技术动态 | 揭开知识库问答 KB-QA 的面纱 7 · 深度学习下篇(一)

作者,四川大学博士生,刘大一恒。本文已经获得 ChatbotMagazine 公众号授权。
内容速览

☛ 什么是记忆网络

☛ 基于记忆网络的KB-QA

☛ 小结

在上两期,我们分别介绍了使用深度学习的卷积神经网络对向量建模和语义解析方法进行提升的两篇经典论文。(详情翻查公众号历史记录。)

继续阅读“技术动态 | 揭开知识库问答 KB-QA 的面纱 7 · 深度学习下篇(一)”

领域应用 | 从数据到智慧:证券行业知识图谱应用实践

摘  要:大数据时代以其海量的数据,极大丰富了人们获取知识的来源与途径,为人们更好的掌握与认知事物规律,提供了越来越丰富的手段。与此同时,随着数据量尤其是非结构化数据的急剧增长,数据的分析与理解已经远远超过人类的理解与分析速度,在某些应用场景甚至会出现随着数据的增长而应用效能下降的“拉弗曲线”效应,困扰着行业的进一步发展。

抛开应用场景的数据解决方案通常都不能取得良好的效果,就针对证券行业这一特定行业而言,存在着结构与非结构化数据并存、数据分析结果要求准确度极高、数据分析结果经济效益明显直接的特点,对我们的分析手段提出了新的要求与挑战。

金融知识图谱,一改传统数据分门别类的存储方式,以一种“活”的方式将实体、属性、关系等非结构化、结构化数据固化并联系起来。构建金融知识图谱作为证券文本语义理解和知识搜索的关键基础技术,为未来证券领域文本分析、舆情监控、知识发现、模式挖掘、推理决策等提供了坚实支撑。

金融知识图谱在证券行业的应用目前尚处于探索阶段,如智能投研,智能公告等等,均可以大大提高传统业务效率。然而,构造和应用领域知识图谱,尚面临着各种挑战和难题,需要行业专家和人工智能专家协作起来,以专家+大数据的方式构筑自生长模式,从而真正将海量非结构化信息自动化利用起来,成为领域应用决策的坚实支持。

关键词:知识图谱; 智能投研; 大数据;

继续阅读“领域应用 | 从数据到智慧:证券行业知识图谱应用实践”

技术动态 | 揭开知识库问答 KB-QA 的面纱 6 · 深度学习中篇

​作者,四川大学博士生,刘大一恒。本文已经获得 ChatbotMagazine 公众号授权。
内容速览
☛ 语义解析方法的再思考
☛ 什么是查询图
☛ 查询图的阶段生成
☛ 各阶段的特征
☛ 实验分析与总结
在上期,我们介绍了深度学习对传统向量建模KB-QA方法进行提升的一篇代表论文,可以看出它的效果击败了当时所有的传统方法。本期,我们将以深度学习提升语义解析方法的一篇代表作为例,作为深度学习篇的中篇,为大家进一步揭开知识库问答的面纱。

继续阅读“技术动态 | 揭开知识库问答 KB-QA 的面纱 6 · 深度学习中篇”