本期将分享近期全球知识图谱相关
行业动态、会议课程、综述推荐
由中国电子技术标准化研究院依托知识图谱产业推进方阵、全国信标委人工智能分委会知识图谱工作组编写的《知识图谱与大模型融合实践研究报告》（2023年版）于2023年7月26日在第三届知识图谱产业发展论坛暨知识图谱与大模型融合研讨会正式发布。该研究报告旨在推进知识图谱与大模型在企业级的落地应用，分析知识图谱与大模型融合技术路径。具体而言该研究报告从知识图谱与大模型落地面临的瓶颈出发，分析了知识图谱与大模型的主要特征、知识图谱与大模型擅长的主要场景和核心基础能力，对比了知识图谱与大模型的优劣势，进而从技术演化层面、技术互补层面、知识库建设层面探讨了知识图谱与大模型融合的可行性及收益。与此同时，该研究报告分析了知识图谱与大模型融合的技术路径及其关键技术，研究了知识图谱与大模型融合系统评测体系，对比了实际融合系统与大模型的性能测试结果。最后，通过梳理已有11个领域的实践案例，给出了知识图谱与大模型融合技术挑战与发展展望。
2023 年 8 月 9 日，科睿唯安( Clarivate Plc )推出了 GenAI 平台。GenAI 可以使药物、临床、监管事务和产品组合策略团队能够使用自然语言与多个复杂的数据集进行交互，即时和深入解决问题。GenAI 和数据科学技术，通过算法处理高价值的精选内容，用户可以识别开发突破性疗法的公司，预测医疗进步并了解市场动态，这对于推动新疗法推向市场至关重要。
平台特性和功能包括：
自然语言：用户可以使用自然语言输入问题，以获得轻松的搜索体验。
数据连接：利用专有的知识图谱和非关系数据库，结合正在申请专利的和 GenAI 数据科学方法来集成系统并解锁数据连接。
智能摘要：用户可以利用其内置的生命科学和医疗保健知识库访问清晰简洁的摘要，其中包含最相关的见解。
清晰的结果：数据结果在专门的部分中突出显示，以便于解释、分析和审查结果，避免错误。
持续改进：客户可以从适应性学习和持续改进中受益，以获得一致准确的结果。持续的用户反馈、功能和算法的进步以及数据集的持续集成将允许提供新的、独特的见解。
—--| 会议课程 |--—
由神经符合人工智能研究兴趣小组组织的主题为“Neuro-Symbolic AI”暑期学校将2023.8.29 -2023.8.30在线举行，该暑期学校主题为知识驱动的人工智能。该暑期学校将邀请来自多位来自包括哈佛大学、鲁汶大学以及IBM 等高校与产业界的学者和相关研究人员围绕基于知识推理的鲁棒性AI、神经符号系统的可解释性与基于神经符号的自然语言处理等内容做技术分享报告。
“概念结构国际会议（ICCS）重点关注概念知识的形式分析和表示，处于人工智能、人类认知、计算语言学以及计算机科学和认知科学相关领域的十字路口。”
最近，基于图的知识表示和推理 (KRR) 范式受到越来越多的关注。随着准自主人工智能的兴起，基于图的表示提供了一种使机器认知向人类用户明确的工具。ICCS 2023 的目标是建立在基于图的 KRR 方面的长期专业知识，并专注于提供基于图的系统的建模、形式化和应用结果。
—--| 综述推荐 |--—
Multimodal LLM
本周推荐的是近期arxiv上的综述：A Survey on Multimodal Large Language Models，该文对多模态大语言模型的研究进展进行综述，作者来自中国科学技术大学和腾讯优图实验室。
多模态大语言模型(Multimodal Large Language Model，MLLM)通常以大语言模型(Large Language Model，LLM)为基础，融入其它非文本的模态信息，例如基于图片进行诗文创作等。该综述将MLLM定义为“由LLM扩展而来的具有接收与推理多模态信息能力的模型”，该类模型相较于单模态LLM具有更符合人类认知世界的习惯、更加强大与用户友好的接口广泛的任务支持等优势。该综述主要围绕MLLM的三个关键技术以及一个应用展开（前三项技术构成了MLLM的基础，最后一个是以LLM为核心的多模态系统）：
1. 多模态指令微调(Multimodal Instruction Tuning，M-IT) ：指令（Instruction）指的是对任务的描述，多模态指令微调是一种通过指令格式的数据（Instruction-formatted data）来微调预训练的MLLM的技术。
2. 多模态上下文学习(Multimodal In-Context Learning，M-ICL)：多模态上下文学习指的是给定少量样例作为Prompt输入，激发模型潜在的能力并规范化模型的输出。
更多链接
内容：l林丁洋、袁知秋、王图图
诚邀您加入我们的gStore社区，我们将在群内解决使用问题，分享最新成果~
请在微信公众号图谱学苑发送“社区”入群
欢迎关注北京大学王选计算机研究所数据管理实验室微信公众号“图谱学苑“
实验室官网：https://mod.wict.pku.edu.cn/
微信社区群：请回复“社区”获取
gStore官网：http://www.gstore.cn/
GitHub：https://github.com/pkumod/gStore
Gitee：https://gitee.com/PKUMOD/gStore
