讲座题目

可扩展可持续知识图谱构建:Scalable construction of sustainable knowledge bases

讲座内容

在工业中采用语义Web技术的一个主要障碍是构建可持续的知识库;领域专家和终端用户常常发现语义Web语言和工具很难使用。Reasonable Ontology Templates (OTTR) 是一种语言和框架,允许对RDF/OWL上的建模模式进行简洁的表示和实例化。它旨在满足领域专家、拓扑工程师和数据管理人员在创建和维护高质量、可持续知识库的过程中的需求和专长。本教程适用于渴望在工作中有效地使用建模模式的语义web从业者和拓扑工程师,也适用于业界的信息管理人员。

讲座嘉宾

Martin G.Skjæveland是奥斯陆大学和Sirius可伸缩数据访问中心的研究员,也是合理本体模板的主要开发人员。

Melinda Hodkiewicz,西澳大学教授,是一名从事多学科项目的工程学者,旨在改进维护、资产管理和安全实践。她目前是英国艾伦图灵研究所的访问学者,积极参与维护记录的本体论和自然语言处理的开发。

Leif Harald Karlsen ,奥斯陆大学的高级讲师。他之前曾在天狼星可扩展数据访问中心担任总工程师,全职致力于OTTR的实现。

Daniel P.Lupp,是奥斯陆大学(University of Oslo)的博士后研究员,致力于研究在本体规范和维护中使用OTTR的最佳实践方法。

成为VIP会员查看完整内容
16+
0+

相关内容

中文知识图谱(Chinese Knowledge Graph),最早起源于Google Knowledge Graph。知识图谱本质上是一种语义 网络。其结点代表实体(entity)或者概念(concept),边代表实体/概念之间的各种语义关系。

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

教程题目

知识图主要思想简史教程:A Brief History of Knowledge Graph's Main Ideas: A tutorial

教程内容

知识图谱可以被认为是实现了计算机科学早期的愿景,即创建大规模集成知识和数据的智能系统。“知识图”一词是在本世纪初由研究人员提出的,自2012年谷歌推广以来,在学术界和业界迅速流行起来。必须指出的是,无论“知识图”一词的讨论和定义如何,它都源于语义网、数据库、知识表示和推理、自然语言处理、机器学习等不同研究领域的科学进步。来自这些不同学科的思想和技术的集成使知识图的概念更加丰富,但同时也给实践者和研究者提出了一个挑战,使他们知道当前的进步是如何从早期技术发展而来的,并植根于早期技术。

教程作者

Claudio Gutierrez ,Juan F. Sequeda,来自于智利国立大学。

成为VIP会员查看完整内容
A Brief History of Knowledge Graph's Main Ideas.pdf
22+
0+

报告主题: Explanation In AI: From Machine Learning To Knowledge Representation And Reasoning And Beyond

嘉宾介绍: Freddy Lecue博士是加拿大蒙特利尔泰勒斯人工智能技术研究中心的首席人工智能科学家。他也是法国索菲亚安提波利斯温姆斯的INRIA研究所的研究员。在加入泰雷兹新成立的人工智能研发实验室之前,他曾于2016年至2018年在埃森哲爱尔兰实验室担任人工智能研发主管。在加入埃森哲之前,他是一名研究科学家,2011年至2016年在IBM research担任大规模推理系统的首席研究员,2008年至2011年在曼彻斯特大学(University of Manchester)担任研究员,2005年至2008年在Orange Labs担任研究工程师。

成为VIP会员查看完整内容
Alberta-FreddyLecue-Thales-XAI-ExplanationInAI-FromMachineLearningToKnowledgeRepresentationAndReasoningAndBeyond.pdf
3+
0+

报告主题: On The Role of Knowledge Graphs in Explainable AI

嘉宾介绍: Freddy Lecue博士是加拿大蒙特利尔泰勒斯人工智能技术研究中心的首席人工智能科学家。他也是法国索菲亚安提波利斯温姆斯的INRIA研究所的研究员。在加入泰雷兹新成立的人工智能研发实验室之前,他曾于2016年至2018年在埃森哲爱尔兰实验室担任人工智能研发主管。在加入埃森哲之前,他是一名研究科学家,2011年至2016年在IBM research担任大规模推理系统的首席研究员,2008年至2011年在曼彻斯特大学(University of Manchester)担任研究员,2005年至2008年在Orange Labs担任研究工程师。

报告目录:

  • 人工智能中的解释
    • 动机
    • 定义
    • 评估(以及人类在可解释性人工智能中的角色)
    • 人类作用
    • 不同AI领域的解释性
  • 知识图谱在可解释性机器学习中的角色和作用
  • 利用知识图谱在机器学习中的可解释性人工智能工业应用
  • 结论
成为VIP会员查看完整内容
ISWC2019-FreddyLecue-Thales-OnTheRoleOfKnowledgeGraphsInExplainableAI.pdf
4+
0+

报告主题:从知识表示发展历史理解知识图谱

报告摘要:语言和知识表达的多样性使得知识的生产和消费之间存在巨大差异,知识表示通过对知识的解耦和组合衔接不同个体的内在知识。目前,知识图谱俨然成为学术界和业界的知识表示新宠,它有什么特点?与传统知识表示有什么关系?本报告将从知识的数据化和数据的知识化两条知识表示发展脉络介绍知识图谱的由来,并介绍知识图谱在大数据时代描述知识的优缺点,希望能增加大家对知识图谱的理解。

嘉宾简介:何世柱,博士,中科院自动化所模式识别国家重点实验室副研究员,2016年获得中国科学院大学工学博士学位。研究方向为自然语言处理、知识工程和问答系统。在ACL、EMNLP、CIKM、AAAI、IJCAI等自然语言处理、知识工程和人工智能国际重要会议发表论文20余篇。参与国家自然科学基金重点项目、973计划、863计划以及多项企业合作科研项目的研发,合作企业包括:华为、阿里巴巴、腾讯等,同时也开发了知识抽取,知识问答等多项工具和软件。目前主持国家自然科学基金青年科学基金项目“知识问答中的自然答案生成关键技术研究”,2018年获得中国中文信息学会钱伟长中文信息处理科学技术奖一等奖。

成为VIP会员查看完整内容
知识图谱发展历程-public_Optimize.pdf
5+
0+
Top