CNCC_2018----“认知图谱与知识推理”

前几天去参加了CNCC2018，听了一些报告，主要是关于知识图谱和NLP的。写一些会议上听到的比较好的一些点。

专题讲座1: 学术图谱中的认知问题

王冠三，Managing Director of Microsoft Research

主要收获：

1.图谱先有认知，后有推理

2.Distributional Similarity

Similar concepts appear in similar contexts

主要的意思是：相似的概念出现在相似的上下文中

                                                                           图一

王教授主要用了上面几个例子说明。图一中黄色的部分其实可以有多个意思相近的内容来代替，类似于同义词。而在知识图谱中，相近的文字内容就引申为知识图谱相似的附近节点，如图二所示

                                                                     图二

在一个实验中，如果把所有会议名称用词向量来表示，采用聚类，就可以看到，相似会议的会议名称被聚到了一起，如图三所示：

3.现在比较流行的做法是把字，词同时放到高维向量空间中去。

4.词的上下文一样，那么就有可能是同义词，当然仅仅是可能，比如在一个语境中，该词是一个人名，但是你知道是人名，不同的人名不是同义词，因此仅仅只是可能。

专题讲座2: Extremely large scale cognitive graph representation in practice

Hongxia Yang，总监，阿里巴巴

主要收获：

1.基于知识图谱的推荐在实际应用中很好用，主要在于图模型为异构数据提供了集成分析视图，因此很容易做到精准推荐。

2.在对事实没有很理解的情况下，聚类在个性化推荐是很重要的。

3.淘宝目前在尝试做：当给用户推送商品时，会生成推荐理由。

4.淘宝现在在做的内容以及挑战

专题讲座3: 图分析与数据智能技术及应用

钱正平，总监，阿里巴巴计算平台

主要收获：

1.思考在构建图谱的时候，应该思考如何消除数据之间的bias？当图谱变得很大的时候，实体之间的关系也错综复杂，很难用，有很多噪音，认知机理会改变。

2.思考在图谱中如何generate新的节点？

专题讲座4: 基于知识图谱的文本语义理解及其智能应用

赵东岩，研究员，北京大学

主要收获：

1.系统的构建图谱

也欢迎大家补充！