【SIGIR2022教程】深度知识图谱表示学习: 补全、对齐和问答

来源：专知本文为教程，建议阅读5分钟本教程的目标是为IR研究人员提供关于AI、ML和NLP社区的神经KG表示和推理的最佳实践的全面更新。

一个知识图谱(KG)有节点和边表示实体和关系。知识图谱是搜索和问题回答(QA)的核心，然而关于知识图谱的深度/神经表征以及深度QA的研究，已经在很大程度上转移到AI、ML和NLP社区。本教程的目标是为IR研究人员提供关于AI、ML和NLP社区的神经KG表示和推理的最佳实践的全面更新，然后探索IR社区的KG表示研究如何更好地受搜索、通道检索和QA需求的驱动。在本教程中，我们将研究最广泛使用的公共知识图谱，它们之间关系、类型和实体的重要属性，知识图谱元素的最佳实践深度表示，以及它们如何支持或不支持这些属性，知识图谱完成和推理的损失公式和学习方法，时间知识图谱中的时间表示，跨多个知识图谱(可能是不同语言)的一致性，以及深度知识图谱在QA应用中的使用和好处。

https://sites.google.com/view/knowledge-graph-tutorial/home

• 当今使用最广泛的知识图谱。
• KG关系、类型和实体的重要属性。
• KG元素深度表示的最佳实践。
• 最成功的KG补全和推断技术。
• 早期在KG中表示类型和时间的工作。
• 最新的方法来对齐和连接多个KGs。
• 深度KG表示在QA应用中的使用和好处。