近日,我们采访了东南大学认知智能研究所所长漆桂林教授和复旦大学知识工场实验室负责人肖仰华教授,围绕知识图谱这两年在研究与产业应用道路上的一些进展与仍面临的问题。漆桂林教授提到,近两年,知识图谱的研究在四大关键技术上都取得了一些进展或突破,但是如何高效、低成本构建知识图谱仍是整个领域最关注的问题,对研究、开发者来说是一个非常大的挑战。

作为一名开发者或研究者,企业面临新技术的融合或转,自身又该如何突破,紧跟技术发展,成为企业转型的中坚力量?如何规划自己的研究之路?如何将自己的研究价值与实际工程业务有机的融合,发挥出更大的价值?

漆桂林教授给出了值得大家深思的建议:“知识图谱的产学研需要有一个整体规划。首先需要了解产业界对知识图谱的需求,知道知识图谱可以解决什么应用问题,带来什么价值。其次,通过了解知识图谱落地的挑战,确定知识图谱的研究课题。”

而知识图谱领域从以前研究与产业界脱钩、从趋势到实际被需要、从已经较为成熟的通用知识图谱到火热发展的领域知识图谱,整个领域都在焕发生机,成为各行业的迫切需要。

但知识图谱在研究与应用落地中取得了哪些进展?在落地过程中,企业的技术融合之路有哪些关键的技术问题?如何解决企业自身的痛点问题?还在观望的企业,如何基于企业自身业务场景做出理性的判断与抉择?

肖仰华教授提出了一个非常重要的观点:“知识图谱如何落地业界都在不断进行摸索,知识图谱的落地除实现之外,论证与设计、运营与反馈也是不可忽视的。知识图谱落地是个系统工程,不是单一模型能够解决的,系统架构、流程、策略都十分重要。”

同时,肖仰华教授还指出需要探讨的问题还远不止这些。领域知识图谱构建时如何界定领域知识边界?一个合格的领域知识图谱有什么评价标准?从目前业界卖数据阶段到提取出出知识之间的鸿沟有多大?知识图谱产业有哪些已然明确的发展方向?

人工智能时代的到来,知识图谱也成为了实现机器认知智能的基础,现在的局面是通用与行业应用百花齐放,各行各业都在讨论适合自己的知识图谱。问题如此之多,到底要如何做?

作为引领技术潮流的开发者社区,CSDN 时常为开发者们提供想要聚焦探讨技术,不做空谈的机会。

5 月 25 日-5 月 27 日,CSDN 联合数字经济人才发展中心开启新一轮的技术峰会,第一届 CTA 核心技术及应用峰会将在杭州召开,大会邀请到 BAT 等 AI 技术领航企业的技术大咖,与开发者主要探讨机器学习和知识图谱的前沿研究及应用。

其中,5 月 27 日全天设置为知识图谱专场,我们分别邀请了来自高校学界及企业界 9 位顶尖研究与技术赋能者为大家带来一场知识图谱的技术盛宴。

不仅阵容豪华,各位嘉宾还将带来最新、最实用的干货内容,无论你是个人研究学习者、还是企业技术开发者,更甚是带领企业技术团队的决策者,都能从中获益匪浅,为接下来的道路拨开云雾。

双方嘉宾还将围绕知识图谱的发展与应用共同带来精彩绝伦的 Panel 环节,火热之势已蓄势满满,只等你来!

确定参与本次知识图谱技术专场的嘉宾有:

下面分享各位嘉宾的介绍与议题,期待大家“带问而来,驾技而归!”

推荐阅读

  • 《使女的故事》大火,AI是背后最大推手?

  • 掌声送给TensorFlow 2.0!用Keras搭建一个CNN | 入门教程

  • Python反编译之字节码

  • 中国AI开发者真实现状:写代码这条路,会走多久?

  • 程序员 520 脱单指南!

  • 揭秘清华 AI 学堂班:姚期智担任首席教授,2019 年首批招收 30 人

  • 开源需自立!Android、GitHub、Apache 全线告急!

  • 黑客亲述: "倾家荡产,是你们的事! "

  • Docker 系列学习文章 | 什么是容器云?

  • 这本京东断货王的Python神书,刷爆整个编程圈!

点击阅读原文,了解CTA核心技术及应用峰会」

谁能解答我对知识图谱的上百个疑问?相关推荐

  1. 当知识图谱遇上推荐系统(总述和推荐)

    背景 来学校学习了两个星期了,总结一下,也可供学习这个方向的新人参考. 当知识图谱遇上个性化推荐,这篇文章可以从宏观角度来解释下面四个概念: 1.推荐系统的任务和难点 2.什么是知识图谱 3.知识图谱 ...

