2019 年年底，图灵奖获得者 Bengio 曾指出，我们正处于从以感知智能为代表的深度学习“系统一”，向以认知智能为代表的深度学习 “系统二”过渡的时期。
大数据文摘授权转载自专知 知识图谱推理(Knowledge graph reasoning, KGR)旨在从知识图谱(Knowledge graphs, KGs)中挖掘出逻辑规则，从已有事实中推理出新的事实，已成为一个快速发展的研究方向。事实证明，知识图谱在许多人工智能应用中可以显著受益，如问答和推荐系统等。根据图的类型，现有的KGR模型大致可以分为静态模型、时序模型和多模态模型3类。该领域的早期工作主要集中在静态KGR上，倾向于将通用的知识图谱嵌入模型直接应用于推理任务。然而，这些模型并不适用于更复杂但实
知识图谱在知识驱动的信息检索、自然语言理解和推荐系统领域有着广泛的应用。一个知识图谱只拥有静态某一时刻的事实，而目前快速增长的数据往往表现出复杂的时间动态，即时序知识图谱（TKG）。具有代表性的时序知识图谱包括全球事件、语言和音调数据库（Global Database of Events, Language, and Tone, GDELT）和综合危机预警系统（Integrated Crisis Early Warning System, ICEWS）。下图 1 展示了 ICEWS 系统的一个外交活动记录子图。
论文为A Survey on Knowledge Graphs: Representation, Acquisition and Applications，发表日期2020年，论文PDF，点击链接。
EvolveGCN汇报ppt版可通过关注公众号后回复关键词：EvolveGCN 来获得，供学习者使用！
论文标题：Give Us the Facts: Enhancing Large Language Models with Knowledge Graphs for Fact-aware Language Modeling
作者 | Ccxs 整理 | NewBeeNLP 知识图谱 Robust Knowledge Graph Completion with Stacked Convolutions and a Student Re-Ranking Network 使用堆叠卷积和学生重排网络的具有鲁棒性的知识图谱补全 Poisoning Knowledge Graph Embeddings via Relation Inference Patterns 通过关系推理模式毒化知识图谱嵌入 PairRE: Knowledge G
在科学研究中，从方法论上来讲，都应“先见森林，再见树木”。当前，人工智能学术研究方兴未艾，技术迅猛发展，可谓万木争荣，日新月异。对于AI从业者来说，在广袤的知识森林中，系统梳理脉络，才能更好地把握趋势。为此，我们精选国内外优秀的综述文章，开辟“综述专栏”，敬请关注。
2016年7月，哈工大社会计算与信息检索研究中心（HIT-SCIR）开始启动事理图谱的研究工作。
在此开放资源中，面对金融领域多元关系表示的困境和时序事件表示需求，我们以OWL语义为基础，结合金融领域专业知识，融合超图概念和事件5W（When，where，Why，What，Who）定义构建了可通用化的金融时序超图本体模型（Finanical Temporal Hypergraph Ontology，FTHO）。
论文 1：Using Manipulation to Enable Adaptive Ground Mobility
随着人工智能和大数据的爆炸式增长，如何合理地组织和表示海量的知识变得至关重要。知识图谱作为图数据，可以用来积累和传递现实世界的知识。知识图谱可以有效地表示复杂信息，因此，近年来迅速受到学术界和工业界的关注。为了加深对知识图谱的理解，本文对该领域进行了系统综述。
在网络空间中，作为防御者需要“知彼”，就是回答在网络攻防对抗中谁攻击了我，攻击点在哪以及相关攻击路径，这便是攻击事件调查。威胁评估是从海量的数据中找到真正的攻击者，回答的是谁攻击了我的问题，除此之外，还需要找到完整的攻击路径实现攻击事件调查。攻击事件调查技术可以确定攻击源、攻击中间介质（中间点），以及其相应的攻击行为路线，以此制定更有针对性地防护与反制策略，达到主动防御的效果。可见攻击事件调查是网络空间防御体系从被动防御到主动防御转换的重要步骤。
