美國當(dāng)?shù)貢r(shí)間2月4日-9日，人工智能領(lǐng)域的最重磅會(huì)議之一第31屆人工智能大會(huì)AAAI-17在舊金山舉行。
　　AAAI在全球有超過4000名會(huì)員，匯集了全球最頂尖的人工智能領(lǐng)域?qū)＜覍W(xué)者。在本次大會(huì)上，機(jī)器人廠商小i機(jī)器人與復(fù)旦大學(xué)合作的兩篇論文入選AAAI 2017。
以下是兩篇入選論文概述：
　　《基于圖模型的大規(guī)模分類體系中的錯(cuò)誤檢測(cè)》（Graph-based Wrong IsA Relation Detection in a Large-scale Lexical Taxonomy）
　　知識(shí)庫在人工智能中起著重要的作用，其中，不管是人工構(gòu)建的還是自動(dòng)構(gòu)建的知識(shí)庫都獲得了許多關(guān)注。相對(duì)于人工構(gòu)建的知識(shí)庫，自動(dòng)構(gòu)建的知識(shí)庫更大，覆蓋更廣，但有更多的錯(cuò)誤。在這里，我們研究如何提升自動(dòng)構(gòu)建的巨大知識(shí)庫的質(zhì)量。特別的，我們關(guān)注于包含isA關(guān)系的分類體系知識(shí)庫。我們發(fā)現(xiàn)這些分類體系中往往存在環(huán)，而這些環(huán)經(jīng)常是由于錯(cuò)誤的isA關(guān)系導(dǎo)致的。從這個(gè)發(fā)現(xiàn)中，我們提出了兩種模型用于從環(huán)中找出錯(cuò)誤的isA關(guān)系。第一個(gè)模型通過在分類體系中提取DAG子圖來消除其中的環(huán)，而第二個(gè)模型利用對(duì)分類體系中的結(jié)點(diǎn)定義層級(jí)來消除環(huán)。我們?cè)谀壳白钕冗M(jìn)的自動(dòng)構(gòu)建的分類體系Probase上實(shí)現(xiàn)了這兩個(gè)模型。在處理了數(shù)千萬關(guān)系以后，我們最好的方法以91%的準(zhǔn)確率找出了7.4萬條錯(cuò)誤邊。
　　《數(shù)據(jù)驅(qū)動(dòng)的大規(guī)模分類體系中上下位關(guān)系的傳遞性》（On the Transitivity of Hypernym-hyponym Relations in Data-Driven Lexical Taxonomies）
　　分類體系在機(jī)器自然語言理解中不可缺少。在近幾年，人們構(gòu)建了許多大規(guī)模的基于數(shù)據(jù)的自動(dòng)構(gòu)建的分類體系。上下位關(guān)系是分類體系中的基礎(chǔ)關(guān)系，它不僅能用于實(shí)體的分類，還允許機(jī)器有泛化的能力。在這里，我們著眼于上下位關(guān)系的一個(gè)重要屬性：傳遞性，它在許多分類體系的應(yīng)用中都有著重要的功能。我們發(fā)現(xiàn)，和人工構(gòu)建的小規(guī)模分類體系和本體庫不同，在大規(guī)模的自動(dòng)構(gòu)建的分類體系中，傳遞性并不總是成立。我們提出了一個(gè)有監(jiān)督方法來在一個(gè)大規(guī)模自動(dòng)構(gòu)建的分類體系中檢測(cè)傳遞性對(duì)于任意給定的實(shí)體/概念三元組是否成立。除了這個(gè)，我們還利用傳遞性成立的情況來發(fā)現(xiàn)新的缺失上下位關(guān)系。在最后，我們還使用了多個(gè)實(shí)驗(yàn)來驗(yàn)證我們的方法的有效性。