近期知识引擎实验室与牛津大学合作的有关基于知识的可解释性迁移学习被知识表示与推理领域的国际顶级会议KR2018（International Conference on Principles of Knowledge Representation and Reasoning）所接收，另外两篇关于融合知识图谱嵌入的关系抽取和基于胶囊神经网络的多标签关系抽取等论文分别被自然语言处理领域的顶级会议EMNLP2018 (Empirical Methods in Natural Language Processing) 所接收。实验室相关成员分别赴比利时布鲁塞尔和美国Arizona参会并做报告。

        EMNLP，是自然语言处理的顶会之一，EMNLP 2018在比利时布鲁塞尔召开。知识引擎实验室有两篇论文被EMNLP 2018接收：《Label-Free Distant Supervision for Relation Extraction via Knowledge Graph Embedding》、《Attention-Based Capsule Networks with Dynamic Routing for Relation Extraction》。两篇论文都介绍了关系抽取的相关工作，由浙大和阿里合作完成。关系抽取是构建知识图谱以及问答系统等任务的重要组成部分之一，指的是给定实体对和描述语句抽取相应的关系。《Label-Free Distant Supervision for Relation Extraction via Knowledge Graph Embedding》处理的是远程监督下的关系抽取任务。针对目前关系抽取的远程监督方法对知识库的信息利用不够充分的问题，引入知识图谱中实体类别的信息来辅助监督，并采用知识图谱嵌入的方法生成训练目标。《Attention-Based Capsule Networks with Dynamic Routing for Relation Extraction》针对关系抽取中单一句子存在多对实体和单实体存在多关系的问题，基于胶囊网络提出了新颖的关系抽取模型，并在NYT和Wikidata数据集取得了较好的效果。

陈华钧教授与张宁豫博士和王冠颖合影

        KR（Knowledge Representation and Reasoning），知识表示和推理，是一个相对成熟的研究领域。KR是老牌的人工智能会议，也是知识表示与推理领域的国际顶级会议。KR 2018在美国亚利桑那州的坦佩召开，旨在交流和讨论KR的原则和实践的新想法，问题和结果。知识引擎实验室有一篇论文被KR 2018接收：《Knowledge-based Transfer Learning Explanation》。该论文介绍了基于本体并利用知识图谱做迁移学习的可解释性工作，提出了三种基于知识的解释性证据，具有不同的粒度，包括一般因素，特定的叙述者和核心语境，然后用局部本体和外部知识库推断出来。该论文是陈华钧教授和牛津大学的陈矫彦研究员合作完成的。

陈矫彦研究员在做oral