高君宇，中国科学院自动化研究所博士生，导师为徐常胜研究员。研究方向为基于深度学习的视频理解与应用。在IEEE Transaction on Image Processing（TIP）、CVPR、AAAI、ACM MM等CCF推荐的A类期刊、会议中发表多篇一作论文。获得了国家奖学金、中国科学院大学三好学生、三好学生标兵、百度奖学金、必和必拓奖学金、Rokid奖学金等。
导读：由于大数据时代的发展，知识呈指数级增长，而知识图谱技术又在近年来逐步火热，因此诞生了利用知识图谱技术进行智能创作的新想法。本文将分享基于知识图谱的多模内容创作技术及应用。主要包括以下四大部分：
知识图谱是下一代可信人工智能领域的关键技术组成之一。围绕知识的归纳抽取、演绎推理等处理与分析过程，诸多关键问题逐步被攻克，大幅推动了机器认知技术的发展。在网络空间安全领域，防御技术的智能化升级也亟需成熟、有效的网络空间安全领域知识图谱（以下简称为安全知识图谱）技术体系，为应对强对抗、高动态环境下的攻防博弈提供知识要素与推理智能支撑。为了归纳总结安全知识图谱的关键技术研究进展，本文将尝试通过技术概述的方式，尝试回答以下几个问题，期望为读者较成体系化的安全知识图谱研究现状总结。
由于大数据时代的发展，知识呈指数级增长，而知识图谱技术又在近年来逐步火热，因此诞生了利用知识图谱技术进行智能创作的新想法。本文将分享基于知识图谱的多模内容创作技术及应用。主要包括以下四大部分：
研究证实，人类从一出生即开始累积庞大且复杂的数据库，包括各种文字、数字、符码、味道、食物、线条、颜色、公式、声音等，大脑惊人的储存能力使我们累积了海量的资料，这些资料构成了人类的认知知识基础。实验表明，将数据依据彼此间的关联性进行分层分类管理，使资料的储存、管理及应用更加系统化，可以提高大脑运作的效率。知识库是实现人工智能的基础元件，知识库是理解人类语言的背景知识，而如何构造这个知识库，找到一种合适的知识表示形式是人工智能发展的重要任务。面向人工智能的表示方法从上世纪五六十年代开始至今，已经陆续出现了多种知识表示方式，包括最开始的一阶谓词逻辑以及现在火热的知识图谱等等。本文是上一篇《事件、事件抽取与事理图谱》的姊妹篇，文章将以知识为中心，对知识、知识表示、知识图谱的历史情况进行介绍。
链接：https://github.com/lrs1353281004/Chinese_medical_NLP
深度学习技术已经在计算机视觉以及自然语言理解等领域取得了巨大的成功，受其影响深度学习研究也开始在推荐系统领域得到关注。近些年来，已经见证了基于神经网络的推荐系统的巨大进步，其已经超越了传统推荐模型的性能。不同于之前文献[1][2]基于深度模型的结构进行综述（比如以MLP、CNN、RNN等进行分类），也不同于之前文献对于某一子领域进行综述[3][4]（比如跨域推荐、知识图谱推荐等），本文以推荐模型的准确性为目标，从推荐模型的角度对神经推荐模型进行了系统的综述，旨在总结该领域的研究成果，为研究推荐系统的研究者和实践者提供参考。具体来说，根据推荐模型建模所利用的数据进行分类，把当前的工作分为了基于协同过滤的方法和基于信息增强的方法。另外，把基于信息增强的方法又进一步分为了内容增强的方法和基于时序/序列的推荐方法，下文将对上述方法进行详细介绍。
采访嘉宾 | 彭力 作者 | 冬梅 随着互联网的发展，知识图谱和深度学习已广泛应用并影响了不同业务场景下数据获取及计算的方式。知识图谱已变为问答系统、商品推荐等智能应用的基础设施，为上层业务在语义理解和可解释性上提供了依据。其中知识计算是知识图谱构建的关键一环，将各类数据、知识、经验以及信息进行表示、分类、融合、建模将知识表达成更接近人类认知的结构。 为了进一步了解知识计算及知识图谱技术在小米业务场景下的探索和实践，在 AICon（北京站）前夕，InfoQ 有幸采访了小米人工智能部 / 知识图谱平台团队负
本系列参考了市面上已知的，几乎全部“知识图谱”相关文章，并总结提炼出一套适合初学者入门的“知识图谱”的知识体系，希望大家能有所收获。
在近期AI科技评论对张杰博士进行的采访中，张杰如是回答了他对知识图谱未来发展的看法。
