《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)