《知识表示学习及应用》报告总结

上周末去听了主题为《知识表示学习及应用》的报告，并录音了内容。录音资料在钉盘：共享文件/参会报告/20191214知识表示学习及应用/ 文件夹下。

主讲人是高能老师（http://people.ucas.edu.cn/~0007282），是信工所国家重点实验室的研究员。主要研究方向为表示学习、信息安全，承担863、国家重点研发计划多项国家省部级课题。研究领域关注网络用户身份行为数据的利用和保护，对于以国家重大需求为导向，应用驱动型关键技术的突破和复杂系统的设计与实现，重点研究以下内容：

1)     对于单个网络用户身份行为数据，重点关注身份管理技术，通过研究身份鉴别与授权、可信身份管理评估、行为风控与追踪溯源等技术，实现对用户身份行为数据在不同网络应用中流转使用的隐私保护。

2)     对于多个网络用户的身份行为数据，重点关注知识图谱技术，通过研究大数据知识网络的构建与分析技术，实现对在不同网络中的多个网络用户的知识评估、融合、表示和推理。

3)     对于更大规模网络用户的身份行为数据，通过研究事件库构建、事件模式挖掘、事件推演、事件预测等技术，利用网络用户的身份行为数据，实现事件大数据分析。

4)     对于产生和保存网络用户身份行为数据的终端载体，通过研究系统级数据流保护、细粒度访问控制、Cache攻击与防御、侧信道分析等技术，实现对终端载体的端系统安全保护，防止身份行为数据的非授权访问和泄露。

主要介绍了以下内容：

1)     知识表示方法

        效果评估方法主要有链路预测和三元组分类两种方法：链路预测分为节点预测和关系预测；三元组分类：二分类问题；

典型非分辨模型：TransE、TransH、TransR和TransD：

TransE：用向量表示实体和关系。简单易用，但是难以处理复杂关系

TransH：在语义关系挖掘前加入特征工程的方法

TransR：未考虑节点之间的相互作用

TransD：考虑节点之间的相互作用

2)     应用介绍

百度知心：确切答案显示，列表推荐，推荐理由挖掘

问答系统

领域应用：IBM Watson，金融证券

3)     相关工作进展

本组知识图谱构建框架：知识获取（计算，融合，应用）+知识抽取+知识表示学习算法进展（全局共享的参数分辨方法TransGate）