当前企业环境面临的攻击越来越趋于隐蔽、长期性，为了更好的针对这些攻击进行有效的检测、溯源和响应，企业通常会部署大量的终端设备。安全运营人员需要通过分析这些日志来用来实现攻击检测、溯源等。利用安全知识图谱与攻击推理进行评估溯源，在相关专题文章[1,2,3]中都有介绍，其中[1]是通过挖掘日志之间的因果关系来提高威胁评估的结果，[2]利用图表示学习关联上下文提高检测与溯源的准确率，[3]主要是介绍了知识图谱在内网威胁评估中的应用。但这些工作把均是把异常日志当作攻击行为来处理。基于异常检测方法无论是在学术领域还是工业上都有了一些经典的应用如异常流量检测、UEBA（用户与实体行为分析）等。Sec2graph[4]主要是对网络流量进行建模，构建了安全对象图并利用图自编码器实现对安全对象图中的异常检测，并把异常作为可能的攻击行为进行进一步分析。Log2vec[5]通过分析终端日志的时序关系构建了异构图模型，利用图嵌入算法学习每个节点的向量表示，并利用异常检测算法检测异常行为。UNICORN[6]方法是基于终端溯源图[9]为基础提取图的概要信息，利用异常检测方法对图概要信息进行分析检测。之前的攻击推理专题中的文章[9]也是利用图异常检测算法进行攻击者威胁评估和攻击溯源。但是这些方法本质上都是基于这么一个假设：攻击行为与正常用户行为是有区别的。这些方法检测出来的结果只能是异常，异常行为与攻击行为本身有很大的语义鸿沟，同时这些异常缺少可解释性。
本书以“平民”的起点，从“零”开始介绍深度学习的技术与技巧，让读者有良好的带入感和亲近感，并通过逐层铺垫，把学习曲线拉平，使得没有学过微积分等高级理论的程序员朋友一样能够读得懂、学得会。同时，本书配合漫画插图来调节阅读气氛，并在每个原理讲解的部分都提供了对比和实例说明，相信每位读者都能有轻松、愉悦的阅读体验。
基于知识图谱的应用可以分为几种典型的类型，这几种应用使用的场景各有不同，在使用技术上也各有侧重，我们希望能够根据不同类型，总结出一些通用的场景，指导应用建设：
新冠肺炎是一种具有最长达24天潜伏期的新型突发性传染疾病，这种特性给疫情防控带来了巨大的挑战，随着感染规模的不断扩增，简单的人为治理已不太奏效，使用“大数据”技术手段来辅助人为治理社会有助于快速准确的定位问题关键，帮助决策者及时作出下一步规划。
👆点击“博文视点Broadview”，获取更多书讯 01 多模态简介 1．知识图谱的多模态数据来源 本节探讨多模态知识图谱的问题。前面曾多次提到，知识图谱的数据来源不仅仅是文本和结构化数据，也可以是图片、视频和音频等视觉或听觉形式的数据。多模态就是指视觉、听觉和语言等不同模态通道的融合。能够充分融合和利用语言、视觉和听觉等多种模态来源数据的知识图谱叫作多模态知识图谱。 一方面，凡是蕴含知识的原始数据都可以作为知识图谱构建的数据来源，例如对于图片，也需要完成类似于文本中的实体识别和关系抽取任务。另一方面，
本节探讨多模态知识图谱的问题。前面曾多次提到，知识图谱的数据来源不仅仅是文本和结构化数据，也可以是图片、视频和音频等视觉或听觉形式的数据。多模态就是指视觉、听觉和语言等不同模态通道的融合。能够充分融合和利用语言、视觉和听觉等多种模态来源数据的知识图谱叫作多模态知识图谱。
推荐系统技术，总体而言，与NLP和图像领域比，发展速度不算太快。不过最近两年，由于深度学习等一些新技术的引入，总体还是表现出了一些比较明显的技术发展趋势。这篇文章试图从推荐系统几个环节，以及不同的技术角度，来对目前推荐技术的比较彰显的技术趋势做个归纳。个人判断较多，偏颇难免，所以还请谨慎参考。
WSDM的英文全称是 The International Conference on Web Search and Data Mining，中文意思是国际互联网检索与数据挖掘会议，由SIGIR、SIGKDD、SIGMOD和SIGWEB四个专委会协调筹办，在互联网搜索、数据挖掘领域享有较高学术声誉，被中国计算机协会推荐为B类会议。在清华大学最新发布的新版计算机学科推荐学术会议和期刊列表中，WSDM已被列为准A类学术会议。
👆点击“博文视点Broadview”，获取更多书讯 一句话就可以“创作”一条视频 AI终于把魔抓伸向影视行业了 大家知道，制作一条视频需要很多步骤： 文案、录制、后期，等等 即便是简简单单的一条短视频，也要经过一通操作才能使之呈现。 但是，现在可要变天了！ 就在不久前，谷歌发布了名为“Dreamix”的视频生成产品。 好家伙啊 在官方演示中，你只需要一句话，就可以对现有视频进行“魔改“，直接替换生产新主角和新内容。 比如这里，输入了”一只白猫和一只橘猫在地板上“原视频里的狗子直接变成了两只猫。
