【SIGIR2022教程】深度知識圖譜表示學習: 補全、對齊和問答

一個知識圖譜(KG)有節(jié)點和邊表示實體和關系。知識圖譜是搜索和問題回答(QA)的核心，然而關于知識圖譜的深度/神經(jīng)表征以及深度QA的研究，已經(jīng)在很大程度上轉(zhuǎn)移到AI、ML和NLP社區(qū)。本教程的目標是為IR研究人員提供關于AI、ML和NLP社區(qū)的神經(jīng)KG表示和推理的最佳實踐的全面更新，然后探索IR社區(qū)的KG表示研究如何更好地受搜索、通道檢索和QA需求的驅(qū)動。在本教程中，我們將研究最廣泛使用的公共知識圖譜，它們之間關系、類型和實體的重要屬性，知識圖譜元素的最佳實踐深度表示，以及它們?nèi)绾沃С只虿恢С诌@些屬性，知識圖譜完成和推理的損失公式和學習方法，時間知識圖譜中的時間表示，跨多個知識圖譜(可能是不同語言)的一致性，以及深度知識圖譜在QA應用中的使用和好處。

https://sites.google.com/view/knowledge-graph-tutorial/home

• 當今使用最廣泛的知識圖譜。
• KG關系、類型和實體的重要屬性。
• KG元素深度表示的最佳實踐。
• 最成功的KG補全和推斷技術。
• 早期在KG中表示類型和時間的工作。
• 最新的方法來對齊和連接多個KGs。
• 深度KG表示在QA應用中的使用和好處。