SIGIR2018 & WWW2018：知识图谱研究关键亮点

"这篇文章是关于SIGIR2018和WWW2018两大国际会议中知识图谱领域的研究综述，由复旦大学知识工场实验室的肖仰华撰写。文章涵盖了知识图谱的研究分类，包括知识获取、知识挖掘、知识应用以及知识评估等方面的重要论文，展示了自然语言处理在构建和利用知识图谱方面的最新进展。" 在SIGIR2018和WWW2018上，知识图谱的研究主要集中在以下几个方面： 1. 知识获取： - 上下文事实发现：研究如何在弱监督的情况下对知识图谱中的事实进行上下文化，以增强其准确性与丰富性。SIGIR18的论文《Weakly-supervised Contextualization of Knowledge Graph Facts》探讨了这一主题。 - KG扩充：通过引入功能性领域知识来扩展知识图谱的结构。SIGIR18的论文《Enriching Taxonomies With Functional Domain Knowledge》展示了这一方法。 - 三元组规范化：利用嵌入和侧信息对开放知识库进行规范化，WWW18的论文《CESI: Canonicalizing open knowledge bases using embeddings and side information》提出了相关方法。 2. 知识挖掘： - 必有属性挖掘：探索如何确定知识库中实体应具有的属性。WWW18的论文《Are all people married? Determining obligatory attributes in knowledge bases》关注这一问题。 - 分面标注：使用参考知识库进行分面标注，以提高数据的结构化程度。WWW18的论文《Facet annotation using reference knowledge bases》对此进行了讨论。 3. 知识应用： - 会话系统：在信息寻求对话系统中，利用深度匹配网络和外部知识进行响应排名。SIGIR18的论文《Response Ranking with Deep Matching Networks and External Knowledge in Information-seeking Conversation Systems》介绍了这种技术。 - 问答系统：通过知识感知的注意力神经网络来排序问题答案对，如SIGIR18的《Knowledge-aware Attentive Neural Network for Ranking Question Answer Pairs》，以及针对开放领域问答系统的无尽学习方法，如WWW18的《Never-ending learning for open-domain question answering over knowledge bases》。 - 推荐系统：利用知识增强的记忆网络改进序列推荐，如SIGIR18的《Improving Sequential Recommendation with Knowledge-enhanced Memory Networks》，以及通过深度知识感知网络进行新闻推荐，如WWW18的《DKN: Deep Knowledge-aware Network for News Recommendation》。 4. 知识评估： - KG补全评价指标：研究如何改进知识库链接预测的评估标准，如SIGIR18的《On Link Prediction in Knowledge Bases: Max-K Criterion and Prediction Protocols》。 - 规则评估：评估规则的有效性，这是确保知识图谱质量的关键环节。 这些研究展示了知识图谱在自然语言处理中的广泛应用，从数据获取到知识表示，再到实际应用，每个环节都有新的技术和方法不断涌现，推动着这个领域的发展。同时，这些论文也揭示了知识图谱在会话系统、问答系统和推荐系统等领域的潜力，以及对知识图谱准确性和完整性的持续追求。