我中心两篇论文被2016年全国知识图谱与语义计算大会（CCKS2016）接收

2016年9月19-22日，全国知识图谱与语义计算大会（CCKS2016）在北京西郊宾馆隆重召开。会议由中国中文信息学会语言与知识计算专业委员会主办。来自全国学术界、产业界从事知识图谱相关研究的400多人参加，探讨了知识图谱领域的新发现、新技术和新应用，旨在向社会公众介绍知识图谱相关领域的发展趋势和创新成果，进一步推动我国知识图谱技术领域的发展，会议的主题是：语义、知识与链接大数据。

我中心（哈尔滨工业大学社会计算与信息检索研究中心）第一作者分别为姜天文、刘燊的两篇论文被大会接收，并在大会上作报告。其中，姜天文同学为我中心2016级直博生，导师为秦兵教授，目前主要研究方向为信息抽取、知识库；刘燊同学为我中心2014级硕士生，导师为秦兵教授，研究方向为信息抽取，目前已毕业，就职于北京秒针信息咨询有限公司。

题目：基于表示学习的开放域中文知识推理

作者：姜天文，秦兵，刘挺

摘要：知识库通常以网络的形式被组织起来，网络中每个节点代表实体，而每条连边则代表实体间的关系。为了利用这种网状知识库中的知识，往往需要设计专门的复杂度较高的图算法，但这些算法并不能很好适用于知识推理，尤其是随着知识库的知识规模不断扩大，基于网状结构知识库的推理很难较好地满足实时计算的需求。本文的主要研究内容是，使用基于TransE模型的知识表示学习进行知识推理，包括对实体关系三元组中关系指示词以及尾实体的推理，其中关系指示词推理的实验取得了较好的结果，且推理过程无需设计复杂的算法，仅涉及向量的简单运算。另外，本文对原始TransE模型的代价函数进行改进，以更好地适用于开放域中文知识库表示学习。

题目：基于字信息学习词汇分布的实体上位关系识别

作者：刘燊，姜天文，秦兵，刘挺

摘要：本文在实体上位关系识别任务上，使用基于字信息的词向量学习模型学习词向量表示，并以此学习上位关系向量表示，在实体上位关系识别实验结果上效果较好，并且很大程度上缓解了未登录词的问题。首先基于字信息的词向量模型可以学习出几乎任意词语的词向量，然后根据语料中的上下位词对学习上位关系向量并聚类，学习每个簇的上位关系映射矩阵。最后利用上位关系映射矩阵来判别上位关系是否成立。实验结果表明，在未登录词多的数据集中，上位关系判别依然有着近80%的准确率，达到了可以应用的结果。

大会现场

姜天文同学在会议上作学术报告