👆点击“博文视点Broadview”，获取更多书讯 在企业数字化、智能化转型的研发、生产、供应、销售、服务等诸多场景中，如何融合数据与专家知识，协同驱动业绩增长是一个多方关注，且难以解决的难题。 比如： 如何干预用户认知？企业应如何对针对不同用户群体，制定合适的北极星指标，生成并选择最优的策略，在不同场景中对用户群体进行干预，引导用户的认知变化，带来活跃与付费的业绩增长？ 如何融合多方知识？企业应如何将业务需求知识、场景事理知识、用户、商品等业务目标知识进行关联与聚合，并被用户洞察分析、标签生产、数据平台
导读：知识图谱工程实践仅仅是迈向智能的第一步。丰富的结构化知识很有用，但是如何将这些符号化的知识融合应用到计算框架中仍然是一大挑战。通过与各类自然语言处理算法或模型结合，由知识驱动的显式事实知识和隐式语言表征，集成语言知识，才能发挥认知智能的威力，推动常识理解和推理能力的进步。
腾讯公司和中国计算机学会于2013年共同发起的CCF-腾讯犀牛鸟基金（以下简称犀牛鸟基金），始终致力于支持海内外青年学者开展前沿学术研究与技术实践。犀牛鸟基金通过提供企业真实问题与业务实际需求，搭建产学研合作及学术交流的平台，推动合作双方学术影响力的提升及研究成果的应用落地，促进自主技术的创新与发展。 本年度共设立8个技术方向，35项研究命题 申报截止时间为2020年6月15日24:00(北京时间) 申报链接：https://withzz.com/project/detail/73（请在PC端登录）
导读：美团是一个生活服务领域的平台，需要大量知识来理解用户的搜索意图，同时对于商家侧我们也需要利用现有的知识对海量信息进行挖掘与提取，进而优化用户体验。今天分享的主题是知识图谱在美团推荐场景中的应用。主要包括以下几方面内容：
导读 知识图谱 (Knowledge Graph) 是当前的研究热点。自从2012年Google推出自己第一版知识图谱以来，它在学术界和工业界掀起了一股热潮。各大互联网企业在之后的短短一年内纷纷推出了自己的知识图谱产品以作为回应。比如在国内，互联网巨头百度和搜狗分别推出”知心“和”知立方”来改进其搜索质量。那么与这些传统的互联网公司相比，对处于当今风口浪尖上的行业 - 互联网金融， 知识图谱可以有哪方面的应用呢？ 目录 1. 什么是知识图谱？ 2. 知识图谱的表示 3. 知识图谱的存储 4.
CCF-腾讯犀牛鸟基金于2013年由腾讯公司和中国计算机学会（CCF）共同发起，今年是基金发起的第10年。10年来，犀牛鸟基金致力于为海内外青年学者搭建产学合作创新的平台，推动科技在产业创新和社会发展中持续发挥价值。 本年度犀牛鸟基金设立12个技术领域共35项研究命题，我们将分7期对各项命题进行详细介绍，本文重点聚焦碳中和&智慧医疗领域，欢迎海内外优秀青年学者关注并申报。 1.碳中和 1.1 面向数据中心算力需求和能源供给的智慧调度系统研究 数据中心输入能源，输出算力。传统数据中心输入能源（以市电为主）和设
特定领域知识图谱融合方案：文本匹配算法(Simnet、Simcse、Diffcse) 本项目链接：https://aistudio.baidu.com/aistudio/projectdetail/5
作者：李文哲 摘自：普惠大数据中心 导读 知识图谱 (Knowledge Graph) 是当前的研究热点。自从2012年Google推出自己第一版知识图谱以来，它在学术界和工业界掀起了一股热潮。各大互联网企业在之后的短短一年内纷纷推出了自己的知识图谱产品以作为回应。比如在国内，互联网巨头百度和搜狗分别推出”知心“和”知立方”来改进其搜索质量。那么与这些传统的互联网公司相比，对处于当今风口浪尖上的行业 - 互联网金融， 知识图谱可以有哪方面的应用呢？ 目录 1. 什么是知识图谱？ 2. 知识图谱的表示
云栖君导读：知识图谱的构建技术主要有自顶向下和自底向上两种。其中自顶向下构建是指借助百科类网站等结构化数据源，从高质量数据中提取本体和模式信息，加入到知识库里。而自底向上构建，则是借助一定的技术手段，从公开采集的数据中提取出资源模式，选择其中置信度较高的信息，加入到知识库中。
