Knowledge graphs have found importa

Knowledge graphs have found important applications in
question answering, structured search, exploratory search, and
digital assistants. We provided a review of state-of-the-art
statistical relational learning (SRL) methods applied to very
large knowledge graphs. We also demonstrated how statistical
relational learning can be used in conjunction with machine
reading and information extraction methods to automatically
build such knowledge repositories. As a result, we showed
how to create a truly massive, machine-interpretable “semantic
memory” of facts, which is already empowering numerous
practical applications. However, although these KGs are
impressive in their size, they still fall short of representing
many kinds of knowledge that humans possess. Notably missing
are representations of “common sense” facts (such as the fact
that water is wet, and wet things can be slippery), as well
as “procedural” or how-to knowledge (such as how to drive
a car or how to send an email). Representing, learning, and
reasoning with these kinds of knowledge remains the next
frontier for AI and machine learning.

Kết quả (Việt) 2:

Đồ thị kiến thức đã tìm thấy các ứng dụng quan trọng trong
câu hỏi trả lời, tìm kiếm cấu trúc, tìm kiếm thăm dò, và
trợ lý kỹ thuật số. Chúng tôi cung cấp một đánh giá của nhà nước-of-the-nghệ thuật
phương pháp thống kê học tập quan hệ (SRL) áp dụng cho rất
đồ thị kiến thức lớn. Chúng tôi cũng đã chứng minh như thế nào thống kê
học tập quan hệ có thể được sử dụng kết hợp với máy
đọc sách và phương pháp khai thác thông tin để tự động
xây dựng kho kiến thức như vậy. Kết quả là, chúng tôi đã cho thấy
làm thế nào để tạo ra một thực sự lớn, máy có thể phiên dịch "ngữ nghĩa
bộ nhớ" của các sự kiện, đó là đã trao quyền cho nhiều
ứng dụng thực tế. Tuy nhiên, mặc dù những KGs là
ấn tượng về kích thước của họ, họ còn thiếu người đại diện cho
nhiều loại kiến thức mà con người có. Đáng chú ý là mất tích
là đại diện của sự kiện "thông thường" (như là một thực tế
rằng nước là ẩm ướt, và những thứ ướt có thể được trơn), cũng
như "thủ tục" hoặc làm thế nào để kiến thức (chẳng hạn như làm thế nào để lái xe
một chiếc xe hơi hoặc làm thế nào để gửi email). Đại diện, học tập, và
lý luận với những loại kiến thức vẫn là cạnh
biên của AI và học máy.