第十七届全国知识蒸馏和语义计算大会

#开学第一次参加的会议，简单记录

大会信息

报告1：知识计算和大语言模型

1. 大模型存在的问题

        （1）大语言模型虚幻性：chatgpt回答林黛玉倒拔垂杨柳像真的一样

        （2）无法对复杂事件进行逻辑响应：chatgpt对复杂的新闻回答逻辑混乱，起因经过结果原因说不清楚

        （3）大模型推理没有用背景知识

2.大模型需要知识

        （1）结构化知识：知识图谱

                优点：可解释性强，检索更精确

                分类：以事物分类；多元知识图谱

                知识形式：参数化形式

3.知识图谱如何加入外部知识

        （1）知识增量模型：在知识图谱加入adapter模型

        （2）检索增强模型：OOD

        （3）检索生成协作

4.加入外部知识的优点

        （1）提升回复事实的一致性

        （2） 提升回复事实的安全性

        （3）提升回复事实的逻辑性

5.大语言模型因果阈值问题

        （1）因果对形成因果链+阈值

6.知识图谱可以加入外部工具

        搜索引擎

7.结论

报告2： 在大模型时代重新审视知识工程的使命

1.方向1：知识工程借力大模型

2.方向2：知识工程助力大模型

        （1）大语言模型知识评测KoLA

                ①能力建模

                ②评测数据

                ③整体观测结论

        （2）大语言模型知识推理KoPL

                ①KoPL：可解释性编程语言

                框架如下图：

                标注数据集如下图：

3.方向3：大模型知识获取和应用机理

        （1） 物理理解：知识获取和应用机理

4.总结

报告3：认知博弈背景下的社交媒体谣言检测

1.认知博弈概念

        （1）社交媒体上的认知博弈

2.社交媒体谣言检测概念

        （1）未证实的消息：Rumor

        （2）谣言产生过程

                个人到社会，伴随真实社会事件，特别适合在社交媒体出现

        （3）谣言检测分类

3.谣言检测研究工作

        （1）早期谣言检测

                ①定义：设定固定时间点，缺点是静态时间

                ②改进为动态时间：检测点动态确定模型

                ③ 数据集：微博，推特

                ④实验结果：RDM准确度好；ERD实效性好

4. 面向鲁棒性的谣言检测

        （1）鲁棒性较差体现在哪

                ①预测结果的一致性：由于水军，判别结果不固定

                ②跨领域适应性

        （2）相关研究

                ①研究动机：主观性偏移

5.社交机器人对谣言检测的影响

6.展望未来

        （1）多模态信息：结合图片

        （2）九真一假

        （3）逻辑链挖掘

报告4 ：多模态知识图谱的管理与分析      

1.汇报结构

2. 知识图谱的研究背景和意义

        （1）发展脉络

        （2）传统VS多模态图谱

        （3） 多模态图谱研究价值    

3.  多模态图谱查询   

        （1）图查询：符号计算

                缺点：符号计算不足，非结构化数据不能计算

        （2）向量查询：神经计算

                缺点：神经计算不足，弱化结构信息，可解释性不足

        （3）因此研究提出神经符号图数据库

                ①节点：两个向量，内容向量+结构向量

                ②子图匹配

                ③topk子图匹配

                ④topk子图匹配挑战：平衡符号推理和向量计算

                ⑤topk子图匹配过程

4.多模态图谱推荐

        （1）传统图谱推荐算法

        （2）多模态图谱推荐有模糊区域值

                ①提出双星模式增强

                ②联合传统+双星模式的框架

                        规则挖掘如下图：

5.总结

报告5：用知识增强小语言模型

1.国内外大语言模型发展现状

        （1）大语言模型存在能力短板

        （2）知识增强是有效途径

2.企业应用大语言模型的问题

        （1）数据安全问题

        （2）授权，硬件，运维成本高

        （3）如何识别关键的投入场景

        （4）高质量数据库建设

3.小语言模型LLM

4.开源生态

5.HashData：云原生分析型数据库

        （1）双计算引擎

        （2） 内置向量数据支持

6.HashML：数据科学工具箱

        （1）主要功能

        （2） 语言模型数据增强

        （3）应用案例

                ①ReQA

                ②ChatData

7.总结展望

 报告6：大模型下的知识图谱研究思考

个人心得

        研究生匆匆开学，第一次参加这类会议，虽说对于会议中关于知识图谱与大语言模型的介绍理解不是很深刻，一个上午听完了6个报告也算有所收获，了解了知识图谱在当前背景下的发展方向。其中，有一个关于谣言检测的报告讲的很好（因为只有这个报告我从头到尾都跟上听懂了），感觉谣言检测方向也挺有意思的。

        第一次体验还不错，希望以后有机会多多参加学术交流会议！