基于逻辑规则和表示学习的知识图谱关系推理方法与应用研究

Relational inference is one of the crucial techniques for open-domain information extraction. Research on logical reasoning based and representation learning based relational inference on knowledge graphs is the frontier and hot-spot that are focused by the research community. The major problems are as follows: the complexity of the relational reasoning algorithm is extremely high, and the predictive accuracy is no good enough for knowledge base population tasks, and the research of the quality assessment on entity linking tasks is still missing. This project is intended to carry out research on the above issues, including: (1) Study the logical reasoning model and knowledge representation model of their existing theoretical problems and inherent correlation, revealing the basic laws of relational inference modeling for large-scale knowledge graphs. (2) Exploring the application of deep learning method in relational inference tasks, to achieve the fusion of the advantages of the logical reasoning models with the knowledge representation models. (3) Exploring the application of relational inference techniques in the entity linking tasks, proposing and validating new knowledge evaluation models based on relational inference methods, to achieve the goal of automated knowledge base population. In summary, the objective of this project is to achieve innovation from theory to crucial techniques in relational inference methodology reaearch and knowledge base population tasks, to improve the level of automation in KBP tasks, and to improve the recall rate of open-domain information extraction tasks.

关系推理技术是开放域信息抽取的关键技术，基于逻辑规则和表示学习的知识图谱关系推理方法是目前国际上的前沿热点，主要难题表现在：现有关系推理算法的复杂度高且准确性不足，严重制约了关系推理技术在知识图谱补全任务中的应用，应用关系推理技术解决实体链接问题的研究是空白。本项目拟针对以上问题开展研究，包括：（1）研究逻辑推理模型与知识表示模型存在的理论问题和内在关联，揭示知识图谱关系推理建模的基本规律；（2）探索深度学习方法在关系推理中的应用，实现两类经典关系推理模型的优势融合；（3）探索关系推理技术在实体链接问题中的应用，提出并验证基于关系推理的知识质量评估模型，实现知识图谱的自动化扩容。总体目标是在项目组前期研究成果基础上，从理论到关键技术实现创新，提高开放域知识图谱构建系统的自动化程度和信息利用能力。

数据已成为国家新型战略基础资源。人工智能近年来取得的重要进展主要源于从多源海量数据中通过计算获得对事物的深层次认知。而单一系统、组织的数据往往仅包含片面局部信息，难以形成信息完整的数据集。知识图谱技术为解决该问题提供了契机，具备数据接入、融合、推理能力的跨领域计算引擎是解决该问题的有效途径。在国家自然基金项目支持下，项目组构建了基于动态知识图谱的跨领域计算引擎，在多行业领域成功应用。主要创新成果包括：（1）创新了跨领域的动态知识本体模型和知识图谱构建方法。创新的知识本体模型引入了时间、目标、活动、能力、策略等动态抽象知识维度，解决了传统模型难以表征动态抽象数据的难题。提出了基于元学习的半监督网络对齐算法，解决了数据多源离散导致的跨领域知识图谱数据映射难题，实现了跨领域知识融合。（2）创建了知识图谱表示学习和关系推理方法体系。提出了广义图表示学习框架和关系镜像建模思想，解决了大规模稀疏异质知识图谱的高效增量表示学习难题。提出了基于长短期需求注意力机制和图表示学习的服务推荐算法，算法性能达到国际先进水平，解决了数据驱动的智能化服务调度难题。（3）构建了跨领域软硬件一体化计算引擎。发明了多种基于知识图谱的感知推理算法与装置，破解了计算所需关键数据缺失的难题。以按需调用方式实现了算法集约式服务，解决了人工智能算法定制难、部署难的问题。研制了跨行业数据服务平台，解决了多个行业复杂场景下的数据价值发掘难题，实现了协同计算创新。项目执行期间累计发表学术论文35篇，代表性论文包括CCF A类国际会议论文5篇，CCF A类中文科技期刊7篇。翻译出版反映学科领域前沿研究水平的学术专著2部，申报国家发明专利22项，取得国家发明专利授权10项，取得软件著作权授权4项。研究成果成功应用于国民经济支柱产业和国家重大建设工程，项目组荣获省部级科技进步一等奖和国家一级学会颁发的科技进步一等奖各一项。

内容获取失败，请点击重试