2019年12月19日讨论班报告

各位老师，同学：

时间：12月19日 14:00

地点：办公楼410会议室

报告内容：

林熙捷 Learning Accurate LSTM Models of Business Processes

深度学习最近被应用在预测性业务流程监视领域中。其中的技术使我们能够预测（包括）事件中的下一个事件，事件何时发生以及哪些资源将触发它们。 它们还使我们能够生成业务流程的整个执行跟踪，甚至生成整个事件日志，这为使用此类模型实现流程仿真提供了可能性。本文解决了如何利用深度学习从事件日志中训练业务流程行为的准确模型的问题。另外，本文提出了一种用长短期记忆（LSTM）架构训练递归神经网络的方法，以预测下一个事件的序列，它们的时间戳以及相关的资源池。 对现实事件日志的实验评估表明，所提出的方法优于针对该问题的先前提出的LSTM体系结构。

明晓 Message Passing for Complex Question Answering over Knowledge Graphs

网络上共享的数据量每天都在增长，信息检索系统非常有效，但是它们在依赖单个数据库表索引的基础数据结构的表示能力方面受到限制，知识图谱可以使数据集与完全不同的架构相互链接。基于知识图谱的问答已经从简单的单事实问题发展到需要图遍历和聚合的复杂问题，本文提出了一种新的复杂KGQA方法，该方法使用无监督的消息传递，该方法将通过解析输入问题并将知识图中的术语匹配为一组可能的答案而获得的置信度分数进行传播。首先，我们识别自然语言问题中提到的实体、关系和类名，并将它们映射到图中的对应项。然后，这些映射的置信度得分通过图结构传播以定位答案实体。最后，根据确定的问题类型对这些问题进行聚合。这种方法可以有效地实现为一系列稀疏矩阵乘法模拟小局部子图上的连接。 实验的评估结果表明，在LC-QuAD基准测试中，所提出的方法优于最新技术。

下周报告人：陈静、宗晓宁