題目： TransOMCS: From Linguistic Graphs to Commonsense Knowledge
摘要： 常識知識的獲取是人工智能的關鍵問題。傳統的獲取常識的方法通常需要費力且昂貴的人工標記，而大規模的人工標記是不可行的。本文探討了一種從語言圖形中挖掘常識性知識的實用方法，目的是將通過語言模式獲得的廉價知識轉化為昂貴的常識性知識。其結果是將大規模的選擇性知識資源ASER轉換為與ConceptNet具有相同表示的Transomc，但要大兩個數量級。實驗結果證明了語言知識對常識的轉化能力，以及該方法在數量、新穎性和質量方面的有效性。
付費5元查看完整內容
相關內容
知識圖譜（Knowledge Graph），在圖書情報界稱為知識域可視化或知識領域映射地圖，是顯示知識發展進程與結構關系的一系列各種不同的圖形，用可視化技術描述知識資源及其載體，挖掘、分析、構建、繪制和顯示知識及它們之間的相互聯系。
知識圖譜是通過將應用數學、圖形學、信息可視化技術、信息科學等學科的理論與方法與計量學引文分析、共現分析等方法結合，并利用可視化的圖譜形象地展示學科的核心結構、發展歷史、前沿領域以及整體知識架構達到多學科融合目的的現代理論。它能為學科研究提供切實的、有價值的參考。
題目： KG-BERT: BERT for Knowledge Graph Completion
摘要： 知識圖譜是許多人工智能任務的重要資源，但往往是不完整的。在這項工作中，我們使用預訓練的語言模型來對知識圖譜進行補全。我們將知識圖譜中的三元組視為文本序列，并提出了一種新的框架結構——知識圖譜雙向編碼方向轉換器(KG-BERT)來對這些三元組進行建模。該方法以一個三元組的實體描述和關系描述作為輸入，利用KG-BERT語言模型計算三元組的評分函數。在多個基準知識圖譜上的實驗結果表明，我們的方法在三元組分類、鏈接預測和關系預測任務上都能達到最新的性能。
付費5元查看完整內容
題目： Hierarchical Knowledge Graphs: A Novel Information Representation for Exploratory Search Tasks
簡介： 在探索性搜索任務中，除了信息檢索之外，信息表示是有意義的重要因素。在本文中，我們探索了知識圖的多層擴展，即層次知識圖（HKG），它將層次化和網絡可視化結合為統一的數據表示形式，作為支持探索性搜索工具。我們將描述我們的算法，以構建可視化效果，分析結果以定量地展示與網絡的性能奇偶性以及相對于層次結構的性能優勢，并從交互日志，interviews和thinkalouds的數據綜合到測試平臺數據集上，以證明統一的分層結構+ HKG中的網絡結構。除了上述研究，我們還對精度和召回率對兩種不同的探索性搜索任務的層次知識圖的性能進行了其他混合方法分析。雖然定量數據顯示精確度和召回率對用戶性能和用戶工作量的影響有限，但定性數據與事后統計分析相結合提供了證據，表明探索性搜索任務的類型（例如學習與調查）可能會受到精確度和召回影響。此外，我們的定性分析發現用戶無法感知所提取信息的質量差異。我們討論了結果的含義，并分析了在實驗任務中對探索性搜索性能產生更大影響的其他因素。
付費5元查看完整內容
常識知識的獲取是人工智能的關鍵問題。傳統的獲取常識的方法通常需要耗費大量人力和財力進行注釋，而這在大規模的情況下是不可行的。本文探討了一種從語言圖形中挖掘常識性知識的實用方法，目的是將通過語言模式獲得的廉價知識轉化為昂貴的常識性知識。其結果是將大規模的選擇性偏好知識資源ASER [Zhang et al.， 2020]轉換為與ConceptNet [Liu and Singh, 2004]具有相同表示的TransOMCS，但要大兩個數量級。實驗結果表明，該方法在量、新穎性、質量等方面都具有從語言知識到常識的可轉移性和有效性。TransOMCS可通過以下網址訪問
付費5元查看完整內容
常識知識圖譜(CKG)如Atomic和ASER等大大有別于傳統知識圖譜KG，包含由松散結構化文本組成的大規模節點,。CKG能夠在自然語言處理高度多樣化的查詢，但這也導致自動CKG構建的獨特挑戰。除了識別KG中沒有的節點之間的關系外，構建方法還將探索文本中缺失的節點，其中可能會出現不同的現實世界的事物或實體。為了處理現實世界中涉及常識的無數實體，我們引入CKG構造方法概念化，即將文本中提到的實體視為特定概念的實例，反之亦然。我們通過概念化來建立合成三元組，并進一步將其表示為三元分類，由一個從預訓練語言模型中轉移知識并通過負抽樣進行微調的判別性模型來處理。實驗結果表明，該方法能夠有效地識別可能三元組，并將新節點和新邊的KG值同時擴大三倍，具有較高的多樣性和新穎性。
付費5元查看完整內容
【導讀】2020 年 2 月 7 日-2 月 12 日，AAAI 2020 在美國紐約舉辦。Michael Galkin撰寫了AAAI2020知識圖譜論文相關研究趨勢包括：KG-Augmented語言模型，異構KGs中的實體匹配，KG完成和鏈路預測，基于kg的會話人工智能和問題回答，包括論文，值得查看！
Hiroaki Hayashi, Zecong Hu, Chenyan Xiong, Graham Neubig: Latent Relation Language Models. AAAI 2020
- 潛在關系語言模型：本文提出了一種潛在關系語言模型(LRLMs)，這是一類通過知識圖譜關系對文檔中詞語的聯合分布及其所包含的實體進行參數化的語言模型。該模型具有許多吸引人的特性:它不僅提高了語言建模性能，而且能夠通過關系標注給定文本的實體跨度的后驗概率。實驗證明了基于單詞的基線語言模型和先前合并知識圖譜信息的方法的經驗改進。定性分析進一步證明了該模型的學習能力，以預測適當的關系在上下文中。
付費5元查看完整內容
Knowledge graphs (KGs) serve as useful resources for various natural language processing applications. Previous KG completion approaches require a large number of training instances (i.e., head-tail entity pairs) for every relation. The real case is that for most of the relations, very few entity pairs are available. Existing work of one-shot learning limits method generalizability for few-shot scenarios and does not fully use the supervisory information; however, few-shot KG completion has