图谱动态｜学苑周刊 NO.97

TigerGraph 发布 ML Workbench

TigerGraph 近期发布了TigerGraph ML Workbench，这是一个基于 Jupyter 的 Python 开发框架。

TigerGraph ML Workbench 将允许数据科学家通过支持图的机器学习使用连接数据构建深度学习 AI 模型，他们说这比传统的机器学习方法具有更准确的预测能力。这在节点预测应用（如欺诈）和边缘预测应用（如产品推荐）中最为常见。图增强型机器学习和图形神经网络与 TigerGraph 数据库完全集成，可快速用于并行图数据处理。ML Workbench 旨在与 PyTorch、PyTorch Geometric、DGL 和 TensorFlow 互操作，以便用户可以选择他们喜欢的深度学习框架。TigerGraph 还表示，其 ML Workbench 可以即插即用，适用于 Amazon SageMaker、Microsoft Azure ML 和 Google Vertex AI。

http://edou.vip/1FaYz

「可之科技」完成过亿元A轮融资

人工智能公司「可之科技」近日宣布完成过亿元A轮融资。

本轮资金将用于三个方面：1）提升认知智能相关技术的研发水平；2）融合服务领域的知识图谱，实现相关行业的认知智能升级；3）提升团队综合能力，产品推广。

「可之」2017年创立于哈佛大学创新实验室，在美国波士顿、中国宁波、北京、上海、大连、深圳等地设有办公室，专注于深度强化学习框架和可解释人工智能核心技术的自主研发，目前其认知智能产品主应用于教育“双减”、工业互联网、金融、生物医药等领域。

http://edou.fun/1g5HP

Komprise 使用智能数据工作流程自动化非结构化数据发现

分析驱动的非结构化数据管理和移动领域的领导者Komprise宣布推出 Komprise 智能数据工作流程，这是一个系统化流程，用于发现跨云、边缘和本地数据中心的相关文件和对象数据，并将本机格式的数据提供给 AI 和机器学习 (ML) 工具和数据湖。行业分析师预测，到 2025 年，全球至少 80% 的数据将是非结构化数据。这些数据对于 AI 和 ML 驱动的应用程序和洞察力至关重要，但其中大部分被锁在不同的数据存储孤岛中。这会造成非结构化数据盲点，导致错失数十亿美元的大数据机会。

https://t.hk.uy/baYG

—--| 会议讲座 |--—

Workshop: Data Spaces & Semantic Interoperability

研讨会Data Spaces & Semantic Interoperability将于6月3日举行。

欧洲的数据空间和数据市场的数量不断增加，以及欧盟委员会对工业和个人相关数据以及研究数据的相关资助项目和规定，清楚地表明越来越需要讨论、指定和实现这些数据空间和其他空间之间的（语义）数据互操作性。

这个为期一天的研讨会将欧洲数据空间、数据市场和其他允许数据共享、交易和数据协作的基于网络的数据管理系统的开发和运营领域的研究人员、决策者和从业人员聚集在一起，讨论关于数据空间的（语义数据）互操作性的要求、标准、工具等等。

详情请访问

https://www.trusts-data.eu/data-spaces-semantic-interoperability/

Text2KG 2022

作为人工智能应用的关键要素之一，知识图谱在学术界和工业界都受到关注。在许多下游任务（例如问答、推荐、个人助理、业务分析、业务自动化等）中，它们被认为是重要且必不可少的资源。即使存在使用 Wikidata 等众包或使用半结构化构建的大型知识图谱DBpedia 或 Yago 等数据或关系数据库等结构化数据，从文本语料库构建知识图谱仍然是一个开放的挑战。

文本知识图谱生成国际研讨会欢迎广泛的论文，包括完整的研究论文、负面结果、立场文件、数据集和系统演示，检查与从文本语料库生成知识图谱相关的广泛问题和过程，包括但不限于实体链接，关系抽取、知识表示和语义网。也欢迎有关资源（方法、工具、基准、库、数据集）的论文。

详情请访问

https://aiisc.ai/text2kg/

—--| 综述推荐 |--—

图神经网络推荐系统

本周推荐的综述是PKU-DAIR 实验室在ACM Computing Surveys发表的综述：Graph Neural Networks in Recommender Systems: A Survey。该文章对基于图神经网络(GNN)实现推荐系统的工作进行了广泛的叙述，依据推荐过程中使用的信息类型和推荐任务对相关工作进行分类，系统地分析了使用GNN在不同类型数据上的应用挑战及现有工作如何解决这些难题，讨论了现有工作的优缺点并对未来的研究方向进行了展望。本文的作者是北京大学的崔斌教授等人。

随着电子商务和社交媒体平台的发展，推荐系统成为很多业务和产品中不可或缺的工具，如电商中的商品推荐和音乐平台的歌手推荐等，根据用户的历史交互（如点击、观看、阅读和购买等）准确建模用户的偏好是推荐系统的核心。推荐系统的研究也经历了从基于邻域关系到基于表示学习的发展变化。由于推荐系统中的大部分信息都具有图结构，从图的角度可以对不同数据类型信息采取统一的框架构建，使得GNN技术在推荐系统中得到了广泛的应用。另一方面，GNN通过多层网络传递信息，可以显式地编码用户交互行为中的高阶信号，在图表示学习方面具有优势。这些原因促使学术界和工业界将图神经网络技术广泛应用于推荐系统中，并诞生了若干先进方法。

这篇工作总结了大量前沿的相关工作，根据使用的信息类型和推荐任务，将基于GNN的推荐系统工作分为五个类别：用户-商品协同过滤、序列推荐、社交推荐、基于知识图谱的推荐和其他任务（如POI推荐和多媒体推荐）。对每个类别，对任务的主要挑战及现有工作的解决方案进行了讨论和分析，并在每一章节的最后进行了总结。

综述还介绍了针对不同推荐任务的常用数据集（见下表）和评估指标，并介绍了若干基于GNN的推荐系统在工业界的实际应用案例。

在文章的最后，作者提出了使用GNN做推荐系统的九个未来方向，包括：多样和不确定性用户表征、效率和可扩展性问题、动态图上的推荐问题、推荐中 GNN 的接收域、自监督学习、鲁棒性、隐私保护、公平性、可解释性等，希望对未来的研究有更多启发。

综述还汇总了若干代表性工作的列表及其开源代码实现在github上，感兴趣的读者可以前去查看：