这是一场主题为知识图谱的学术讨论会，会议通知
知识图谱前沿课程介绍
作为组织方的北理工大数据学习中心做开场白，介绍了这几年，北理工在大数据学习方面的努力，系列课程、讲座，同学们的自组织学习以及成果展示。
也预告了今年的教学安排。觉得在北理工的学习环境挺好的，有点羡慕呀。
知识图谱与认知智能
主讲人：肖仰华@复旦大学计算机学院
肖老师的讲解偏向背景介绍，介绍了这场讨论的主题，引入了为什么要做知识图谱的研究，穿插介绍了其他嘉宾的话题与知识图谱的关系。还介绍了复旦知识工场的工作。
计算智能–>感知智能–>认知智能
计算智能指规则明确特定领域的数据分析优化，感知智能指类似人的视觉语音信号处理感知能力，认知智能指能够理解人的语言进行推理和解释
回顾最近几年人工智能发展的热潮，机器在计算智能、感知智能领域已经超越了人类。依靠大数据、运算能力带来的红利已经不再明显，这些领域的性能提升遇到天花板。
要进一步提升，需要给计算机提供更多常识与现实世界的知识，人们开始重新关注认知智能。而知识图谱，则是给机器提供知识的一项核心工作。
接下来，介绍了几个知识图谱的使用场景。包含：搜索、推荐、解释、自然人机交互、深层关系发现、推理。
其中一个是智能推荐，通过构建场景的知识图谱，可以对场景进行任务的感知。
比如说，当一个用户在搜索九寨沟的时候，可以向用户推荐登山用具。背后有基于知识图谱的逻辑推理：
九寨沟–>山区–>登山–>登山用具
通过这种方式，可以从基于行为的推荐发展到行为与语义结合的推荐。
回顾了过去的知识工程，曾经在7080年代火热，但是并没能对工业界产生足够大的影响。因为当时主要由专家手工编辑，规模小，达不到应用需求。而现在互联网的发展与自然语言处理技术的进步，使得有可能构造大规模的知识图谱，引导知识工程的复兴。
Small Knowledge + big data = big Knowledge
在互联网时代，用户需求多样，范围广，对精度的要求不高，开放域的知识图谱也可以满足需求。
同时，在跟工业界的交流中，发现很多领域原本想做垂直领域的知识图谱，后来发现在构造的过程中知识的边界很容易被突破，变成需要通用的知识。
在以上环节的介绍中，分别对应了知识工程的CN-DBpedia和CN-Probase等项目。知识工场
最后对未来的展望：
NLP + KB = NLU
Event Extraction From Texts
主讲人：刘康@中科院自动化所
这是我特别关注的一个主题，主讲人分享了他们在金融事件抽取的工作，以及当中的一些技巧。
以往，知识抽取通常是实体、关系的抽取。在构建以事件为中心的知识图谱时，无论是格式还是步骤都会有所不同。
在事件为主的知识图谱中，每种事件会有不同的事件帧结构，比如地震事件会有日期、强度、深度、伤亡人数、地震中心等。
基于事件知识图谱，可以进行关系描述，因果时序分析。
对事件进行定义，涉及到参与者的特殊事情发生了。
在抽取事件当中，会涉及事件的触发词、事件类型、事件变量以及变量的类型。
抽取事件的步骤是：
- 事件识别
- 事件类型的识别
- 寻找事件相关变量
- 事件变量的类型识别
跟关系抽取比起来，事件抽取中往往没有具体的名词短语来直接表示事件。因此需要寻找事件的触发词，这个触发词通常为动词短语。
比如，在一个 Personnel End-Position 的事件当中，触发词是 quit 而不是 end-position.
e.g Barry Diller on Wednesday quit as chief of Vivendi Universal Entertainment.
