图谱动态｜学苑周刊 NO.101

Yext+Tripadvisor

旅游资讯服务商 Tripadvisor 近期与Yext合作，利用知识图谱技术使酒店品牌现在可以更好地控制他们的Tripadvisor列表，增加了对评论监控和酒店特定属性的支持，并允许酒店经营者添加娱乐、餐饮、停车等可用选项。现代消费者的偏好发生了变化。游客现在依赖星级评分、客户评论、业务描述、物业照片、便利设施和许多其他数据，然后再做出决定。

Yext 的 Answers Platform 的工作原理是提取信息，将其组织成知识图谱，然后通过一组平台服务（包括列表、搜索、页面和评论）提供信息。借助 Yext，酒店经营者可以轻松地从Tripadvisor和其他数百个地方的列表中获取高意向流量。

http://t.cn/A6aqNA1N

生物技术公司Fauna Bio利用动物基因组学、冬眠生物学来针对人类疾病

在 BIO 2022 上，Fauna Bio 宣布发布 Centaur，这是动物基因表达数据与人类疾病之间的交叉点的可视化知识图谱。Centaur 的目标是更快地识别人类疾病的适应症和目标，为一些严重的人类疾病提供新的治疗解决方案。

http://t.cn/A6aqCcfE

—--| 会议讲座 |--—

Gartner 数据与分析峰会

企业不是走向“新常态”，而是走向“非常态”——一个充满不确定性和模糊性的环境，需要持续的灵活性、创新以及对数据和分析战略的投资或再投资。数据和分析现在对业务战略至关重要，为数字化转型计划增加了重要价值。2022年 Gartner 数据与分析峰会将解决数据分析领导者在构建未来创新和适应性强的组织时面临的最重大挑战。

会议预计将有 50 多位 Gartner 专家和 80 多场研究驱动型会议。观众将包括首席数据官、首席分析官、首席数据科学家、商业智能和分析经理、人工智能 (AI) 经理、数据和分析治理经理等。完整的会议议程包含 8 个综合性专题和 3 个 Spotlight 专题，深入探讨了广泛的主题，包括领导技能、分析、数据科学和机器学习、人工智能、数据管理等。

详情请访问

https://www.gartner.com/en/conferences/na/data-analytics-us

Neo4j GraphSummit 2022

图数据平台Neo4j宣布在欧洲、 中东和亚太地区的17个城市举行GraphSummit系列活动。活动将于6月、7月、9月举行，旨在向与会者介绍他们需要为开发人员、数据科学家和 IT 领导者了解的有关图技术的所有知识。

当地活动的主要亮点包括：

• 由 ADEO、 澳大利亚联邦银行、星展银行、渣打银行、 伦敦交通局、世界卫生组织 (WHO)、意大利苏黎世等组织就欺诈检测、数字孪生技术、公共卫生等与图表相关的主题发表的演讲情报、职业导航等
• 与客户和 Neo4j 专家的实时互动问答小组讨论
• 动手图形研讨会，了解 Neo4j 图形数据库 和 Neo4j 图形数据科学如何 应对各种数据挑战并揭示更深入的业务洞察力
• Neo4j 工具、集成和安全的重要公告和最新消息

详情请访问

http://edou.fun/1AaZH

—--| 论文推荐 |--—

本周推荐的是近期发布于arxiv上的文章：BertNet: Harvesting Knowledge Graphs from Pretrained Language Models，提出了一种从预训练语言模型获取知识的新方法，作者来自加州大学圣地亚哥分校和卡耐基梅隆大学等。

符号化知识图谱存储丰富的实体关系知识，在搜索引擎、推荐系统、聊天机器人等领域发挥重要作用。但知识图谱的构建通常需要手工构建或依赖特定领域的信息抽取技术，耗时耗力且难以扩展。另一方面，以Bert、GPT-3等为代表的预训练语言模型成功在其参数中捕获了大量隐式知识，在一系列自然语言处理任务中达到突出的效果，并在近年来被探索其作为知识库的可能性。然而，与结构化知识库相比，黑盒的预训练模型难以对知识进行显式浏览和更新，其可信性和可解释性也难以保证。

本文提出了一种新的方式——从预训练模型中自动抽取结构化知识图谱，以同时保留预训练模型灵活可扩展的特点及显式知识库可获取、可编辑、可解释的优势。针对这一任务中可靠性难以保证和搜索空间大的两个挑战，文章提出了一套自动化处理框架，通过加权探针的生成和实体对搜索算法的设计，达到高效地从预训练模型中提取出可靠知识的目标。

文章整体框架如下图所示。对任意给定的预训练模型和任意待预测关系，给定一个初始探测模版和少量的种子实体对，系统使用离线的文本释义模型，基于编辑距离为每个关系生成若干多样化的探针句子，并基于种子实体对为每个探针模版计算加权置信分数。然后再使用加权的探针集，利用两步计算的搜索算法获取高置信度的实体对形成BertNet知识库。

文章用ConceptNet和LAMA的已知条目作为正样例进行自动评估，并对新增添的14个关系进行了人工评估，实验结果都证明了本文方法的有效性。下图是一组系统生成的释义探针和使用Roberta-large获取的高质量知识对的示例。

文章目前还在接受审查，据作者说文章的代码实现及从不同预训练模型中获得的知识库将在中稿后开源，感兴趣的读者可以关注。