基于多策略的中文知识图谱问答系统

讲者：陈文亮（苏州大学）

讲者简介：陈文亮，苏州大学计算机科学与技术学院教授、博士生导师，苏州大学人类语言技术研究所副所长。近年来在国内外主要期刊杂志和学术会议上发表三十多篇学术论文，如国际主要学术会议ACL、AAAI等，国际顶级杂志如ACM/IEEE等。曾在国际主要学术会议IJCNLP-2013和COLING-2014上作讲习报告（Tutorial）。出版英文专著一本，获得中国专利三项、美国专利一项

摘要： 本次报告主要介绍中文知识图谱问答系统。首先报告回顾中文知识图谱问答系统的历史，接着介绍中文知识图谱问答系统的构建方法。在KBQA系统中，先通过问句意图分析和答案类型分析获取用户输入的基本要素。对于链式查询，采用Beam Search来完成简单多跳查询和受限约束查询。对于逻辑推理问句，分别进行逻辑判断、数值计算和比较选择等操作。最后结合答案类型识别，输出问答系统的最终结果。

基于关系图学习的个性化推荐

讲者：张伟（华东师范大学）

讲者简介：张伟，华东师范大学紫江青年学者。博士毕业于清华大学，研究领域为数据挖掘，在CCF A类会议和期刊上发表论文多篇。获2020年度ACM SIGMOD中国新星奖，多次担任顶级会议程序委员会委员，主持国家自然科学面上基金在内项目多项。

摘要：在推荐系统领域，被推荐物品之间富含丰富的关系，例如共现关系、语义关系等。共现关系：物品在同一用户行为序列中相邻出现 。语义关系：华为手机与苹果手机之间的竞争关系，手机与手机壳之间的互补关系 。基于上述关系构建的关系图，本报告关注如何进行有效的关系图学习并提升推荐效果。

基于知识推理的机器阅读理解技术

讲者：余建兴（中山大学）

讲者简介：余建兴，中山大学人工智能学院副教授。博士毕业于新加坡国立大学。在CCFA、B类的国际权威学术会议和期刊发表接近20篇论文，申请发明专利40来项，主持和参与各类国家及省市级项目10来项，目前主持的项目科研经费超过320万。此外他还获得广东省2020年和2019年计算机学会优秀论文奖励；入选广东省珠海市青年优秀人才计划；荣获广东省珠海市产业发展与创新人才奖；担任中国计算机学会数据库专委会通讯委员和广东省计算机学会数据库专委会委员等职务。

摘要： 机器阅读理解旨在让机器通过阅读语言内容并理解其语义来精确返回答案，帮助人们从海量语言信息中快速聚焦相关主题，提升信息获取的能效。这项技术在文本理解、信息抽取、人机对话等领域均具有巨大的应用价值。由于用户的信息需求多样，我们不但需要机器具有基本的检索能力，更需要其具备逻辑推理、知识归纳、语义理解等语言认知能力。这给机器阅读理解带来了巨大的挑战。当前许多模型的实际效果还不尽如意，特别是缺乏高阶的知识推理能力。针对这些难点，这里我们分享一些新技术，介绍如何抓住逻辑关联进行知识推理，如何解决训练数据稀缺性的问题，如何实现基于少量的标注样本充分学习；进而推动建立一套从算法可知识推理，标注低成本生成，到模型少样本学习的新方法。