前言

12月20日，由阿里巴巴聯合中國中文信息學會語言與知識計算專委會(KG專委)舉辦的知識圖譜研討會在杭州召開。研討會由阿里巴巴集團副總裁墻輝（玄難）主持，知識圖譜領域國內知名專家參與了此次研討。在阿里巴巴持續發力知識圖譜這一人工智能基礎設施的背景下，此次研討會是對阿里巴巴知識圖譜建設的一次評估，也是建設與改進方向的一次討論。

到場的國內知名專家包括：中科院軟件所、中國中文信息學會副理事長兼秘書長孫樂教授，清華大學李涓子教授、劉知遠助理教授，中國科學院自動化所趙軍教授、劉康副教授，浙江大學陳華鈞教授，東南大學漆桂林教授，蘇州大學張民教授、陳文亮教授，北京大學趙東巖教授、馮巖松副教授。

參會專家學者合影

孫樂

中國科學院軟件研究所，研究員，博士生導師，中文信息處理研究室負責人，中國中文信息學會副理事長兼秘書長，國際計算語言學年會（ACL 2015）組織委員會聯系主席。

大規模知識圖譜對自然語言理解有至關重要的作用

在大數據時代，語言的理解，除了要基于數據模型和計算之外，還需要注重神經科學認知機制，以及大規模知識圖譜的利用。大規模知識圖譜對自然語言理解有至關重要的作用。我們的研究主要涉及兩個方面，一方面是從文本中獲取知識，特別是如何構建大規模中文知識庫，另外一方面是從知識到文本，如何基于已有知識來理解文本，比如實體鏈接和語義分析任務。

李涓子

清華大學教授，博士生導師，知識工程研究室負責人。中國中文信息學會語言與知識計算專業委員會主任。長期從事知識工程和新聞及社會網路挖掘研究。主持研制大規模跨語言知識圖譜XLORE。

大數據環境下的知識工程是實現機器智能的加速器

大數據時代需要把數據轉化成知識，為數據增添語義信息，獲得對大數據的洞察，使數據產生智慧，以提供決策支持等智能服務。知識圖譜把互聯網的信息表達成更接近人類認知世界的形式，可以把互聯網的內容從符號映射成計算機可理解和計算的語義信息。知識工程實際上就是從大數據中挖掘知識，建立知識圖譜，彌合大數據機器學習的低值特征與人類認知的鴻溝，是實現機器智能的加速器。構建大數據環境下的知識引擎是實現從互聯網信息服務向知識服務新業態躍遷的新技術。

趙軍

中國科學院自動化研究所研究員，博士生導師。長期從事信息抽取、問答系統等方向的研究，在ACL、SIGIR、IJCAI、COLING、TKDE等頂級國際會議和期刊上發表論文60余篇，曾獲COLING-2014最佳論文獎。

問答和對話系統需要知識圖譜作為支撐?

知識服務方式多種多樣，知識圖譜是重要的基礎設施。作為一種重要的知識服務方式，問答和對話系統一方面需要從知識圖譜中獲取知識，滿足用戶信息需求；另一方面還需要從大規模問答和對話數據中學習問答和對話模式，以自然友好的方式與用戶交互。其中，知識圖譜基礎設施與深度學習等高效計算手段的結合是富有潛力的關鍵技術。

陳華鈞

浙江大學教授、博導，OpenKG發起人，中國中文信息學會語言與知識計算專家委員會副主任，浙江省大數據智能計算重點實驗室副主任。

阿里KG很有挑戰，需要綜合運用好知識表示與推理、自然語言處理和深度學習等多方面的技術具有獲取、學習、表示和處理知識的能力是人類心智區別于其它物種心智的最重要特征。知識圖譜幫助構建有“學識”的AI。阿里KG的構建和應用都很有挑戰，不限于輔助搜索和問答應用，還包括支撐基于場景的智能導購、輔助平臺治理與管控、利用知識洞察消費趨勢等多個應用場景，最具挑戰的技術難點是推理能力的深度植入。對于計算機學科，產業力量非常重要，阿里已經有了這樣的體量，應該具備像谷歌類似的科技領導力，也希望像阿里這樣的行業翹楚能多多支持OpenKG的發展。

漆桂林

東南大學教授、博士生導師，獲得“六大人才高峰”資助。中國中文信息學會語言與知識計算專業委員會副主任和中國科學技術情報學會知識組織專業委員會副主任。是開放知識圖譜聯盟openKG的聯合創始人之一。語義Web國際權威期刊Journal of Web Semantics和Semantic Web Journal編委，是國際期刊DataIntelligence Journal的執行主編。

