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
33

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

本教程针对的是对帮助机器理解自然语言文本的人工智能技术感兴趣的研究人员和从业者,特别是文本中描述的真实世界事件。这些方法包括提取关于一个事件的主角、参与者和属性的内部结构,以及关于多个事件的成员关系、时间和因果关系的外部结构。本教程将为读者提供一个系统的介绍 (i) 事件的知识表示,(ii) 自动提取、概念化和预测事件及其关系的各种方法,(iii) 事件过程和属性的归纳,和(iv) 广泛的NLU和常识性理解任务。我们将通过概述这一领域中出现的研究问题来结束本教程。

https://cogcomp.seas.upenn.edu/page/tutorial.202108/

人类语言总是涉及对现实世界事件的描述。因此,对事件的理解在自然语言理解中起着至关重要的作用。例如,叙述预测得益于学习事件的因果关系,从而预测故事接下来会发生什么;机器理解文档可能包括理解影响股市的事件、描述自然现象或识别疾病表型。事实上,事件理解在诸如开放领域问答、意图预测、时间轴构建和文本摘要等任务中也有广泛的重要应用。由于事件不只是简单的、独立的谓词,对事件理解的前沿研究通常面临两个关键挑战。一个挑战是精确地归纳事件的关系,它描述了事件的隶属关系、共参照、时间顺序和因果关系。另一种是理解事件的内在结构和属性,涉及到它的参与者、粒度、位置和时间。

在本教程中,我们将全面回顾文献中关于以事件为中心的知识表示的现有范式,并关注它们对NLU任务的贡献。除了引入用于事件抽取的部分标签和无监督学习方法外,我们还将讨论最近用于从文本中抽取多面事件-事件关系的约束学习和结构化推理方法。我们还将回顾最近用于事件预测任务的数据驱动方法,包括事件过程归纳和概念化,以及以事件为中心的语言模型如何有利于叙事预测。此外,我们将说明远距离监督方法如何帮助解决时间和因果常识对事件的理解,以及如何运用它们来构建大规模的事件知识库。参与者将了解这个主题的最新趋势和新出现的挑战,代表性工具和学习资源,以获得即用模型,以及相关模型和技术如何使最终使用NLU应用程序受益。

目录内容:

  • 引言
  • 事件信息提取
  • 事件过程预测
  • 事件知识获取
  • 事件摘要
  • 事件研究问题
成为VIP会员查看完整内容
0
26

推荐系统旨在为用户推荐个性化的在线商品或信息, 其广泛应用于众多Web场景之中, 来处理海量信息数据所导致的信息过载问题, 以此提升用户体验. 鉴于推荐系统强大的实用性, 自20世纪90年代中期以来, 研究者针对其方法与应用两方面, 进行了大量广泛的研究. 近年来, 很多工作发现知识图谱中所蕴含的丰富信息可以有效地解决推荐系统中存在的一系列关键问题, 例如数据稀疏、冷启动、推荐多样性等. 因此, 本文 针对基于知识图谱的推荐系统这一领域进行了全面的综述. 具体地, 首先简单介绍推荐系统与知识图谱中的一些基本概念. 随后, 详细介绍现有方法如何挖掘知识图谱不同种类的信息并应用于推荐系统. 此外, 总结了相关的一系列推荐应用场景. 最后, 提出了对基于知识图谱的推荐系统前景的看法, 并展望了该领域未来的研究方向.

成为VIP会员查看完整内容
0
170

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

知识图谱以概念、实体及其关系的方式建模世界知识,在实际任务中得到了越来越广泛的应用。为了介绍 知识图谱的相关技术、评估当前技术的性能水平、了解不同技术的优缺点,揭示未来的发展方向,CCKS 2019 举办了 一个包含 6 个任务的评测竞赛,覆盖了实体、关系、事件及问答等多类知识图谱关键技术,吸引了 1600 余支队伍参 加。本报告系统整理了参赛队伍使用的技术、资源和策略,可以为评估当前知识图谱技术水平,提供构建知识图谱系 统的技术参考,揭示未来的发展方向提供一份有价值的参考。

成为VIP会员查看完整内容
0
113
小贴士
相关VIP内容
专知会员服务
32+阅读 · 3月8日
专知会员服务
42+阅读 · 2020年11月15日
专知会员服务
82+阅读 · 2020年10月14日
专知会员服务
170+阅读 · 2020年8月10日
专知会员服务
50+阅读 · 2020年5月2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
基于图神经网络的知识图谱研究进展
AI科技评论
3+阅读 · 2020年8月31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
事件知识图谱构建研究进展与趋势
THU数据派
45+阅读 · 2019年12月11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
【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
人工智能学家
11+阅读 · 2017年11月11日
相关论文
Prithviraj Ammanabrolu,Wesley Cheung,William Broniec,Mark O. Riedl
7+阅读 · 2020年12月30日
CSKG: The CommonSense Knowledge Graph
Filip Ilievski,Pedro Szekely,Bin Zhang
15+阅读 · 2020年12月21日
Mike Huisman,Jan N. van Rijn,Aske Plaat
4+阅读 · 2020年10月7日
Yidan Hu,Gongqi Lin,Yuan Miao,Chunyan Miao
3+阅读 · 2019年9月8日
Yunpu Ma,Volker Tresp,Erik Daxberger
3+阅读 · 2018年12月3日
Yao Ma,Ziyi Guo,Zhaochun Ren,Eric Zhao,Jiliang Tang,Dawei Yin
15+阅读 · 2018年10月24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
Knowledge Based Machine Reading Comprehension
Yibo Sun,Daya Guo,Duyu Tang,Nan Duan,Zhao Yan,Xiaocheng Feng,Bing Qin
3+阅读 · 2018年9月12日
Luke Vilnis,Xiang Li,Shikhar Murty,Andrew McCallum
5+阅读 · 2018年5月17日
Mikyas T. Desta,Larry Chen,Tomasz Kornuta
6+阅读 · 2018年1月29日
Top