图谱动态｜学苑周刊 NO.200

—--| 行业动态 |--—

文旅+知识图谱

近日，2024文化和科技融合生态汇在南京牛首山开幕。“数智牛首”数字化平台入选中央文化和旅游管理干部学院“2024年文化和旅游领域科技创新应用教学案例”。“数智牛首”数字化平台以牛首文化为核，通过知识图谱、元宇宙、全景漫游、AR、个性化游线定制、便捷线上购票等方式，形成了科技感十足、沉浸体验感浓厚、文化特色鲜明的各类应用场景。知识图谱以数智化的形式呈现了牛首山文化知识体系，构建了可视化数字资产库；参与公益互助计划，吸引世界注视濒临灭绝的顽强生命——虎凤蝶；元宇宙创造并链接的“扩展的牛首山”，让现实世界与虚拟空间映射交互。着力于将牛首山文化以更具吸引力、更加生动的方式表达。

https://sourl.cn/8WDbUr

Graph AI 

Semantic Web Company 和Ontotext今天宣布，两家公司已合并成为领先的 Graph AI 提供商Graphwise。Semantic Web Company 拥有知识工程、语义 AI 和智能文档处理方面的专业知识，而Ontotext则拥有最通用的图形数据库引擎和最先进的 AI 模型，可大规模链接和统一信息。

据估计，到 2024 年底，企业在 AI 上的平均支出将达到2100 万美元，因此对 AI 技术进行有效集成和协同工作的需求从未如此迫切。随着 AI 继续成为业务战略的核心部分，组织需要能够在大型非结构化数据集之间建立联系的复杂系统，无论是在法律分析、财务还是客户互动中。通过使用知识图谱，企业可以从数据中获得更准确、上下文丰富的洞察，这对于他们希望采用 AI 来推动决策至关重要。

https://t.hk.uy/bJYY

—--| 会议讲座 |--—

NLPCC 2024

第十三届 CCF 自然语言处理与中文计算国际会议 （NLPCC 2024）将于2024 年 11 月 2 日至 3 日在中国杭州举办。

NLPCC 是专门从事自然语言处理 （NLP） 和中文计算 （CC） 领域的领先国际会议。NLPCC 在 CCF 推荐的 CS 会议列表中。它是学术界、工业界和政府的研究人员和从业者分享他们的想法、研究成果和经验的主要论坛，并促进他们在该领域的研究和技术创新。今天，由于互联网的快速发展以及移动设备和社交媒体的全球普及，NLP 和 CC 技术是最活跃的研究和开发领域之一。这些领域面临着智能应用和大数据带来的许多新挑战，例如商业智能、社交分析等。

详情请访问：

http://tcci.ccf.org.cn/conference/2024/index.php

2024 CCF中国开源大会

2024 CCF中国开源大会（CCF ChinaOSC）将于2024年11月9日至10日在深圳召开。本届大会由中国计算机学会主办，CCF开源发展委员会、鹏城实验室、新一代人工智能产业技术创新战略联盟（AITISA）联合承办。大会以“湾区聚力、开源启智”为主题，由中国工程院院士、鹏城实验室主任高文院士担任大会主席，中国科学院院士、CCF开源发展委员会主任王怀民院士共同发起。大会将同步联动第五届OpenI启智开发者大会，通过开源合作，充分发挥粤港澳大湾区优势，汇聚国内外学术界、顶尖科技企业、科研机构及开源社区的精英力量，共同探索人工智能技术和人类智慧的无限可能，推动技术创新与产业升级。

详情请访问：

https://ccf.org.cn/14vbUQP

2024 CCF软件大会

2024 CCF中国软件大会（CCF ChinaSoft）将于2024年11月15日至17日在陕西省西安高新国际会议中心召开。CCF中国软件大会由全国软件与应用学术会议（NASAC）与全国形式化方法与应用会议（FMAC）两个会议有机组成。NASAC创立于2002年，已举办二十二届，由CCF主办，CCF软件工程专业委员会与CCF系统软件专业委员会共同承办，是中国软件科学与工程相关领域参会人数最多、影响范围最广、涵盖内容最全面的学术会议。全国形式化方法与应用会议（FMAC）创立于2016年，历经八届，由CCF主办，CCF形式化方法专业委员会承办。FMAC聚焦形式化方法理论前沿和最新研究进展，深化拓展形式化方法与相关领域的交叉，促进形式化方法、工具和应用在国内的发展。

详情请访问：

https://chinasoft.ccf.org.cn/

—--| 论文推荐 |--—

Graph Mamba Networks

本周推荐的KDD 2024上的论文：Graph Mamba: Towards Learning on Graphs with State Space Models，该文提出了一种新的图神经网络框架——图Mamba网络（GMNs），它基于选择性状态空间模型，旨在解决现有模型在长距离依赖捕捉和计算效率方面的限制。作者来自康奈尔大学。

图神经网络（GNNs）在图表示学习中展现出了巨大的潜力。大多数GNNs定义了一种局部消息传递机制，通过堆叠多层来在图上传播信息。然而，这些方法已知存在两个主要限制：过度压缩和难以捕捉长距离依赖关系。最近，图transformer（GTs）作为消息传递神经网络（MPNNs）的强大替代品出现。然而，GTs具有二次方的计算成本，缺乏对图结构的归纳偏差，并且依赖于复杂的位置/结构编码（SE/PE）。在该文中，作者展示了尽管transformer、复杂的消息传递和SE/PE在实践中足以获得良好的性能，但这些都不是必需的。受最近状态空间模型（SSMs）的成功启发，例如Mamba，作者提出了图Mamba网络（GMNs），这是一个基于选择性SSMs的新类别GNNs的通用框架。作者讨论并分类了将SSMs适应于图结构数据时遇到的新挑战，并提出了设计GMNs所需的四个步骤和一个可选步骤，其中作者选择了（1）邻域标记化，（2）标记排序，（3）双向选择性SSM编码器的架构，（4）局部编码，以及可有可无的（5）PE和SE。作者进一步为GMNs的强大能力提供了理论证明。实验表明，尽管计算成本要低得多，GMNs在长距离、小规模、大规模和异质性基准数据集中都取得了卓越的性能。

总体架构如下图所示：

论文链接https://arxiv.org/abs/2402.08678，该文源代码、数据和其他材料已在https://github.com/GraphMamba/GMN上提供，感兴趣的读者可以关注。