东南大学教授、博导漆桂林,他的报告主要围绕知识图谱以及知识图谱的表示、推理、未来发展展开。

他表示,知识图谱是一种语义网络,即一个具有图结构的知识库,这里图的节点可以是概念,可以是实例,可以是 literal,图的边就是一个关系。

从知识表示的角度看,目前的研究存在很多问题,如如何用知识图谱表示事件,这里存在的问题是,事件可能存在关联以及因果关系,此外,目前关于事件表示没有特别多的相关研究。

另外他还举了一些代表性问题,如时空知识如何表示,什么可以成为知识图谱中的节点,知识到底是静态还是动态,图表示是不是最好的表示知识的方法。他提及,大家的研究不能太单一,如只做数据库。关于知识图谱的表示,他用图例进行了形象说明,包括 RDF、literal、OWL、知识图谱嵌入、基于上下文的表示学习等。

对于知识图谱的推理,他提到逻辑方面的推理和统计方面的推理。在关于统计方面的推理上,他表示 Path-based reasoning 和 knowledge representation learning 这两方面值得关注。他提到他们开发的一些规则引擎(0 型、1 型、2 型、3 型),目前 2 型的性能是万级规则、十万级本体、秒级速度,其他三类的性能是万级规则、毫秒级速度。他表示,当到万级规模时,无论管理还是推理都比较麻烦。随后,他也提到这些规则引擎的应用场景,0 型可以用在疾病诊断、知识表示和推理,1 型已经用于国家 863 项目、高考机器人、地理知识表示和推理等,2 型可以用于疾病诊断、知识表示和推理,3 型可用于多模态人机交互中的交互知识表示和推理。演讲最后,他总结到,我们应该更强调对知识图谱的表示,我们需要了解本体,包括 RDF、RDFS,另外,不应该把自己的研究限制得太窄,例如可以把图像考虑在内。

他表示,推理有很多应用,例如做问答和辅助决策,逻辑推理并不像大家想的那样,实用性比较差。统计推理目前在知识图谱推理里的应用更多是做问答和推荐,如果用来做决策和知识库补全,不是特别适用。

来源: AI科技评论