正在大洋彼岸举行的 AAAI -17公布了本年度的最佳论文，一篇从物理研究中获得启发的论文获得大奖，论文引入了一种新的神经网络监督学习方法，在没有任何带标签的训练样本的情况下，成功训练出一个卷积神经网络来检测和跟踪对象。另外，本届大会的其他10项大奖也同时公布。优达学城（Udacity）创始人 Sebastian Thrun 的署名论文《Monte Carlo Localization: Efficient Position Estimation for Mobile Robots》获奖，同时，他还获得优秀教育者奖。

人工智能界年度顶级会议 AAAI 2017，暨第31届 AAAI 大会 2月4日在美国旧金山举行，会议围绕人工智能的研究与发展，开展多场演讲、课程讲座、Workshop等多种形式的活动，吸引了世界各地的人工智能精英参加。

AAAI 成立于 1979 年，最初名为“美国人工智能协会” （American Association for Artificial Intelligence），2007 年才正式更名为“人工智能促进协会” （Association for the Advancement of Artificial Intelligence ）。

随着互联网技术的迅速发展与普及，如何对浩如烟海的数据进行分类、组织和管理，已经成为一个具有重要用途的研究课题。而在这些数据中，文本数据又是数量最大的一类。“文本分类是指在给定分类体系下，根据文本内容自动确定文本类别的过程”。文本分类有着广泛的应用场景，例如：

新闻网站包含大量报道文章，基于文章内容，需要将这些文章按题材进行自动分类（例如自动划分成政治、经济、军事、体育、娱乐等。

在电子商务网站，用户进行了交易行为后对商品进行评价分类，商家需要对用户的评价划分为正面评价和负面评价，来获取各个商品的用户反馈统计情况。

电子邮箱频繁接收到垃圾广告信息，通过文本分类技术从众多的邮件中识别垃圾邮件并过滤，提高了邮箱用户的使用效率。

媒体每日有大量投稿，依靠文本分类技术能够对文章进行自动审核，标记投稿中的色情、暴力、政治、垃圾广告等违规内容。

1 知识图谱构建技术

本节首先给出知识图谱的技术地图，然后介绍知识图谱构建的关键技术，包括关系抽取技术、知识融合技术、实体链接技术和知识推理技术。

1.1 知识图谱技术地图

构建知识图谱的主要目的是获取大量的、让计算机可读的知识。在互联网飞速发展的今天，知识大量存在于非结构化的文本数据、大量半结构化的表格和网页以及生产系统的结构化数据中。为了阐述如何构建知识图谱，本文给出了构建知识图谱的技术地图，该技术地图如图1所示。整个技术图主要分为三个部分，第一个部分是知识获取，主要阐述如何从非结构化、半结构化、以及结构化数据中获取知识。第二部是数据融合，主要阐述如何将不同数据源获取的知识进行融合构建数据之间的关联。第三部分是知识计算及应用，这一部分关注的是基于知识图谱计算功能以及基于知识图谱的应用。

1.1.1 知识获取