关系抽取是发现两个所给实体之间的关系；事件抽取是发现一个事件和实体之间的关系。
用图片演示事件抽取的工作流程。
接着分享了一些 tricky 的工作，如何做回标得到大量训练语料。
人工标注数据的成本较高，因此使用已有的结构化数据去回标新的语料去训练，能够识别更多新的模式。
在关系抽取当中，会把关系的主体、客体和语料进行对比，发现一个句子中同时包含主体、客体时进行回标，这样能产生更多训练数据，不过也会引入噪声。
在事件抽取中，这种方法not work. 事件的图结构与关系的图结构不一样。在事件的图谱中，先识别出重要的变量，当这些重要的变量存在的时候，事件发生的概率就高了。比如，在结婚的事件当中，新郎跟新娘是重要变量，时间不是重要变量。当一个句子中存在事件的重要变量时，进行回标，然后训练，得到抽取器来识别 trigger word. 得到 trigger word 后跟外部数据源对比进行增删，然后再用 trigger word 进行再次回标，得到更多数据。
他们组用这种方法，从公告、新闻当中去抽取金融事件。
他们在自己的工作当中使用了神经网络的方法，并且使用了多种池化，能够提升性能。
知识图谱与智能问答
主讲人：赵洲@浙江大学
剩余时间不多，语速飞快，ppt翻页像风一样自由。
内容偏概论，介绍了一些垂直领域的问答机器人应用，包含医疗、教育、金融、法律等方向。
介绍了基于知识库、上下文以及注意力模型去构建聊天机器人的方案。
上午偏学术界，下午偏工业界的分割线
From Large Scale Graph Analytics To Knowledge Graph Inference
主讲人：夏应龙@华为
这个主题偏向于知识图谱的系统与基础设施。
知识图谱的规模从小到大的时候，性能会在中间规模时有所下降。在小机器中存储知识图谱，性能很好，但是不能承载大规模的知识图谱，不幸的是，工业级的KG往往比较大，需要在多个主机中运行。尝试使用各种开源项目构建，发现相互之间割离，导致性能下降。从操作系统的角度进行了性能分析。
为此，华为研发了一套工业级的知识图谱系统Eywa，进行了介绍。
当知识图谱遇见个性化推荐
主讲人：张富峥@MSRA
开头回顾了推荐系统的发展。
在进行推荐的时候，如果能够有可解释性，更能让用户接受。
之前在做美妆的时候发现，比起那些直接提供方案的，对用户的脸型特征进行分析，结合一套美学理论去分析然后再提供方案的造型师会有更多的粉丝。
而知识图谱的参与，能够给推荐系统带来更多的可解释性。
比如，在推荐电影的时候，可以根据用户喜欢的电影去推荐同一个导演或者同一个主演的电影。但是，这个跟Netflix的细粒度标签推荐推荐有什么差异呢？
比较好的效果是在新闻推荐领域，他们基于微软的Probase的部分子图，构建了知识图谱。通过知识图谱的路径关系进行推荐。比如，用户在对特朗普的新闻感兴趣时，也可能会对政治、以色列等话题感兴趣。这种路径的方式更符合用户的认知。在实验过程中，他们发现用户兴趣点在知识图谱中存在一个涟漪效应。跟原有兴趣点路径关系短的话题或存在多条路径连接的话题，用户会更感兴趣。
此处应该有图示
在实验中，他们对知识图谱的路径关系进行了embedding，加入到神经网络中，与用户标签、内容标签等共同训练，并对比了多种训练方式的效果。
Ref:
- Knowledge Graph Embedding
- Deep Knowledge - Aware Network (DKN)
- Collaborative Knowledge base Embedding (CKE)
- Ripple Network
- Multi-task learning for Knowledge graph enhanced Recommendation (MKR)
基于概念知识图谱的短文本理解
主讲人：王仲远@美团点评
介绍了他之前在微软亚研院的工作，结合概念知识图谱去理解短文本。微软构建了一套概念知识图谱Probase.
在遇到一个多义词时，先将该词语在概念上定位到一个 basic level, 不能太宽泛，也不能太窄以至于没有共性。比如微软的概念是 software company , 而不是 company or largest OS service company.
在文本中遇到这个词的时候，结合上下文进行推断，应该属于哪个概念。
比如， python 同时有编程语言与蟒蛇两套概念，在 python tutorial 中，编程语言更常与教程连接，因此更可能是指编程语言；在 horrible python 中，蛇类有可怕的特点，因此更可能指代蟒蛇。
结尾是广告时间：美团点评拥有大量数据，欢迎大家进行合作研究，省下许多爬虫的精力。嗯，有数据的都是大佬。
cnSchema：开放中文知识图谱的普通话
主讲人：丁力@海知智能
回顾了知识图谱的发展，指出cnSchema的意义。呼吁大家参与到cnSchema的构建当中来。
使用同一套标准能够有助于不同数据源的合并。原本并没有引起工业界重视，随着搜索引擎对schema进行优化，也被越来越多的厂商接受。
广告时间：欢迎加入海知智能，欢迎共同构建cnSchema.
知识图谱在图灵机器人的落地与应用
主讲人：魏晨@图灵机器人
开头用视频演示了图灵机器人的效果。
接着讲了知识图谱如何应用在图灵机器人中。
比如，用户生活习惯的图谱，情景处理的图谱。
因为是做产品，所以有更多的数据分析，从用户数据判断哪些功能因为常用而重要，哪些功能因为少用而可以使用简单方案处理。
广告时间：欢迎加入图灵机器人。
会议的PPT尚未发布，因此使用文字简短记录。