全国知识图谱与语义计算大会(CCKS)在2022年4月12日发布了2022年评测任务。全国知识图谱与语义计算大会源自中文知识图谱研讨会(CKGS)和中国语义互联网与Web科学大会(CSWS)。全国知识图谱与语义计算大会已经成为国内知识图谱、语义技术、链接数据等领域的核心学术会议,聚集了知识表示、自然语言理解、知识获取、智能问答、链接数据、图数据库、图计算、自动推理等相关技术领域的学者和行业专家。
CCKS技术评测旨在为研究人员提供测试知识图谱与语义计算技术、算法、及系统的平台和资源,促进国内知识图谱领域的技术发展,以及学术成果与产业需求的融合和对接。
CCKS2022技术测评共设立五个评测主题,共15个评测任务,北京大学王选计算机研究所数据管理实验室联合北京大学重庆大数据研究院负责任务五“开放知识图谱问答”以及任务十五“基于图数据库的自定义图分析算法评测”两个任务。
欢迎大家踊跃报名参加,奖品丰厚!
1.CCKS评测官网
http://sigkg.cn/ccks2022/?page_id=22
公众号原文链接(点击跳转):
[评测通知] 2022年全国知识图谱与语义计算大会评测任务发布
2.任务介绍
任务五:开放知识图谱问答
-
任务描述:
在互联网软硬件相关技术飞速发展的今天,人们每天接触与制造的数据量日益上升,理解与应用这些数据所需的成本也随之增加。因此,如何高效而准确地处理海量异质数据成为了一个亟待解决的问题。知识图谱以结构化的“知识”来存储与表示海量数据,作为承载底层海量知识并支持上层智能应用的重要载体,它在智能时代中扮演了极其重要的角色。
然而,由于知识图谱高度结构化的特点,我们常常需要构建结构化查询语句(SPARQL等)来查找相关知识,这为普通用户使用知识图谱造成了不便。因此,在知识图谱上进行自然语言问答(KBQA)近年来成为了前者的热门应用之一。在学界,semantic parsing、IR等创新性方法与框架百花齐放;在业界,智能音箱、语音助手、智能问诊等应用也极大地拓宽了知识图谱自然语言问答的应用场景,进一步加强了对高效、准确、易用、安全、可解释的KBQA系统的需求。
面对这一需求,我们提出了开放领域中的中文知识图谱问答这一评测任务,期待参赛者们可以提出创新性的KBQA系统,同时处理“专而深”的特定领域和“广而浅”的开放领域知识图谱,对用户提出的复杂多样的自然语言问题给出准确答案。同时,我们更希望此次评测可以为KBQA的下一步研究和落地提供一些理论及实践层面的启发。
-
评测奖励:
第一名10000元
第二名5000元
第三名2500元
技术创新奖2500元
同时排名前三队伍将获授精美参赛奖牌、证书
-
任务组织者:
邹磊 (北京大学王选计算机研究所)
zoulei@pku.edu.cn
林殷年 (北京大学王选计算机研究所)
linyinnian@pku.edu.cn
张旻昊 (北京大学王选计算机研究所)
zhangminhao@pku.edu.cn
张若禹 (北京大学王选计算机研究所)
ry_zhang@pku.edu.cn
-
时间安排:
评测任务发布:4月6日
报名时间:4月6日 - 7月25日
训练及验证数据发布:4月25日
任务十五:基于图数据库的自定义图分析算法评测
-
任务描述:
知识图谱本质是基于图的语义网络,而图数据库又是以图模式存储管理数据,因此图数据库用于存储知识图谱数据具有得天独厚的优势。
通过在知识图谱上进行查询、分析、推理是实现知识图谱应用的关键核心技术,而反映到图数据库上则是基于图数据库上的图查询与图分析。BFS和DFS是图数据库最核心的算法之一,基于此之上,众多学者针对不同需求设计了衍一系列的图查询与图分析算法,如PageRank、三角形计数、环路检测等,且设计了不同变种算法。但遗憾的是,传统的图数据库查询语言并不完全内置了这些算法,如SPARQL,Gremlin等。
因此,通过本次测评将这些图查询和图分析经典算法进行实现并在图数据库中进行验证,对于检验算法有效性和实用性具有重要意义。
-
评测奖励:
第一名: 10000元
第二名: 5000元
第三名: 2500元
技术创新奖2500元,同时排名前三队伍将获授精美参赛奖牌、证书。
-
任务组织者:
邹 磊 (北京大学王选计算机研究所)
zoulei@pku.edu.cn
李文杰 (北京大学重庆大数据研究院)
liwenjiehn@pku.edu.cn
王 剑 (北京大学重庆大数据研究院)
jian.wang@cqbdri.pku.edu.cn
-
时间安排:
评测任务发布:4月11日
报名时间:4月20日 - 7月25日(通过在线表格填报)
评测系统和数据集发布:5月20日
最终测试结果:7月31日
评测报告提交:8月12日
CCKS会议日期(评测报告及颁奖):8月25日-28日
3.额外信息
参与任务五和任务十五的团队可在以下网站中了解更多信息:
图数据库gStore官网:
www.gstore.cn
图数据库gStore源码:
https://github.com/pkumod/gStore
智能问答引擎gAnswer源码:
https://github.com/pkumod/gAnswer
微信公众号:
欢迎大家报名参加