not been well studied yet. In this work, we propose a novel few-shot relation learning model (FSRL) that aims at discovering facts of new relations with few-shot references. FSRL can effectively capture knowledge from heterogeneous graph structure, aggregate representations of few-shot references, and match similar entity pairs of reference set for every relation. Extensive experiments on two public datasets demonstrate that FSRL outperforms the state-of-the-art.
報告主題：Natural Language Interface to Knowledge Graph (our experience)
報告摘要：世界上大量的數據存儲在關系數據庫和知識圖譜中。必須學習結構化查詢語言(SQL)這樣的編程語言，或者使用固定的查詢表單來查詢數據，即使是非常簡單的查詢。SQL和SPARQL分別是訪問關系數據庫和知識圖譜最常用的接口。但是，這需要用戶對查詢語言、數據模式和數據庫運行環境有很好的理解，這需要很長的訓練時間，對于偶爾查詢數據的用戶來說是不現實的。在本教程中，我將介紹這一領域的研究進展，并討論未來的研究方向。。
嘉賓簡介：嚴錫峰（Xifeng Yan）是加州大學圣塔芭芭拉分校的副教授。他擔任計算機科學Venkatesh Narayanamurti主席。他獲得了博士學位。于2006年獲得伊利諾伊大學香檳分校計算機科學博士學位。2006年至2008年，他是IBM TJ Watson研究中心的研究人員。他一直致力于信息網絡中圖形的建模，管理和挖掘，計算機系統，社交媒體和生物信息學。他的作品得到了廣泛的引用，每個Google Scholar的引用次數超過9000，并且下載了數千次軟件。他獲得了NSF職業獎，IBM發明成就獎，ACM-SIGMOD論文亞軍獎和IEEE ICDM十年最高影響力論文獎。
付費5元查看完整內容
Commonsense knowledge is paramount to enable intelligent systems. Typically, it is characterized as being implicit and ambiguous, hindering thereby the automation of its acquisition. To address these challenges, this paper presents semantically enhanced models to enable reasoning through resolving part of commonsense ambiguity. The proposed models enhance in a knowledge graph embedding (KGE) framework for knowledge base completion. Experimental results show the effectiveness of the new semantic models in commonsense reasoning.
Inferring missing links in knowledge graphs (KG) has attracted a lot of attention from the research community. In this paper, we tackle a practical query answering task involving predicting the relation of a given entity pair. We frame this prediction problem as an inference problem in a probabilistic graphical model and aim at resolving it from a variational inference perspective. In order to model the relation between the query entity pair, we assume that there exists an underlying latent variable (paths connecting two nodes) in the KG, which carries the equivalent semantics of their relations. However, due to the intractability of connections in large KGs, we propose to use variation inference to maximize the evidence lower bound. More specifically, our framework (\textsc{Diva}) is composed of three modules, i.e. a posterior approximator, a prior (path finder), and a likelihood (path reasoner). By using variational inference, we are able to incorporate them closely into a unified architecture and jointly optimize them to perform KG reasoning. With active interactions among these sub-modules, \textsc{Diva} is better at handling noise and coping with more complex reasoning scenarios. In order to evaluate our method, we conduct the experiment of the link prediction task on multiple datasets and achieve state-of-the-art performances on both datasets.
注冊地址： 北京市海淀區羊坊店路18號2幢3層301-191