本周将门「自然语言处理(NLP)」微信交流群线上分享精彩继续!
我们邀请到的是NLP领域知名流量担当、清华大学计算机系助理教授刘知远老师,他会为我们来带以“表示学习与知识获取”为主题的分享。
我们特意准备了刘知远老师的签名著作1本,参与方式请见文末。
活动信息
▼
主题:表示学习与知识获取
时间:11月9日(周三)晚8:00-9:00
地点:将门自然语言处理(NLP)微信交流群
嘉宾介绍
▼
你一定对这个头像印象深刻~
但其实...
这才是他~
👇
刘知远
清华大学计算机系助理教授、博士生导师
主要研究方向为表示学习、知识图谱和社会计算。2011年获得清华大学博士学位,已在AAAI、IJCAI、ACL等人工智能领域的著名国际期刊和会议发表相关论文20余篇,Google Scholar统计引用超过1000次。承担多项国家自然科学基金。曾获清华大学优秀博士学位论文、中国人工智能学会优秀博士学位论文、清华大学优秀博士后,入选CCF-Intel青年学者提升计划。
担任中文信息学会青年工作委员会执委、副主任,中文信息学会社会媒体处理专委会委员、秘书,SCI期刊Frontiers of Computer Science青年编委。担任ACL、IJCAI、AAAI、NAACL、EMNLP、WWW、WSDM等著名学术会议的程序委员会委员以及TKDE、TOIS、JCST等著名学术期刊审稿人。
分享提纲
▼
知识就是力量,知识图谱旨在将人类知识组织成结构化知识库系统,是推动人工智能学科发展和支撑智能信息服务应用的重要基础。知识获取是构建知识图谱的重要技术。如何使用深度学习技术实现知识图谱的表示、构建与应用,是自然语言处理领域的热点研究问题之一。本报告将着重介绍知识图谱的表示学习技术,及其在知识获取任务中的应用进展。
分享内容主要包括以下三个方面:
表示学习的基本思想与优势。介绍深度学习的关键技术——分布式表示——的基本思想,近年来在自然语言处理方面的主要进展,及其该表示方案对于自然语言处理的重要意义与优势。
知识表示的基本思想与代表模型。以TransE等作为代表模型,介绍分布式表示思想在知识表示学习方面的最新进展,讨论这些代表模型的主要特点和问题,以及相关解决方案。
知识表示学习在知识获取中的应用。知识获取是构建知识图谱的关键任务,知识获取的主要来源包括面向知识图谱的图谱补全,以及面向文本的关系抽取。本部分将介绍知识表示在这些方面的应用,可以看到知识表示能够更好地利用知识图谱中的已有知识,显著地提升知识获取能力。
之后还将带来分享的嘉宾有
▼
11月17日
王昊奋 狗尾草智能科技(Gowild) CTO
面向特定任务和领域的知识图谱构建
11月24日
汪冠春 助理来也CEO
智能助理的NLP深度应用和商业化尝试
更多分享嘉宾持续邀请中...
欢迎自荐或推荐!
NLP群加入方式
▼
长按或扫描上方二维码,关注“将门创业”微信公众号(ID: thejiangmen),后台回复“NLP”,获得入群密钥。
转发福利
▼
-END-
将门创业
让创新获得认可!
微信:thejiangmen
service@thejiangmen.com