中国人工智能学会通讯——KS-Studio:一个知识计算引擎 1.1 背景

1.1 背景

人工智能正再次成为国际国内学术界和产业界关注的热点,深度学习、迁移学习和增强学习等方法在诸多领域得到了成功应用。图灵早期对获得机器智能进行了一些设想[1],即通过添加遗传物质,辅以变异、进化、教育与自然选择等手段来使得“the child machine”成熟,并进一步去模仿成人的思维,这一设想至今仍具借鉴意义。与孩童成长类似,这个“child machine”首先需要对语言、文字、图像等非结构化数据所蕴含的(常识性)概念进行理解,来感知外界环境,这是一个跨媒体(cross-media)的感知过程。在此基础上,人类会利用已有的概念、关系等知识,通过演绎和推理等方法来获取新知识。在这一过程中,知识图谱可发挥重要作用。可以说,从数据到知识,再从知识到决策服务是实现人工智能深度应用的主要途径。

时间: 2024-09-11 13:19:09

中国人工智能学会通讯——KS-Studio:一个知识计算引擎 1.1 背景的相关文章

中国人工智能学会通讯——深度学习与视觉计算 1.3 计算机视觉领域利用深度学习可能带来的未来研究方向

1.3 计算机视觉领域利用深度学习可能带来的未来研究方向 第一个,深度图像分析.目前基于深度 学习的图像算法在实验数据库上效果还是 不错的,但是远远不能够满足实际大规模 应用需求,需要进一步的提升算法性能从 而能够转化相应的实际应用.比如这个基 于图片的应用,可以估计性别和年龄,但 是其实经常会犯错,因此需要进一步提升 深度图像分析的性能. 第二个,深度视频分析.视频分析牵扯 到大量的数据和计算量,所以做起来更加 麻烦.当前深度视频分析还处于起步的阶 段,然而视频应用非常广泛,比如人机交互. 智

《中国人工智能学会通讯》——6.2 知识图谱的定义和发展

6.2 知识图谱的定义和发展 知识图谱由谷歌公司于 2012 年提出,用于下一代智能化搜索引擎的构建.在知识图谱出现之 前, 语 义 网(semantic Web) [1] . 数 据 连 接(linked data) [2] 等相关研究和大量的知识库系统(YAGO [3-4] .FreeBase [5] .DBpedia [6] )已经通过实体和实体之间的关系来表示现实世界的知识.知识图谱在提出之时,主要侧重指从网页信息中抽取实体和实体之间的关系信息.实体通常表示人名.地名.时间.地点.结构等

《中国人工智能学会通讯》——1.6 知识抽取

1.6 知识抽取 智能问答的实现需要强大的知识资源作为基础,这就需要通过对大规模数据资源进行理解和萃取,转换成计算机可以处理的形式来表示和存储.事实上,长期以来,科学家们一直致力于建构规模更大.更完备的知识资源库. 早期的知识资源大多是通过专家知识构建的,可以把智能问答系统中所用到的知识粗略地分为语言知识和世界知识.语言知识为对自然语言中词.短语等语义单元知识的组织,如词义信息.上下位关系等,该类资源最典型的代表包括英文词汇知识库 WordNet 7 .FrameNet 8 .中文词汇知识库 H

《中国人工智能学会通讯》——6.14 知识图谱中的推理技术

6.14 知识图谱中的推理技术 知识图谱的概念由谷歌 2012 年正式提出,旨在实现更智能的搜索引擎.知识图谱本质上是一种叫做语义网络(semantic network)的知识库,即具有有向图结构的一个知识库,其中图的结点代表实体(entity)或者概念(concept),而图的边代表实体 / 概念之间的各种语义关系,比如说两个实体之间的相似关系.谷歌知识图谱很重要的一部分是一个大规模的协同合作的知识库,叫 Freebase.Freebase 采用的数据结构是图模型,即可以把一个 Freebas

《中国人工智能学会通讯》——12.53 知识图谱构建技术

12.53 知识图谱构建技术 知识图谱中知识的来源有两类,一类是互联网上分布.异构海量资源:一类是已有的结构化的异构语义资源.从第一类资源中构建知识图谱的方法根据获取知识的类型分为概念层次学习.事实学习.事件学习等,而第二类资源进行的工作是异构资源的语义集成. 概念层次学习 概念是人们理解客观世界的线索,是人们对客观世界中的事物在不同层次上的概念化描述,概念层次是知识图谱的"骨骼".概念层次学习就是通过合理的技术,抽取知识表示中的概念,并确定其上下位关系.概念层次学习多采用基于启发式规

《中国人工智能学会通讯》——7.22 知识图谱应用的基本技术

7.22 知识图谱应用的基本技术 要想在文本应用中使用知识图谱,必不可少的先决步骤是将知识图谱和文本对应起来.常用方法有实体标注(Entity Linking)和实体搜索(EntitySearch)两种. 实体标注 实体标注的任务是自动标识出文本里出现的实体.比如在"卡耐基梅隆大学是位于宾州匹兹堡的一所私立研究性大学"这句话里,实体标注系统会识别出它提到了"卡耐基梅隆"."宾夕法尼亚"."匹兹堡"和"研究性大学&qu

《中国人工智能学会通讯》——12.50 知识图谱研究综述

12.50 知识图谱研究综述 知识图谱(Knowledge Graph, KG)旨在描述客观世界的概念.实体.事件及其之间的关系.其中,概念是指人们在认识世界过程中形成对客观事物的概念化表示,如人.动物.组织机构等:实体是客观世界中具体事物,如篮球运动员姚明.互联网公司腾讯等:事件是客观世界的活动,如地震.买卖行为等.关系描述概念.实体.事件之间客观存在的关联关系,如毕业院校描述了一个人与他学习所在学校之间的关系,运动员和篮球运动员之间的关系是概念和子概念之间的关系等.谷歌于 2012 年 5月

《中国人工智能学会通讯》——12.54 知识图谱应用

12.54 知识图谱应用 Google 最初提出知识图谱是为了增强搜索结果,改善用户搜索体验,知识图谱的应用远不止这些,基于知识图谱的服务和应用是当前的一大研究热点.按照应用方式可以分为语义搜索.知识问答,以及基于知识的大数据分析与决策等. 语义搜索:利用知识图谱所具有的良好定义的结构形式,以有向图的方式提供满足用户需求的结构化语义内容,主要包括 RDF 和 OWL 的语义搜索引擎和基于链接数据的搜索等[35] .语义搜索利用建立大规模知识库对用户搜索关键词和文档内容进行语义标注,改善搜索结果[

《中国人工智能学会通讯》——4.19 粒计算与不确定性

4.19 粒计算与不确定性 客观世界纷繁复杂,模糊与清晰状态交织,不 确定与确定现象并存.随着对现实世界探索的不断 深入,人们发现世界是多样的.复杂的,以及运动 变化的.人们接触到的各种信息往往具有不确定性. 不确定现象的存在不仅引发了许多哲学家.物理学 家以及经济学家的思考,也引起了计算机科研工作 者的广泛关注 [10-13].1985 年,一小组人工智能专 家共同开创了人工智能不确定性问题研究领域,旨 在探索人工智能领域不确定性的知识表示.度量和 推理. 不确定性问题的研究是一个由来已久的课