知识图谱中的实体摘要：基于神经网络的方法
讲者：程龚（南京大学）
讲者简介：程龚，南京大学计算机科学与技术系副教授。目前主要面向智能软件系统，研究语义网与知识图谱技术，研究主题包括语义搜索、数据摘要、智能问答等。主持国家重点研发计划、国家自然科学基金等资助的多个项目课题。研究成果主要发表在TKDE、WWW、ISWC等期刊会议，获ISWC等国际会议最佳论文奖或提名奖5次，论文总引用2200余次。现任中国计算机学会系统软件专委委员、中国中文信息学会语言与知识计算专委委员、江苏省人工智能学会知识工程与智能服务专委副秘书长，担任过ISWC短文程序委员会主席、CCKS领域主席等职务。
摘要：实体在知识图谱中的描述（三元组）较为丰富，在实体搜索等应用场景中难以全部呈现。实体摘要问题是从实体描述中自动抽取限定规模的最佳子集，在应用场景中替代实体的完整描述，提高用户浏览实体和完成任务的效率。现有的实体摘要方法大多是无监督的。在本报告中，报告人将介绍近期基于神经网络的一些尝试。
基于深度学习的知识图谱实体对齐方法
讲者： 王志春（北京师范大学）
讲者简介：王志春，北京师范大学人工智能学院副教授，研究方向包括知识图谱构建及补全、实体对齐等。主持多项国家自然科学基金项目，作为骨干参与多项国家重点研发计划项目。研究成果发表于IJCAI、WWW、EMNLP和ISWC等顶级国际会议和KBS、JCST等重要学术期刊。目前为中文信息学会语言与知识计算专业委员会委员。曾担任WWW、AAAI、IJCAI、ACL、EMNLP、ISWC等学术会议的程序委员会委员，以及TKDE、KBS、JCST等期刊的审稿人。
摘要：实体对齐即发现不同知识图谱之间的等价实体，它是解决知识图谱异构问题、实现知识融合的重要手段。传统的对齐方法通过计算实体的相似度特征发现其等价关系，因此实体对齐的结果高度依赖人工定义的特征。近几年，基于深度学习的实体对齐成为研究的热点，大量基于表示学习和神经网络的新方法被提出。本报告将首先介绍实体对齐的基本概念与流程，然后介绍基于深度学习的实体对齐最新研究工作。
基于事理图谱的事件演绎与反绎推理
讲者：丁效（哈尔滨工业大学 ）
讲者简介：丁效，哈尔滨工业大学助理研究员/硕士生导师。主要研究方向为人工智能、自然语言处理、文本推理和事理图谱。2016年获得哈尔滨工业大学博士学位，已在AAAI、IJCAI、ACL、EMNLP、TASLP等人工智能领域的著名国际期刊和会议上发表相关论文20余篇。承担国家自然科学基金青年项目等省部级以上项目四项，作为骨干成员参与国家重大科技基础设施建设项目、“新一代人工智能”重大项目、国家自然科学基金重点项目等多个科研项目。荣获黑龙江省科技进步二等奖、SemEval 2020国际语义评测“检测反事实陈述”任务第一名、全国青年人工智能创新创业大会三等奖、第五届全国青年计算语言学研讨会优秀论文奖等荣誉。担任中国中文信息学会社会媒体处理专委会秘书、常务委员，语言与知识计算专委会委员，中国中文信息学会青年工作委员会委员，担任过SMP讲习班主席、CCL领域主席等职务。
摘要：历史事件是人类社会发展的重要记录，人们的社会活动往往是事件驱动的。事件之间在时间、空间上相继发生的演化规律和模式是一种十分有价值的知识。然而，现有的典型知识图谱主要是以实体及其属性和关系为研究核心，缺乏对事理逻辑这一重要人类知识的刻画。为了弥补这一不足，事理图谱应运而生，它能够揭示事件的演化规律和发展逻辑，刻画和记录人类行为活动。本次报告首先介绍事理图谱的概念，随后重点介绍基于事理知识的事件演绎与反绎推理方法，在多个因果事件推理任务上事理知识都表现出了明显的优势，最后简单介绍事理图谱的潜在应用。