器人综合能力的评价方法,并讨论了发展综合自动评价方法的方向,同时还介绍了如何评价自动评价方法。最后进行了分析与总结,指出研究自动评价方法的困难与挑战,并对未来发展进行了展望。

http://jcip.cipsc.org.cn/CN/abstract/abstract3097.shtml

成为VIP会员查看完整内容
0
25

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
30

以研究科学创新与演化规律为目的的科学学近年来迎来了进一步的发展, 科技大数据领域知识图谱在其中发挥了重大的作用. 本文将从科技大数据知识图谱构建及应用研究角度, 对科学学研究过程中发挥重大推动作用的科技领域知识图谱技术进行系统、深入的综述, 阐述科技大数据知识图谱构建过程中涉及的科技实体抽取、科技实体消歧、科技关系抽取、科技关系推断等问题, 对科技实体推荐、科技社区发现、科技实体评价、学科交叉以及学科演化等科技大数据知识图谱分析挖掘方法进行系统梳理, 并给出科技大数据知识图谱未来的研究及应用方向.

https://engine.scichina.com/publisher/scp/journal/SSI/50/7/10.1360/SSI-2019-0271?slug=abstract

成为VIP会员查看完整内容
科技大数据知识图谱构建方法及应用研究综述.pdf
0
86

摘要: 在自然语言处理领域,信息抽取一直以来受到人们的关注.信息抽取主要包括3项子任务:实体抽取、关系抽取和事件抽取,而关系抽取是信息抽取领域的核心任务和重要环节.实体关系抽取的主要目标是从自然语言文本中识别并判定实体对之间存在的特定关系,这为智能检索、语义分析等提供了基础支持,有助于提高搜索效率,促进知识库的自动构建.综合阐述了实体关系抽取的发展历史,介绍了常用的中文和英文关系抽取工具和评价体系.主要从4个方面展开介绍了实体关系抽取方法,包括:早期的传统关系抽取方法、基于传统机器学习、基于深度学习和基于开放领域的关系抽取方法,总结了在不同历史阶段的主流研究方法以及相应的代表性成果,并对各种实体关系抽取技术进行对比分析.最后,对实体关系抽取的未来重点研究内容和发展趋势进行了总结和展望.

http://crad.ict.ac.cn/CN/10.7544/issn1000-1239.2020.20190358#1

成为VIP会员查看完整内容
0
105

知识图谱以图的方式承载着结构化的人类知识。作为将知识整合进入人工智能系统的媒介, 知识图谱的研究日益流行。知识图谱在众多人工智能相关的应用上崭露头角, 例如问答系统、 信息检索、 自然语言处理、 推荐系统等。然而, 传统的深度学习不能很好地处理知识图谱这类非欧式数据。随着图神经网络的快速发展, 几何深度学习成为建模非欧式数据的重要理论。 本文以几何深度学习的视角, 以图神经网络为重点, 总结了近期基于图神经网络的知识图谱关键技术研究进展。具体地, 本文总结了知识图谱中知识获取、 知识表示、 知识推理这三个较为核心的研究领域, 并展望了未来的研究方向和前景, 探讨知识图谱在航空航天军事上的潜在应用。

http://www.aeroweaponry.avic.com/CN/abstract/abstract10635.shtml

成为VIP会员查看完整内容
0
86
小贴士
相关VIP内容
专知会员服务
28+阅读 · 8月4日
专知会员服务
45+阅读 · 6月12日
专知会员服务
25+阅读 · 4月18日
专知会员服务
26+阅读 · 4月8日
专知会员服务
30+阅读 · 3月11日
科技大数据知识图谱构建方法及应用研究综述
专知会员服务
86+阅读 · 2020年8月12日
专知会员服务
77+阅读 · 2020年8月6日
专知会员服务
105+阅读 · 2020年7月19日
专知会员服务
86+阅读 · 2020年7月10日
中文知识图谱构建技术以及应用的综述
专知会员服务
206+阅读 · 2019年10月19日
相关资讯
万字综述:行业知识图谱构建最新进展
PaperWeekly
4+阅读 · 2020年12月6日
基于图神经网络的知识图谱研究进展
AI科技评论
5+阅读 · 2020年8月31日
事件知识图谱构建技术与应用综述
专知
10+阅读 · 2020年8月6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
【知识图谱】中文知识图谱构建方法研究
产业智能官
81+阅读 · 2017年10月26日
综述 | 知识图谱向量化表示
开放知识图谱
29+阅读 · 2017年10月26日
大规模知识图谱的构建、推理及应用
人工智能头条
9+阅读 · 2017年8月29日
关系推理:基于表示学习和语义要素
计算机研究与发展
15+阅读 · 2017年8月22日
相关论文
Chen Wang,Yuheng Qiu,Dasong Gao,Sebastian Scherer
0+阅读 · 9月16日
Angelina Wang,Olga Russakovsky
3+阅读 · 2月24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
Yimin Zhou,Yiwei Sun,Vasant Honavar
6+阅读 · 2019年1月25日
Liang Yao,Chengsheng Mao,Yuan Luo
11+阅读 · 2018年10月17日
Pan Lu,Lei Ji,Wei Zhang,Nan Duan,Ming Zhou,Jianyong Wang
6+阅读 · 2018年5月24日
Yingqi Qu,Jie Liu,Liangyi Kang,Qinfeng Shi,Dan Ye
3+阅读 · 2018年4月28日
Shuohang Wang,Mo Yu,Jing Jiang,Wei Zhang,Xiaoxiao Guo,Shiyu Chang,Zhiguo Wang,Tim Klinger,Gerald Tesauro,Murray Campbell
8+阅读 · 2018年4月26日
Ruyue Xin,Jiang Zhang,Yitong Shao
5+阅读 · 2018年4月8日
Top