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
34

相关内容

随着大数据时代的到来,海量数据不断涌现,从中寻找有用信息,抽取对应知识的需求变得越来越强烈。针对该需求,知识图谱技术应运而生,并在实现知识互联的过程中日益发挥重要作用。信息抽取作为构建知识图谱的基础技术,实现了从大规模数据中获取结构化的命名实体及其属性或关联信息。同时,由于具有多样化的实现方法,扩充了信息抽取技术的应用领域和场景,也提升了对信息抽取技术研究的价值和必要性的认可度。本文首先以知识图谱的构建框架为背景。探讨信息抽取研究的意义;然后从MUC、ACE和ICDM三个国际测评会议的角度回顾信息抽取的发展历史;接着,基于面向限定域和开放域两个方面,介绍信息抽取的关键技术,包括实体抽取技术、关系抽取技术和属性抽取技术。

https://pdf.hanspub.org//HJDM20200400000_53197772.pdf

成为VIP会员查看完整内容
0
30

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
74

《医疗知识图谱的构建和应用》 倪渊平安医疗科技医疗文本处理部负责人 数据与知识是人工智能的两大引擎。知识图谱因为表达能力强,扩展性好,并能兼顾人类认知与机器自动处理,引起学术界、工业界以及政府部门的高度关注。大数据与机器学习等技术的快速发展使大规模人类知识体系的自动构建成为现实。知识图谱也可以嵌入数据驱动的机器学习流程,有力提升学习效果。两大引擎的交互作用为人工智能的应用落地和大数据的价值落地提供了切实可行的手段与方法。

倪渊,博士。平安医疗科技医疗文本处理部负责人。 2003年毕业于复旦大学计算机科学与技术专业,2007年毕业于新加坡国立大学计算机系。之后加入IBM中国研究院,从事自然语言处理,知识图谱等相关领域的研究。在IBM期间,倪渊参与过著名人工智能项目沃森机器人的开发。2018年,倪渊加入平安医疗科技研究院,带领医疗文本处理团队。 倪渊博士在著名国际会议,比如SIGMOD, WWW, ISWC等上,发表过20多篇论文,并且获得20多项国际专利。

成为VIP会员查看完整内容
《医疗知识图谱的构建和应用》.pdf
0
133
小贴士
相关VIP内容
专知会员服务
21+阅读 · 11月6日
专知会员服务
30+阅读 · 10月14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
45+阅读 · 8月12日
专知会员服务
32+阅读 · 5月2日
知识图谱本体结构构建论文合集
专知会员服务
37+阅读 · 2019年10月9日
医疗知识图谱构建与应用
专知会员服务
133+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
22+阅读 · 2019年11月6日
干货好文!自底向上——知识图谱构建技术初探
【知识图谱】 一个有效的知识图谱是如何构建的?
产业智能官
32+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
38+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
20+阅读 · 2017年12月12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
35+阅读 · 2017年11月16日
【知识图谱】中文知识图谱构建方法研究
产业智能官
75+阅读 · 2017年10月26日
【知识图谱】如何构建知识图谱
产业智能官
104+阅读 · 2017年9月19日
【知识图谱】大规模知识图谱的构建、推理及应用
产业智能官
27+阅读 · 2017年9月12日
相关论文
Thomas Ehrhard,Farzad Jafarrahmani
0+阅读 · 11月19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
71+阅读 · 3月4日
HCqa: Hybrid and Complex Question Answering on Textual Corpus and Knowledge Graph
Somayeh Asadifar,Mohsen Kahani,Saeedeh Shekarpour
3+阅读 · 2019年1月31日
Amrita Saha,Vardaan Pahuja,Mitesh M. Khapra,Karthik Sankaranarayanan,Sarath Chandar
6+阅读 · 2018年10月4日
Xi Victoria Lin,Richard Socher,Caiming Xiong
5+阅读 · 2018年9月11日
Ivana Balazevic,Carl Allen,Timothy M. Hospedales
5+阅读 · 2018年8月28日
Tim Dettmers,Pasquale Minervini,Pontus Stenetorp,Sebastian Riedel
3+阅读 · 2018年7月4日
Michael Kampffmeyer,Yinbo Chen,Xiaodan Liang,Hao Wang,Yujia Zhang,Eric P. Xing
12+阅读 · 2018年5月31日
Xiaolong Wang,Yufei Ye,Abhinav Gupta
16+阅读 · 2018年4月8日
Top