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
0
32

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

题目: Edge Computing: A Comprehensive Surveyof Current Initiativesand a Roadmap for a Sustainable Edge Computing Development

摘要: 边缘计算是一种新的分布式云计算模式,它将计算和存储能力推送到网络的拓扑边缘。然而,不同的倡议促进了各种标准和实现。以边缘计算的参考体系结构模型为先导,通过探索性内容分析对当前的方案进行分析。我们在这一领域做出了两项主要贡献,首先,我们介绍了当前的计划是如何具体化的,其次,我们提出了一个可持续边缘计算的路线图,将可持续发展的三个维度与边缘计算的四个交叉关注点联系起来。调查结果表明,大多数项目都是国际组织的软件开发项目;重要的分支机构目前是电信和工业部门;大多数涉及的是网络虚拟化层。路线图揭示了与可持续发展相关的边缘计算的许多机会和风险;例如可再生能源的使用、偏见、新的商业模式、能源消耗的增加和减少、响应性、监测和可追溯性。

成为VIP会员查看完整内容
0
9

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
0
39

教程题目:Graph-Based Meaning Representations: Design and Processing

教程简介

近年来,人们对以标记有向图的形式对句子意义进行编码和处理产生了广泛的兴趣。举例说明这条研究路线的框架包括:抽象意义表示、基于图的最小递归语义表示、双向语义依赖图和通用概念认知注释。

作为对高级的基于向量的意义表征的补充,对这种层次结构和离散的语义表示的解析,从早期开始就是自然语言理解的基石,并将继续为理解自然语言做出重要贡献。本教程将

  • 简要回顾正式和语言语义的相关背景;
  • 半正式地定义语义图的不同风格和相关术语的统一抽象视图;
  • 调查基于图的意义表示的共同框架和现有的图库;
  • 提供不同解析方法的代表性选择的技术概述。

最终目标是提供不同语义图库和相关解析工作的统一视图,从而减少NLP开发人员和用户从这个令人兴奋的领域最近的成功和最佳实践中获益的障碍。

组织者:

Alexander Koller是一名计算语言学教授,哥伦比亚大学和爱丁堡大学的博士后。研究兴趣包括为自然语言现象提出简洁的数学模型和解决自然语言处理中有用问题的有效算法。特别是在计算语义、语法形式和自然语言生成(NLG)方面做了大量的研究。

Stephan Oepen在柏林、伏尔加格勒和萨尔布吕肯学习了语言学、德语和俄语语言学、计算机科学和计算语言学。2011年至2017年,他在奥斯陆大学(University of Oslo)领导语言技术部门。在此之前,他曾在DFKI和Saarland大学(均为德国)、YY技术公司(山景城)和斯坦福大学(均为美国)工作。他的研究围绕着语言学和计算机技术的结合,在那里他发表了大约90篇经过同行评审的研究论文和会议论文,并与其他人共同创建了全球网络和北欧语言处理实验室(NLPL)。Oepen已经指导完成了5个博士项目和12个理学硕士学位。他是计算语言学编辑委员会和欧洲计算语言学协会执行委员会的成员,同时也是ACL自然语言解析特别兴趣小组的秘书和计算语言学协会欧洲分会2017年会议和自然语言处理经验方法2018年会议的区域联席主席。在2017-18学年,Oepen在挪威科学与文学院高级研究中心联合指导一个国际研究小组。

孙薇薇,计算语言学家。目前在北京大学王选计算机研究所工作,也是北京大学中国语言学中心的兼职研究员。萨尔大学计算语言学系的博士研究生,导师是Hans Uszkoreit教授。研究集中于应用图对语法和语义分析进行编码,以及利用以图为中心的形式主义和算法来明确地表达语言理论。

成为VIP会员查看完整内容
abstract.pdf
Graph-Based Meaning.pdf
0
5

报告主题:Holistic 3D Reconstruction: Learning to Reconstruct Holistic 3D Structures from Sensorial Data

