大学生创新创业训练计划智能管理平台
第二十四期“上海交通大学大学生创新实践计划”项目
定领域知识图谱自动构建技术研究
创新训练项目
工学
计算机类
创新类
电子信息与电气工程学院
刘功申
指导教师
登录状态下查看
博士，教授，博士生导师。2003年7月毕业于上海交通大学计算机系并获博士学位；2004年至今，于上海交通大学网络空间安全学院从事教学科研工作。2014年在亚利桑那州立大学访学一年。研究兴趣人工智能安全、自然语言理解、内容安全、恶意代码防范等。主持了3项国家自然科学基金项目，1项“十二五”重大专项子课题，1项科技委专项（原H863项目），正在主持1个与“东方头条”的校企联合实验室项目以及若干企业合作项目。作为主要技术核心人员，参与“信息内容分析技术国家工程实验室”建设项目、973项目、自然基金重点项目、“十三五”国家科技攻关计划项目等10多项。获得上海市优秀教材一等奖2项，保密科学技术奖1项。指导全国大学生信息安全大赛获得一等奖4项，优秀指导教师2项。获得校级烛光奖一等奖、优秀教师二等奖、教书育人奖三等奖各1项。
针对知识图谱的自动构建技术，指导教师指导的研究生已经完成过两篇硕士论文，并发表了3篇领域内较好的学术论文。具有较好的研究基础，基本明确的研究思路。目前具备的条件如下：
（1）数据资源：具备构造通用知识图谱的数据。
（2）计算资源：实验室能提供远程使用的服务器。
（3）人员支持：除指导教师外，有相关方向的研究生参与指导。
1 知识抽取
知识抽取主要是面向开放的链接数据，通常典型的输入是自然语言文本或者多媒体内容文档等。然后通过自动化或者半自动化的技术抽取出可用的知识单元，知识单元主要包括实体、关系以及属性3个知识要素，并以此为基础，形成一系列高质量的事实表达，为上层模式层的构建奠定基础。
2 知识表示
传统的知识表示方法主要是以RDF(Resource Deion Framework资源描述框架)的三元组SPO(subject,predicate,object)来符号性描述实体之间的关系。但是其在计算效率、数据稀疏性等方面面临诸多问题。近年来，以深度学习为代表的学习技术取得了重要的进展，可以将实体的语义信息表示为稠密低维实值向量，进而在低维空间中高效计算实体、关系及其之间的复杂语义关联，对知识库的构建、推理、融合以及应用均具有重要的意义。
3 知识融合
通过知识提取，实现了从非结构化和半结构化数据中获取实体、关系以及实体属性信息的目标。但是由于知识来源广泛，存在知识质量良莠不齐、来自不同数据源的知识重复、层次结构缺失等问题，所以必须要进行知识的融合。
4.知识推理
知识推理（www.golaxy.cn）则是在已有的知识库基础上进一步挖掘隐含的知识，从而丰富、扩展知识库。在推理的过程中，往往需要关联规则的支持。由于实体、实体属性以及关系的多样性，人们很难穷举所有的推理规则，一些较为复杂的推理规则往往是手动总结的。对于推理规则的挖掘，主要还是依赖于实体以及关系间的丰富同现情况。知识推理的对象可以是实体、实体的属性、实体间的关系、本体库中概念的层次结构等。知识推理方法主要可分为基于逻辑的推理与基于图的推理两种类别。