美國當?shù)貢r間2月4日-9日，人工智能領(lǐng)域的最重磅會議之一第31屆人工智能大會AAAI-17在舊金山舉行。
　　AAAI在全球有超過4000名會員，匯集了全球最頂尖的人工智能領(lǐng)域?qū)＜覍W者。在本次大會上，機器人廠商小i機器人與復旦大學合作的兩篇論文入選AAAI 2017。
以下是兩篇入選論文概述：
　　《基于圖模型的大規(guī)模分類體系中的錯誤檢測》（Graph-based Wrong IsA Relation Detection in a Large-scale Lexical Taxonomy）
　　知識庫在人工智能中起著重要的作用，其中，不管是人工構(gòu)建的還是自動構(gòu)建的知識庫都獲得了許多關(guān)注。相對于人工構(gòu)建的知識庫，自動構(gòu)建的知識庫更大，覆蓋更廣，但有更多的錯誤。在這里，我們研究如何提升自動構(gòu)建的巨大知識庫的質(zhì)量。特別的，我們關(guān)注于包含isA關(guān)系的分類體系知識庫。我們發(fā)現(xiàn)這些分類體系中往往存在環(huán)，而這些環(huán)經(jīng)常是由于錯誤的isA關(guān)系導致的。從這個發(fā)現(xiàn)中，我們提出了兩種模型用于從環(huán)中找出錯誤的isA關(guān)系。第一個模型通過在分類體系中提取DAG子圖來消除其中的環(huán)，而第二個模型利用對分類體系中的結(jié)點定義層級來消除環(huán)。我們在目前最先進的自動構(gòu)建的分類體系Probase上實現(xiàn)了這兩個模型。在處理了數(shù)千萬關(guān)系以后，我們最好的方法以91%的準確率找出了7.4萬條錯誤邊。
　　《數(shù)據(jù)驅(qū)動的大規(guī)模分類體系中上下位關(guān)系的傳遞性》（On the Transitivity of Hypernym-hyponym Relations in Data-Driven Lexical Taxonomies）
　　分類體系在機器自然語言理解中不可缺少。在近幾年，人們構(gòu)建了許多大規(guī)模的基于數(shù)據(jù)的自動構(gòu)建的分類體系。上下位關(guān)系是分類體系中的基礎(chǔ)關(guān)系，它不僅能用于實體的分類，還允許機器有泛化的能力。在這里，我們著眼于上下位關(guān)系的一個重要屬性：傳遞性，它在許多分類體系的應用中都有著重要的功能。我們發(fā)現(xiàn)，和人工構(gòu)建的小規(guī)模分類體系和本體庫不同，在大規(guī)模的自動構(gòu)建的分類體系中，傳遞性并不總是成立。我們提出了一個有監(jiān)督方法來在一個大規(guī)模自動構(gòu)建的分類體系中檢測傳遞性對于任意給定的實體/概念三元組是否成立。除了這個，我們還利用傳遞性成立的情況來發(fā)現(xiàn)新的缺失上下位關(guān)系。在最后，我們還使用了多個實驗來驗證我們的方法的有效性。