Page 64 - My FlipBook
P. 64
人
智慧
計
畫 建構概念為本且具語義結合性的中文知識庫
Arti cial Intelligence Projects 計畫主持人：馬偉雲博士
計畫期程：2019/1~2022/12
我的研究團隊自科技部（MOST）獲得了一個為期四年 在項目的第一年（2019 年），我們主要專注於從原始文
（2019/1 ～ 2022/12）的人工智慧計畫。每年該項目獲 本中獲取知識和知識的表達。為了從原始文本中獲取知
得 MOST 撥款 23 萬美元。目的是建立一個能解決現實 識，我們提出一種新的模型 - GraphRel，這是一種端到端
問題並且支持台灣 AI 發展的中文知識庫。回顧歷史，在 的深度學習模型，使用圖卷積網絡（GCN）共同學習擷
2012 年，Google 以知識庫（知識圖譜）作為搜尋檢索的 取專有名詞和他們之間的關係（請參見圖一）。與以前研
額外資源，效能獲得大幅提升。從那時起，無論是在工 究的作法不同，我們考慮了專有名詞與關係之間的交互
業界還是在學術界，知識庫的建設引起了廣泛的關注， 影響，以兩階段來利用 GCN，可以更有效地擷取專有名
也成功開發和部署了各種知識庫應用程序。鑑於深度學 詞專有名詞和其交互關係。同時，我們也利用詞彙間的
習的快速發展，近來研究者多將知識庫的信息加以編碼， 語法結構作為文本的特徵，建立一個輸入文本的詞彙關
作為深度學習模型可以利用的形式，賦予其解決各種實 係圖，詞彙的訊息可藉由這樣的關係圖彼此傳遞，以達
際的應用問題的能力。 成設定的目標。與前人的研究相比，對擷取專有名詞交
互關係的效能上有了很大的改進。我們針對兩個公共數
開發實用且高質量的知識庫非常關鍵，但也充滿挑戰。 據集 - NYT 和 WebNLG 評估了 GraphRel。我們的結果表
涉及的實體數量可以達到數百萬，甚至數千萬。 因此， 明 GraphRel 保持高準確率，且大幅提升召回率。跟 2019
不可能手動建立知識庫，必須有自動建立的技術與機制。 年 最 好 的 技 術 相 比，GraphRel 在 NYT 和 WebNLG 的 F1
同時，還必須考慮知識庫的推理機制，包括因果關係和 分數均超越 2019 年最好的技術達 3.2％和 5.8％的相對進
推理過程，因此，必須仔細設計知識庫的表達形式和推 步幅度。
理能力。為了建立這種性質的實用知識庫，我們目前致
力於知識的自動擷取、表示、推理和應用。 我們已經開
發了英文和中文兩種版本的知識庫形式。前者可以跟其
他世界級的知識庫做比較，後者則用於構建中文知識庫
的種種實際應用，落實計畫的目標。
圖一： GraphRel 的整體架構。
62
智慧
計
畫 建構概念為本且具語義結合性的中文知識庫
Arti cial Intelligence Projects 計畫主持人：馬偉雲博士
計畫期程：2019/1~2022/12
我的研究團隊自科技部（MOST）獲得了一個為期四年 在項目的第一年（2019 年），我們主要專注於從原始文
（2019/1 ～ 2022/12）的人工智慧計畫。每年該項目獲 本中獲取知識和知識的表達。為了從原始文本中獲取知
得 MOST 撥款 23 萬美元。目的是建立一個能解決現實 識，我們提出一種新的模型 - GraphRel，這是一種端到端
問題並且支持台灣 AI 發展的中文知識庫。回顧歷史，在 的深度學習模型，使用圖卷積網絡（GCN）共同學習擷
2012 年，Google 以知識庫（知識圖譜）作為搜尋檢索的 取專有名詞和他們之間的關係（請參見圖一）。與以前研
額外資源，效能獲得大幅提升。從那時起，無論是在工 究的作法不同，我們考慮了專有名詞與關係之間的交互
業界還是在學術界，知識庫的建設引起了廣泛的關注， 影響，以兩階段來利用 GCN，可以更有效地擷取專有名
也成功開發和部署了各種知識庫應用程序。鑑於深度學 詞專有名詞和其交互關係。同時，我們也利用詞彙間的
習的快速發展，近來研究者多將知識庫的信息加以編碼， 語法結構作為文本的特徵，建立一個輸入文本的詞彙關
作為深度學習模型可以利用的形式，賦予其解決各種實 係圖，詞彙的訊息可藉由這樣的關係圖彼此傳遞，以達
際的應用問題的能力。 成設定的目標。與前人的研究相比，對擷取專有名詞交
互關係的效能上有了很大的改進。我們針對兩個公共數
開發實用且高質量的知識庫非常關鍵，但也充滿挑戰。 據集 - NYT 和 WebNLG 評估了 GraphRel。我們的結果表
涉及的實體數量可以達到數百萬，甚至數千萬。 因此， 明 GraphRel 保持高準確率，且大幅提升召回率。跟 2019
不可能手動建立知識庫，必須有自動建立的技術與機制。 年 最 好 的 技 術 相 比，GraphRel 在 NYT 和 WebNLG 的 F1
同時，還必須考慮知識庫的推理機制，包括因果關係和 分數均超越 2019 年最好的技術達 3.2％和 5.8％的相對進
推理過程，因此，必須仔細設計知識庫的表達形式和推 步幅度。
理能力。為了建立這種性質的實用知識庫，我們目前致
力於知識的自動擷取、表示、推理和應用。 我們已經開
發了英文和中文兩種版本的知識庫形式。前者可以跟其
他世界級的知識庫做比較，後者則用於構建中文知識庫
的種種實際應用，落實計畫的目標。
圖一： GraphRel 的整體架構。
62
