大规模知识图谱的分布式表示学习、知识获取与推理应用

Knowledge Graphs (KG) store complex structured relations between entities in real world. KGs play a foundation role in contemporary artificial intelligence and intelligent information services. The development of KGs is promoting information retrieval from keyword match to semantic understanding. The key research goal of KGs is to extract structured knowledge from unstructured or semi-structured Web information, fuse the knowledge into a unified KG, and be applied to knowledge inference and other tasks. Knowledge representation is the basis of knowledge acquisition and inference. Most existing research works on KGs are confined to insufficient representation schemes of knowledge. To address this issue, motivated by recent advances of representation learning, this project will investigate distributed representation schemes and learning algorithms for multiple types of knowledge in large-scale KGs, so as to realize unified and accurate representation of the semantics of both entities and relations in knowledge. Based on the distributed representation learning framework, this project will further conduct the following studies: (1) explore knowledge acquisition and fusion from multiple heterogeneous information sources, and construct a unified large-scale KG; (2) in the typical scenario of social media, explore document understanding and user modeling schemes based on knowledge representation derived from large-scale KGs; and (3) taking intelligent personalized recommendation as the typical application, explore knowledge-derived techniques of inference and personalized recommendation, so as to verify the validity of the research achievements of this project in real-world applications. The expected outcomes of this project will deepen the studies of knowledge graph construction and applications, and will also benefit the development of contemporary artificial intelligence and intelligent information services.

知识图谱以结构化的形式描述现实世界中实体间的复杂关系，是推动人工智能学科与智能信息服务产业发展的重要基础，也是实现信息检索从字符串匹配到智能理解飞跃的重要驱动。知识图谱的主要研究目标是，从无（半）结构的互联网信息中获取有结构知识，自动融合构建知识图谱，服务知识推理等相关应用。知识表示是知识获取与应用的基础。针对现有研究缺乏对知识图谱进行有效表示与管理手段的问题，本项目以分布式表示为理论基础，研究大规模知识图谱中不同类型知识的表示框架与学习机制，实现对实体与关系的语义信息的统一精确的表示。以此为基础进一步开展以下研究：探索多源异构信息的知识获取与融合表示，建立大规模知识图谱；以社会媒体为典型场景，研究知识表示驱动的文档理解与用户建模；以智能个性化推荐为典型应用，研究知识表示驱动的推理技术与个性化推荐，验证本项目研究成果。本项目预期成果将深化知识图谱研究，对人工智能与智能信息服务均深具意义。

知识图谱以结构化的形式描述现实世界中实体间的复杂关系，是推动人工智能学科与智能信息服务产业发展的重要基础，也是实现信息检索从字符串匹配到智能理解飞跃的重要驱动。 针对现有研究缺乏对知识图谱进行有效表示与管理手段的问题，本项目着重开展了以下研究工作：(1)面对海量互联网文本，提出一套多源异构信息的知识获取框架。(2)在自动获取的知识基础上进行知识融合，构建涵盖语言知识和世界知识的大规模知识图谱。(3)为了更好地表示和利用知识图谱，提出一套针对大规模知识图谱的表示学习方案。(4)在所构建的大规模知识图谱及其表示模型的基础上，提出一套知识表示驱动的文本理解方案，并在具体任务上验证本项目所提出的知识表示、获取与推理方案的有效性。.课题组在上述研究方面均取得了很有价值的研究结果。已经发表和录用的相关学术论文共43篇(国际期刊论文4篇，国内期刊论文1篇，国际会议论文38篇)，其中包括中国计算机学会A类会议/期刊论文24篇，B类论文14篇，多篇论文发表在ACL、EMNLP、AAAI、IJCAI、COLING等人工智能和自然语言处理领域的顶级国际会议上，并有多项发明专利正在申请，相关工作成果形成的开源工具包受到学术界和业界的广泛关注，圆满完成了本项目提出的研究目标。 在人才培养方面，参加本项目的主要研究人员中，已有7名研究生毕业（获得博士学位5人、硕士学位2人），另有1名博士生在读。 .综上所述，课题组按照项目任务书的研究内容和年度计划有序地开展研究工作，完成了项目申请书上规定的各项研究任务，同时进行了必要的研究扩展。本项目将深化知识图谱研究，对人工智能与智能信息服务均深具意义。