  2. 当知识图谱遇上文本摘要:保留抽象式文本摘要的事实性知识

    论文标题: Boosting Factual Correctness of Abstractive Summarization with Knowledge Graph 论文作者: Chenguang ...

  3. 论文浅尝 - ISWC2021 | 当知识图谱遇上零样本视觉问答

    论文题目:Zero-shot Visual Question Answering using Knowledge Graph 本文作者:陈卓(浙江大学).陈矫彦(牛津大学).耿玉霞(浙江大学).Jef ...

  4. 论文浅尝 | 当知识图谱遇上零样本学习——零样本学习综述

    随着监督学习在机器学习领域取得的巨大发展,如何减少人工在样本方面的处理工作,以及如何使模型快速适应层出不穷的新样本,成为亟待解决的问题.零样本学习(Zero-Shot Learning, ZSL)的提 ...

  5. 当知识图谱遇上推荐系统之PippleNet模型(论文笔记二)

    RippleNet | Propagating User Preferences on the Knowledge 类别:联合学习 将知识图谱特征学习和推荐算法的目标函数结合,使用端到端(end-to ...

  6. 当知识图谱遇上推荐系统之DKN模型(论文笔记一)

    Deep Knowledge-Aware Network for News Recommendation 类别:依次学习 首先使用知识图谱特征学习得到实体向量和关系向量,然后将这些低维向量引入推荐系统 ...

  7. 当知识图谱遇上推荐系统之MKR模型(论文笔记三)

    Multi-Task Feature Learning for Knowledge Graph Enhanced Recommendation 类别:交替学习 将知识图谱特征学习和推荐算法视为两个分离 ...

  8. 4场直播,哈工大、亚马逊等大咖为你带来机器学习与知识图谱的内容盛宴

    机器学习和知识图谱是当今技术领域的热门话题,随着相关技术的不断发展,无论是对两类技术单独的探讨,还是将机器学习和知识图谱相结合的尝试,都在吸引越来越多的关注. 5月16日下午,来自亚马逊.墨奇科技.S ...

  9. 肖仰华:知识图谱落地,不止于“实现”

    作者 | Just 出品 | AI科技大本营(ID:rgznai100) "知识将比数据更重要,得知识者得天下",去年十月,在 CSDN 对肖仰华教授的一篇约稿里,他指出数据的真正 ...

最新文章

  1. Error in do_one(nmeth) : NA/NaN/Inf in foreign function call (arg 1)
  2. linux启动报错+centos关闭和开启ipv6
  3. 面试题:如何编写一个杯子测试用例
  4. java第十三章总结
  5. nginx服务器开启缓存、反向代理
  6. 三星U-Boot-1.1.6源码分析lowlevel_init.S (board\samsung\smdk6410)
  7. 设计模式系列之「工厂方法模式」
  8. python立体匹配误匹配率_立体匹配算法(Stereo Matching)及其在OpenCV中的应用
  9. uvm_reg——寄存器模型(三)
  10. 01_LBP算法原理
  11. Protel99SE应用技术问答(经典)
  12. 【重拾FPGA】读锆石科技硬件语法篇有感
  13. 坚定信念,踏踏实实走好脚下的每一步!
  14. keystore生成签名证书
  15. python 老师_一个法语老师的python 入门之路
  16. 如何删除360奇安信软件
  17. matlab 端点检测 能零比法_基于短时能量与过零率的端点检测的matlab分析
  18. 超级玛丽3号MAX 达尔文3号,谁才是真正的重疾险王炸?
  19. “泄密者”阿桑奇的加密人生
  20. UVA - 10118 Free Candies(记忆化搜索/状压)

热门文章

  1. 解密FFmpeg播放track mode控制
  2. 你不得不知道的Visual Studio 2012(1)- 每日必用功能
  3. mysql常见日期查询问题
  4. 魔尺变机器人_百变魔尺——创意生活
  5. 2019年牛客多校第1场 赛后总结
  6. C++、嵌入式软开之数据结构
  7. 终端打不开(右键和快捷键)?因为phthon?
  8. 【Ctsc2011】幸福路径
  9. Elasticsearch——Rest API中的常用用法
  10. JAVA中的垃圾回收机制以及其在android开发中的作用