《中国人工智能学会通讯》——12.54 知识图谱应用
12.54 知识图谱应用 Google 最初提出知识图谱是为了增强搜索结果，改善用户搜索体验，知识图谱的应用远不止这些，基于知识图谱的服务和应用是当前的一大研究热点。按照应用方式可以分为语义搜索、知识问答，以及基于知识的大数据分析与决策等。 语义搜索：利用知识图谱所具有的良好定义的结构形式，以有向图的方式提供满足用户需求的结构化语义内容，主要包括 RDF 和 OWL 的语义搜索引擎和基于链接数据....
《中国人工智能学会通讯》——12.51 现有知识图谱资源
12.51 现有知识图谱资源 知识图谱经历了由人工和群体智慧构建，到面向互联网利用机器学习和信息抽取技术自动获取的过程。根据信息来源和获取方式的不同，目前的知识图谱分为以下几类。 依靠人工构建的知识资源早期知识资源建立是通过人工添加和群体智能合作编辑得到，如英文 Wordnet [1] 和 Cyc 项目[2] ，以及中文的Hownet。Cyc 是一个通用的世界知识库，始建于 1984 年，其目的....
《中国人工智能学会通讯》——12.50 知识图谱研究综述
12.50 知识图谱研究综述 知识图谱（Knowledge Graph， KG）旨在描述客观世界的概念、实体、事件及其之间的关系。其中，概念是指人们在认识世界过程中形成对客观事物的概念化表示，如人、动物、组织机构等；实体是客观世界中具体事物，如篮球运动员姚明、互联网公司腾讯等；事件是客观世界的活动，如地震、买卖行为等。关系描述概念、实体、事件之间客观存在的关联关系，如毕业院校描述了一个人与他学习....
《中国人工智能学会通讯》——6.14 知识图谱中的推理技术
6.14 知识图谱中的推理技术 知识图谱的概念由谷歌 2012 年正式提出，旨在实现更智能的搜索引擎。知识图谱本质上是一种叫做语义网络（semantic network）的知识库，即具有有向图结构的一个知识库，其中图的结点代表实体（entity）或者概念（concept），而图的边代表实体 / 概念之间的各种语义关系，比如说两个实体之间的相似关系。谷歌知识图谱很重要的一部分是一个大规模的协同合作....
中国人工智能学会通讯——面向知识图谱的自然语言问答系统 3 GAnswer 系统
3 GAnswer 系统 KB-QA中的难点之一是“歧义”问题，不同于传统的语义解析的方法，我们设计实现了一个新颖的面向知识图谱的问答系统gAnswer[8]。一方面，我们提出一种新的逻辑形式语义查询图，使用数据驱动的方式解决实体和关系的歧义，将消歧操作后推到查询执行阶段，从而提高识别精度。此方法的核心是将自然语言问题转化一个语义查询图QS，回答自然语言问题就是找到语义查询图Q在知识图谱RDF图....
中国人工智能学会通讯——面向知识图谱的自然语言问答系统 2 语义解析式的知识库问答
2 语义解析式的知识库问答 基于语义解析(semantic parsing)的方法是指先利用语义解析理解自然语言问题的语义，将问题转化为具备相同语义的逻辑形式，再通过查询引擎对生成的逻辑形式进行查询处理，得到最终结果。上述过程分别对应语义解析和查询执行两个主要阶段。这类方法的优点在于如果解析成功，则能完整获得提问者的意图，从而精确地返回查询结果。与此同时，将生成的逻辑形式展示给用户可以让用户检验....
中国人工智能学会通讯——面向知识图谱的自然语言问答系统 1 信息检索式的知识库问答
1 信息检索式的知识库问答 信息检索式的方法通常先确定问题的中心实体，继而生成问题的若干候选答案，再使用打分、排序等方式找出最适合原问题的答案。这类方法的整体框架比较简洁，对于简单问题有较好的效果。 1.1 确定中心实体 信息检索式的方法通常假设问题足够简单，大多数系统认为问题中有且仅有一个实体，这个实体被称作中心实体(Topic Entity)，这是用户输入自然语言问题的核心，同时假设问题答案....
中国人工智能学会通讯——面向知识图谱的自然语言问答系统
自然语言问答(QA)是指利用各种技术和数据对用户提出的自然语言问题直接给出问题答案。QA任务根据所依赖的数据形态可以分成三类，分别是基于知识库的问答(KB-QA)[1-9]、基于文档的问答(DB-QA)[10]和社区问答(C-QA)[11]。其中，基于知识库的问答是指在结构化的知识库中寻找自然语言问题的答案；基于文档的问答是指在非结构化的文档集合中寻找与自然语言问题最匹配的语句或者段落，然后通过....
中国人工智能学会通讯——KS-Studio:一个知识计算引擎 1.2 知识图谱构建
1.2 知识图谱构建 知识图谱由实体、实体的属性描述以及实体和实体之间的关联构成。尽管其对于大数据人工智能的实现意义非凡，但其构造过程却极为困难。在早期，知识图谱构建单纯依赖于人类专家。在这一方法中，知识图谱中的实体、实体属性与实体关联关系完全由专家人工构造，此类知识图谱包括WordNet[2]、CyC[3]等。WordNet定义了词汇之间的特定语义关系，包含约15万个词汇、20万个词汇语义对；....
中国人工智能学会通讯——当知识图谱“遇见”深度学习 1.4 结束语
1.4 结束语 随着深度学习研究的进一步深入，如何 有效利用大量存在的先验知识，进而降低 模型对于大规模标注样本的依赖，逐渐成 为主流的研究方向之一。知识图谱的表示学习为这一方向的探索奠定了必要的基础。 近期出现的将知识融合入深度神经网络模 型的一些开创性工作也颇具启发性；但总 体而言，当前的深度学习模型使用先验知 识的手段仍然十分有限，学术界在这一方 向的探索上仍然面临巨大的挑战。这些挑 战主....
本页面内关键词为智能算法引擎基于机器学习所生成，如有任何问题，可在页面下方点击"联系我们"与我们沟通。