知識的內涵需要配合知識推理才能全面的展現出來

知識表示和推理對于知識工程來說是一個非常重要的研究方向。知識表示的形式很多，可以是圖或者邏輯公式集合，也可以是向量或張量等分布式表示。但這些都是知識的表現形式，并不是知識的內涵。知識的內涵需要配合知識推理才能全面的展現出來。邏輯推理對于知識庫的構建和應用都有不可忽略的價值，在知識庫構建階段可以去對知識庫做不一致性檢測，從而保證知識庫不出現邏輯沖突，在應用階段可以對一個面向知識庫的查詢做查詢的重寫，從而得到更多的精確答案。邏輯推理需要有專家構建的高質量的規則庫或者本體庫才能很好的發揮作用。當然，隨著技術的發展和海量數據的積累，也可以實現半自動構建規則和本體，這就需要去通過統計推理的方法來構建不確定性的規則或者本體，然后由專家來修正。另外，也可以通過統計關系學習直接在知識圖譜是進行推理，現有的統計關系學習方法雖然很多，但是缺少在海量數據下可以應用的開源系統，這方面還有不少研究和工程工作要做。

陳文亮

蘇州大學計算機科學與技術學院教授、博士生導師，蘇州大學人類語言技術研究所副所長。曾擔任IALP-2015、IJCNLP-2017、CCKS-2017程序委員會主席或領域主席。

用知識圖譜直接生成訓練數據實現“多、快、好、省”

高質量的標注訓練數據是很難獲得的。傳統的聘請領域專家的數據標注方式獲得的標注數據往往是“少、慢、好、貴”，而全部使用眾包的標注方式獲得的數據是“多、快、糙、省”。所以，可以采取一種折中的方式，利用少量的專家加上大量的眾包人員完成標注任務，達到“多、快、好、省”的目的。這種方式比較適合分詞、詞性標注、NER等任務，我們可以多快好省的把這個事情干好。或者說用遠程監督的方法，干脆不用人力，用知識圖譜直接生成訓練數據就行了，獲得有噪音大量訓練數據。我們的結果顯示，帶噪音的訓練數據可以構造效果還算可以的關系抽取系統，但離效果很好的目標，還有很長的路要走。

劉知遠

清華大學計算機系助理教授、博士生導師。在AAAI、IJCAI、ACL等人工智能領域的著名國際期刊和會議發表相關論文20余篇，GoogleScholar統計引用超過1900次。

以TransE為代表的知識表示學習將在知識獲取與應用中大有作為

知識表示的挑戰在于基于符號表示的三元組（RDF）無法有效計算實體間的語義關系。利用分布式表示學習旨在實現知識的高效表示與計算。知識表示學習旨在將知識圖譜中的實體和關系映射到低維向量空間。該向量空間可以有效緩解大數據處理面臨的數據稀疏問題，并能夠靈活實現多源信息融合與知識遷移。近年來，以TransE為代表的知識表示學習已在知識圖譜補全、關系抽取、知識圖譜融合、實體分類等多個重要任務中獲得廣泛應用。

馮巖松

博士，北京大學計算機科學與技術研究所副教授。其研究小組構建了大規模結構化中文百科知識庫PKUBase，并連續三年在面向結構化知識庫的知識問答評測QALD-4,5, 6中獲得第一名。

利用先驗知識，充分利用“人”來構建知識圖譜

目前知識圖譜的構建主要有三種方案：一是利用專家手工構建，二是基于已有結構化資源自動構建，三是利用志愿者眾包標注。關鍵點在于知識庫體系的確定方法和知識條目的收集。在神經網絡時代下，與傳統方法相比，深度學習框架具有先天的優勢，但仍需要與專家經驗做進一步結合。利用先驗知識，充分利用“人”來完善知識圖譜的構建，將人給出經驗性規則與現代機器學習方法有機結合起來必將是未來知識圖譜研究的發展方向之一。

---

OpenKG.CN

中文開放知識圖譜（簡稱OpenKG.CN）旨在促進中文知識圖譜數據的開放與互聯，促進知識圖譜和語義技術的普及和廣泛應用。

點擊閱讀原文，進入 OpenKG 博客。

總結

以上是生活随笔為你收集整理的研讨会 | 知识图谱大咖云集阿里，他们都说了啥的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。