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
31

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

图神经网络(GNN)是一类基于深度学习的处理图域信息的方法,它通过将图广播操作和深度学习算法结合,可以让图的结构信息和顶点属性信息都参与到学习中,在顶点分类、图分类、链接预测等应用中表现出良好的效果和可解释性,已成为一种广泛应用的图分析方法.然而现有主流的深度学习框架(如Tensorflow、PyTorch等)没有为图神经网络计算提供高效的存储支持和图上的消息传递支持,这限制了图神经网络算法在大规模图数据上的应用.目前已有诸多工作针对图结构的数据特点和图神经网络的计算特点,探索了大规模图神经网络系统的设计和实现方案.本文首先对图神经网络的发展进行简要概述,总结了设计图神经网络系统需要面对的挑战;随后对目前图神经网络系统的工作进行介绍,从系统架构、编程模型、消息传递优化、图分区策略、通信优化等多个方面对系统进行分析;最后使用部分已开源的图神经网络系统进行实验评估,从精确度、性能、扩展性等多个方面验证这些系统的有效性.

http://www.jos.org.cn/jos/ch/reader/view_abstract.aspx?file_no=6311

成为VIP会员查看完整内容
0
86

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
32

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

知识图谱一直是研究的热点,东南大学漆桂林老师等发表了一篇关于中文知识图谱构建的综述论文,详细讲述了当前中文知识图谱的研究进展,是非常好的学习资料。

随着智能技术的不断发展,作为人工智能支柱的知识图谱以其强大的知识表示和推理能力受到了学术界和产业界的广泛关注。近年来,知识图谱在语义搜索、问答、知识管理等领域得到了广泛的应用。构建中文知识图谱的技术也在迅速发展,不同的中文知识图谱以支持不同的应用。同时,我国在知识图谱开发方面积累的经验对非英语知识图谱的开发也有很好的借鉴意义。本文旨在介绍中文知识图谱的构建技术及其应用,然后介绍了典型的中文知识图谱,此外我们介绍了构建中文知识图谱的技术细节,并介绍了了中文知识图谱的几种应用。

成为VIP会员查看完整内容
A Survey of Techniques for Constructing Chinese.pdf
0
206
小贴士
相关VIP内容
专知会员服务
11+阅读 · 9月16日
专知会员服务
16+阅读 · 9月10日
专知会员服务
19+阅读 · 8月13日
专知会员服务
18+阅读 · 6月26日
专知会员服务
86+阅读 · 3月30日
专知会员服务
32+阅读 · 3月11日
专知会员服务
192+阅读 · 2020年8月10日
专知会员服务
86+阅读 · 2020年7月10日
专知会员服务
53+阅读 · 2020年5月2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
知识图谱最新研究综述
深度学习自然语言处理
30+阅读 · 2020年6月14日
知识图谱的自动构建
DataFunTalk
34+阅读 · 2019年12月9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
最全知识图谱综述#1: 概念以及构建技术
机器学习研究会
58+阅读 · 2017年9月28日
【知识图谱】如何构建知识图谱
产业智能官
108+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
30+阅读 · 2017年9月12日
相关论文
Yixin Liu,Shirui Pan,Ming Jin,Chuan Zhou,Feng Xia,Philip S. Yu
11+阅读 · 8月5日
One-Class Classification: A Survey
Pramuditha Perera,Poojan Oza,Vishal M. Patel
6+阅读 · 1月8日
Pointer Graph Networks
Petar Veličković,Lars Buesing,Matthew C. Overlan,Razvan Pascanu,Oriol Vinyals,Charles Blundell
7+阅读 · 2020年6月11日
Yang Gao,Yi-Fan Li,Yu Lin,Hang Gao,Latifur Khan
4+阅读 · 2020年3月25日
Shaoxiong Ji,Shirui Pan,Erik Cambria,Pekka Marttinen,Philip S. Yu
77+阅读 · 2020年2月2日
Heterogeneous Deep Graph Infomax
Yuxiang Ren,Bo Liu,Chao Huang,Peng Dai,Liefeng Bo,Jiawei Zhang
10+阅读 · 2019年11月19日
Liang Yao,Chengsheng Mao,Yuan Luo
8+阅读 · 2019年9月11日
Mohamed Elhoseiny,Mohamed Elfeki
4+阅读 · 2019年4月3日
Deep Graph Infomax
Petar Veličković,William Fedus,William L. Hamilton,Pietro Liò,Yoshua Bengio,R Devon Hjelm
9+阅读 · 2018年12月21日
Guillaume Klein,Yoon Kim,Yuntian Deng,Vincent Nguyen,Jean Senellart,Alexander M. Rush
3+阅读 · 2018年5月28日
Top