时空知识图谱的表示模型与计算方法研究

The emerging Knowledge Graph technologies are based upon long standing advancements in the fields of the Semantic Web, NLP, KR, graph database, and graph computing. The principal idea lies in linking up disparate data sources and describing data in a formal way, thus making big data more machine-understandable. Spatial and Temporal are two essential aspects of big data. All kinds of data can be semantically enriched in these two dimensions. However, current knowledge graphs are mainly built upon static data sources such as wiki or news, lacking the modeling, retrieval and processing of either spatial or temporal knowledge. This application is mainly geared towards dealing with dynamic, time-series and spatial knowledge for knowledge graph. The typical innovation includes: distributional representation for spatial-temporal knowledge modeling, knowledge construction and completion based upon spatial-temporal knowledge, predictive reasoning framework for spatial-temporal knowledge graph. We will build demonstration in line with the most recent advancement in OneM2M systems and applications.

知识图谱的发展综合了语义互联网、NLP、传统知识表示、图数据库、图计算等多个领域的最新进展，其本质是用增强图表达来链接碎片化的数据，使得数据更易于被机器理解和处理。时间和空间是大数据的两个重要维度，绝大部分数据都可从时空两个维度建立语义关联。刻画处理数据的时空特征对于知识图谱的构建和应用都非常重要。然而，现有知识图谱构建一般主要以维基百科、新闻文本等静态数据等为主，缺少对数据的动态性、时序性和空间性等特征的考虑，尤其缺乏对传感或流式等时空特征数据的考虑。本项目的主要目标是研究和建立以时空维度为基础的新型知识图谱构建、获取和处理方法。具体围绕时空知识图谱的表达框架、时空知识的深度抽取和时空知识图谱的推理计算等三个方面展开，主要创新性研究点包括：基于图嵌入的时空知识分布式表示、基于时空属性的知识图谱获取与补全、集成语义推理的时空预测分析框架等，并结合OneM2M等产业新发展开展应用示范。

本项目的总的研究目标是围绕大数据的动态性、时序性和空间性等特征，研究和建立以时空维度为核心的新型知识图谱构建、获取和处理方法。具体围绕时空知识图谱的表达框架、时空知识的深度抽取和时空数据的推理计算等三个方面展开，并结合OneM2M等建立若干面向领域应用的时空知识图谱示范。针对大数据的动态性、时序性以及空间性特征的分析，提出了适用于具有时空维度特征的知识图谱构建、获取和处理方法。完成了时空知识图谱的表达框架研究，针对时空维知识图谱面临的重要挑战提出了众多新的表示学习方法；完成了时空知识的深度抽取研究，根据对于时空知识数据的特征的分析，提出了众多解决核心挑战如噪音以及多标签等的新型抽取方法；完成了时空数据的推理计算研究，针对可解释性以及融合空间信息等重要挑战，提出了众多新星的知识推理方法。同时，还将相关构建、获取以及处理方法应用到了电商场景中，构建了超大规模具有时空特性的商品知识图谱，并在业务应用中如商品推荐等取得了显著的业务效果提升，辅助优化了用户的线上购物体验。

内容获取失败，请点击重试