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。
王冠三,Managing Director of Microsoft Research
Similar concepts appear in similar contexts
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
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:
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
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。
专题讲座3: 图分析与数据智能技术及应用
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。
专题讲座4: 基于知识图谱的文本语义理解及其智能应用
也欢迎大家补充!