综述 | 中科院计算所《事件知识图谱》

Posted 2022-02-23 人工智能博士

点上方人工智能算法与Python大数据获取更多干货

在右上方 ··· 设为星标 ★，第一时间获取资源

仅做学术分享，如有侵权，联系删除

转载于 ：专知

事件知识图谱是当下关注的焦点。但究竟什么是事件知识图谱？中科院计算所发布《事件知识图谱综述》综述论文，本文从历史、本体、实例和应用视图等方面对EKG进行了全面的综述。

除了以实体为中心的知识(通常以知识图谱(knowledge Graph, KG)的形式组织起来)，事件也是世界上必不可少的一种知识，它引发了以事件为中心的知识表示形式(Event KG, EKG)的兴起。它在许多机器学习和人工智能应用中发挥着越来越重要的作用，如智能搜索、问题回答、推荐和文本生成。本文从历史、本体、实例和应用视图等方面对EKG进行了全面的综述。为了更全面地描述EKG，我们将重点关注它的历史、定义、模式归纳、获取、相关的代表性图形/系统和应用程序。研究了其发展过程和趋势。我们进一步总结了未来EKG研究的发展方向。

知识图谱(KG)是谷歌在2012年发布的一种流行的知识表示形式。它关注名义实体及其关系，因此代表静态知识。然而，世界上存在着大量的事件信息，传递着动态的程序性知识。因此，以事件为中心的知识表示形式(如Event KG (EKG))也很重要，它将实体和事件结合在一起。它促进了许多下游应用，如智能搜索、问答、推荐和文本生成[1]、[2]、[3]、[4]、[5]。

本文就EKG的概念及其发展进行了深入的探讨。关于EKG你想知道什么?你可能会对它的产生感兴趣，也就是所谓的EKG，如何构建它，以及它的进一步应用。为了全面介绍EKG，我们从历史、本体论、实例和应用视图等方面对其进行了介绍。从历史的观点，我们介绍了EKG的简史和我们导出的EKG的定义。从本体的角度，提出了与EKG相关的基本概念，以及EKG相关的任务和方法，包括事件模式归纳、脚本归纳和EKG模式归纳。从实例视图，我们详细阐述了事件获取和与EKG相关的代表图/系统。具体来说，事件获取的重点是如何构建一个基本的EKG，并获得一个更好的EKG。前者包括事件抽取和事件关系抽取，是最基本的任务。后者包括事件相互引用解析和事件参数补全。从应用的角度，介绍了一些基本的应用，包括脚本事件预测和时间KG预测，以及一些深层次的应用，如搜索、问答、推荐和文本生成。并对相关任务的发展过程和趋势进行了深入的研究和分析。然后指出未来的方向。

事件知识图谱发展历程

EKG 相关概念

什么是EKG？历史视角

在本节中，我们将从历史的视角，简要介绍EKG的历史。然后我们根据历史上与EKG相关的概念推导出EKG的定义。

什么是EKG？本体视角

从本体的角度来看，我们研究了模式和相关的任务。EKG的模式描述了构成它的基本概念，比如事件类型、事件参数的角色以及事件之间的关系。事件类型和事件参数的角色构成了事件的框架，即事件模式。对于事件之间的关系，典型的脚本[30]根据一些事件关系组织一组事件，这些事件关系共同描述了常见的场景。

什么是EKG？实例视角

从实例视图来看，本节介绍如何构建EKG，即事件采集和EKG相关的代表图/系统。

事件抽取

事件关系抽取

未来方向与挑战

关于EKG的研究和成果有很多。然而，仍有几个方向需要关注和进一步研究。在本节中，我们将深入探讨这些未来的方向。

高性能的事件获取

最近的事件获取研究在有效性和效率上远远不能满足应用需求。特别是事件提取和事件关系提取的精度较低。从而阻碍了高质量基础EKG的构建。此外，现有的模型通常不重视复杂性问题。然而，高参数复杂度和高时间复杂度的模型不利于从大量数据中快速构建EKG。因此，高效率的事件获取是未来的一个重要方向。

多模态知识处理

在现实世界中，事件可能以文本、图像、音频和视频的形式呈现。然而，现有的关于EKG的研究多集中在文本处理上，而忽略了图像、音频、视频中的大量信息。对于多模态事件表示学习[214]和事件抽取[215]的研究很少。实际上，不同模态的事件可以消除歧义，相互补充。因此，多模态信息的联合利用是未来的一个重要方向。具体来说，来自所有模态的事件应在一个统一的框架中表示，事件获取研究应注意多模态提取，EKG图推理也应考虑多模态信息。

可解释EKG研究

在EKG研究中，研究主要集中在用深度学习方法拟合训练数据。然而，它们通常缺乏可解释性，也就是说，对于它们为什么和如何工作没有明确的想法。实际上，了解最终结果的原因有助于在实际应用中采用它们。它是友好和令人信服的解释为什么最终结果是给定的。未来可解释性EKG的研究将是一个重要的方向。

实用EKG研究

在与EKG相关的任务中，有些任务的形式化过于理想化，与现实场景相距甚远。例如，在一个现有的事件中，只完成一个缺失的参数或参数角色，通过从几个候选对象中选择它来预测未来的脚本事件，并且只预测未来事件的一个元素。在更实际的形式下进行研究更具挑战性，但也更有趣，对应用具有重要意义。

EKG对于许多都很重要，包括智能搜索、问题回答、推荐和文本生成。本文从不同角度对EKG的研究进行了综述。特别地，我们深入研究了EKG的历史、本体、实例和应用视图。它的历史，定义，模式归纳，获取，相关的代表图/系统，和应用进行了深入的研究。根据其发展趋势，进一步总结了未来EKG研究的展望方向。

---------♥---------

声明：本内容来源网络，版权属于原作者

图片来源网络，不代表本公众号立场。如有侵权，联系删除

AI博士私人微信，还有少量空位

如何画出漂亮的深度学习模型图？

如何画出漂亮的神经网络图？

一文读懂深度学习中的各种卷积

点个在看支持一下吧