报告摘要:整体场景结构的感知,即场景中的有序,规则,对称或重复的模式和关系,在人类视觉中起着至关重要的作用。在办公楼等人造环境中行走时,人们可以立即识别平行线,矩形,长方体,旋转对称性,重复性图案以及许多其他类型的结构,并利用它们进行准确而强大的3D定位,定向和导航。在计算机视觉中,从各种传感器(例如单眼和双目视觉,LiDAR和RGB-D传感器)获取的数据中,使用此类整体结构元素对物理环境(尤其是人造环境)进行3D建模已有很长的历史。 。这些方法在创建高保真3D模型,提高3D视觉系统的准确性,鲁棒性和可靠性,以及为现代3D应用程序提供高级,紧凑且语义丰富的场景表示方面显示出巨大的成功和潜力。

在这种情况下,此次报告旨在汇集当前的研究进展,并讨论结构化场景的3D建模及其应用中的最新方法。报告将回顾3D结构的多视图几何学的基本理论;分析利用整体3D结构的传统和最新几何方法;当前概述了基于学习的方法和基于几何的方法的融合。最后,我们讨论了在人造环境的3D建模中结合重构和识别的未来可能的方向。

邀请嘉宾:马毅, 1995年获得中国清华大学自动化与应用数学博士学位,并获得硕士学位。 1997年获得EECS学位,2000年获得数学硕士学位。 于2000年从UC Berkeley获得EECS学位。 从2000年至2011年,他在伊利诺伊大学厄本那香槟分校的ECE系任教。从2009年至2013年,他是视觉计算小组的经理和微软研究院在亚洲的首席研究员。 2014年至2017年担任上海科技大学信息科学与技术学院教授和执行院长。他于2018年加入加州大学伯克利分校EECS系。

Zihan Zhou 是宾夕法尼亚州立大学信息科学与技术学院的教职员工。 在加入宾夕法尼亚州立大学之前,在伊利诺伊大学厄本那-香槟分校获得了电气和计算机工程博士学位。 分别于2007年和2007年从中国清华大学获得自动化学士学位,并于2010年从UIUC获得了ECE硕士学位。 其研究兴趣在于计算机视觉,机器学习,信号处理和应用数据科学的广泛领域。 特别关注3D Vision, 具体来说,曾开发了新颖的计算工具来对来自大型视觉数据的3D环境进行建模和分析,并将其应用于解决VR/AR,基于视觉的导航,建筑设计和工程,社交媒体等方面的现实世界难题。

Yasutaka Furukawa,西蒙弗雷泽大学计算机科学系的副教授, 曾是圣路易斯华盛顿大学的助理教授,Google的软件工程师。 在加入Google之前,是华盛顿大学的博士后研究员。 曾与华盛顿大学的Seitz教授和Curless教授以及Facebook的Rick Szeliski一起(曾在Microsoft Research工作)。

成为VIP会员查看完整内容
1-intro.pdf
2-structure-detection.pdf
0
9

主题:From Data to Model Programming: Injecting Structured Priors for Knowledge Extraction

摘要:从序列标记到关系抽取,再到知识推理,深度神经网络模型在知识抽取任务中取得了最先进的性能。然而,这些渴求数据的模型严重依赖于人工标记的训练数据,并且经常作为黑箱组件运行,减慢了下游应用程序的开发。在这次演讲中,我将介绍我们最近在将结构化先验知识应用到深度神经网络模型中进行知识抽取方面的进展,这两个模型都是在输入数据级别(即,以及在模型架构级别(即,对模型进行编程)。特别地,我将讨论如何在命名实体识别中合并域字典,以及如何在关系提取中建立语义规则,作为输入级结构化先验知识的示例。对于模型编程,我将提出一个基于图神经网络的框架,用于在涉及常识推理的自然语言推理中捕获多关系结构化先验知识作为模型架构的一部分。这些解决方案共同构成了从数据到使用结构化先验知识进行模型编程的路线图。