AI 科技评论按：2018 全球人工智能与机器人峰会（CCF-GAIR）在深圳召开，峰会由中国计算机学会（CCF）主办，雷锋网、香港中文大学（深圳）承办，得到了宝安区政府的大力指导，是国内人工智能和机器人学术界、工业界及投资界三大领域的顶级交流盛会，旨在打造国内人工智能领域最具实力的跨界交流合作平台。
腾讯公司和中国计算机学会于2013年共同发起的CCF-腾讯犀牛鸟基金（以下简称犀牛鸟基金），始终致力于支持海内外青年学者开展前沿学术研究与技术实践。犀牛鸟基金通过提供企业真实问题与业务实际需求，搭建产学研合作及学术交流的平台，推动合作双方学术影响力的提升及研究成果的应用落地，促进自主技术的创新与发展。 本年度犀牛鸟基金共设立10个科研方向共33项研究课题 申报截止时间为2021年6月15日24:00(北京时间) 申报链接： https://www.withzz.com/project/detail/12
作者 | 维克多 编辑 | 青暮知识图谱蕴含丰富的人类先验知识，具有重要的学术价值和广泛的应用前景。知识图谱推理作为知识图谱领域的核心技术，能够极大地扩展现有知识的边界，有力地辅助人类进行智能决策。2021年12月17日，中国科学技术大学教授，博士生导师，国家优青王杰在 CNCC 2021 “知识为意，图谱为形--基于图机器学习的知识推理”专题论坛上做了《基于表示学习的知识图谱推理技术——从简单推理到复杂推理》的报告。在报告中，王杰结合知识图谱近年来的研究趋势与应用场景，聚焦从单一图谱推理到联合外部信息推理
2020年度第一批项目申报指南建议》，从中可以看到主要发展方向和当前技术水平，本文尝试分析其中脉络，供参考。指南原文下载见文末。
AI 科技评论按，5 月 9 日上午，2019 全球人工智能产品应用博览会（以下简称「全球智博会」）在苏州博览中心正式拉开帷幕，本届全球智博会由科技部、工信部和江苏省人民政府指导，苏州市人民政府和新一代人工智能产业技术创新战略联盟共同主办，苏州工业园区管委会和苏州启智创新科技有限公司联合承办。科技部高新司副司长梅建平、工信部科技司巡视员毕开春、江苏省副省长马秋林、苏州市人民政府市长李亚平、中国工程院院士、新一代人工智能产业技术创新战略联盟理事长高文等领导出席开幕式并讲话，开幕式由苏州工业园区党工委副书记、管委会主任丁立新主持。
近两年来，随着Linking Open Data等项目的全面展开，语义Web数据源的数量激增，大量RDF数据被发布。互联网正从仅包含网页和网页之间超链接的文档万维网(Document Web)转变成包含大量描述各种实体和实体之间丰富关系的数据万维网(Data Web)。在这个背景下，Google、百度和搜狗等搜索引擎公司纷纷以此为基础构建知识图谱，分别为Knowledge Graph、知心和知立方，来改进搜索质量，从而拉开了语义搜索的序幕。 知识图谱的表示和本质 正如Google的辛格博士在介绍知识图谱时提
论文：I Know the Relationships: Zero-Shot Action Recognition via Two-Stream Graph Convolutional Networks and Knowledge Graphs
👆点击“博文视点Broadview”，获取更多书讯 有位朋友说，程序员的工作就是消灭自己的职业。 这么说或许是有些危险耸听了，不过随着近期ChatGPT的爆火，可以预见未来的程序员可能的确需要有更强的研究开发能力才能有更强的竞争力！ 面对ChatGPT带来的冲击，了解其背后的核心技术，才能在AI浪潮中狂飙！ 简单说，ChatGPT是通过预训练大语言模型，配以RLHF（Reinforcement Learning from Human Feedback，RLHF，人类反馈强化学习）开发出来的AIGC产品，
雷锋网 AI 研习社按，百度 AI 开发者大会于 2018 年 7 月 4 日正式开幕，在当天下午的百度大脑分论坛上，来自百度视觉技术部、百度语音技术部、百度 AI 技术生态部、百度大数据部的多位负责人带来了一场开发者的视听盛宴。这里有对百度语音语义技术的详细解读，有对 PaddlePaddle3.0 的更多介绍，还有各种各样的开放竞赛，相信在场观众必定受益匪浅，而雷锋网(公众号：雷锋网) AI 研习社也第一时间提取出大会亮点，以飨读者。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
腾讯会议
实时音视频