嘉宾简介:任翔,美国南加州大学计算机科学系助理教授,获美国南加州大学ISI聘任。他也是智能和知识发现(INK)研究实验室的主任,ACM SIGKDD和数据挖掘(SIGKDD)的信息主任,以及USC机器学习中心的成员。之前,他是斯坦福大学的研究学者,并在伊利诺伊大学香槟分校获得了计算机科学博士学位。Ren博士的研究重点是开发标签高效的计算方法,从自然语言数据中提取机器可操作的知识(例如,组合、图形结构表示),并对知识结构进行神经推理。他的研究导致一本书和50多个出版物,覆盖着超过会议教程(KDD、WWW NAACL),并获得了奖项包括谷歌AI教师奖,摩根大通AI研究奖,亚马逊研究奖,ACM SIGKDD论文奖(2018),WWW最佳海报亚军(2018),大卫·j·Kuck优秀论文奖(2017),谷歌博士奖学金(2016),和Yelp数据集挑战奖(2015)。他是福布斯亚洲30位30岁以下富豪之一。

成为VIP会员查看完整内容
2_CCKS_ATT_XiangRen.pdf
0
7

题目: TextCube: Automated Construction and Multidimensional Exploration

简介: 当今社会沉浸在大量文本数据中,从新闻文章到社交媒体,研究文献,病历和公司报告。数据科学和工程学的一大挑战是开发有效且可扩展的方法,以从海量文本数据中提取结构和知识,以满足各种应用的需要,而无需广泛的人工注释。在本教程中,我们将展示TextCube提供了一种可以满足此类信息需求的关键信息组织结构。我们概述了一组最近开发的数据驱动方法,这些方法可帮助从大规模的特定于领域的文本语料库自动构建TextCube,并表明如此构建的TextCube将增强各种应用程序的文本探索和分析。我们专注于可扩展,弱监督,独立于域,与语言无关且有效的新TextCube构建方法(即从各种领域的大型语料库生成高质量的TextCube)。我们将用真实的数据集演示如何构造TextCube来协助对大量文本语料库进行多维分析。

嘉宾介绍: 韩家炜,美国伊利诺伊大学香槟分校计算机系教授,IEEE和ACM院士,美国信息网络学术研究中心主任。曾担任KDD、SDM和ICDM等国际知名会议的程序委员会主席,创办了ACM TKDD学报并任主编。在数据挖掘、数据库和信息网络领域发表论文600余篇。 韩家炜主页:https://hanj.cs.illinois.edu/

Jingbo Shang, 伊利诺伊州香槟分校博士。 他的研究专注于以最少的人力从大量文本语料库中挖掘和构建结构化知识。 他的研究获得了多个著名奖项的认可,包括Yelp数据集挑战赛的大奖(2015年),Google博士在结构化数据和数据库管理领域的奖学金(2017-2019年)。

成为VIP会员查看完整内容
0
16

简介: 使用Python和Dask进行数据科学教育,您可以构建可处理大量数据集的可扩展项目。 学习Dask框架后,您将分析NYC Parking Ticket数据库中的数据,并使用Data Frames简化流程。 然后,您将使用Dask-ML创建机器学习模型,构建交互式可视化效果,并使用AWS和Docker构建集群。

作者介绍: Jesse Daniel是一位经验丰富的Python开发人员。 他在丹佛大学教授课程:数据科学的Python,并领导一家位于丹佛的媒体技术公司的数据科学家团队。

简介:

  • part1 可伸缩计算的构建基块
    • 为什么可扩展计算很重要
    • 介绍DASK
  • part2 使用dask data frames处理结构化数据
    • dask data frames介绍
    • 将数据加载到dataframes中
    • 清理和转换dataframe
    • 总结和分析数据框架
    • 使用Seaborn可视化数据
    • 使用datashader可视化位置数据
  • part3 扩展和部署dask
    • 处理阵列
    • 使用dask-ML进行机器学习
    • 扩展和部署Dask
成为VIP会员查看完整内容
0
29
Top