ナレッジ表現と推論

現実世界のAIアプリケーション、特に人事(HR)分野においては、公平性、事実性、制御可能性、一貫性、解釈可能性、そして推論が求められます。私たちのビジョンは、これらの課題に対応するために、言語モデル(LM)とナレッジグラフ(KG)を相互に活用する連続的かつ(半)自動化された学習パラダイムの中で、共生システムを調査・革新し、提案・構築することです。私たちは、ゼロショット手法を用いた知識抽出や概念的なナレッジグラフの設計、ナレッジグラフにおけるユニバーサル表現の学習、シンボリック、ニューラル、ハイブリッドモデルの活用、そして言語モデルとナレッジグラフの融合など、興味深い技術的課題に取り組んでいます。

私たちは、この研究を人事分野における次世代のナレッジグラフの構築に応用し、多くのAIアプリケーションを推進しています。これらの用途には、候補者と仕事のマッチング、スキルと職業の深い理解、スキルギャップの特定、そしてキャリア機会の推薦が含まれます。

Related Projects:

ESE: 低リソースのエンティティセット拡張

エンティティセット拡張(Entity Set Expansion, ESE)は、特定の概念(例:部屋の設備)に対して、与えられたエンティティのシードセット(例:「ミニバー」、「テレビユニット」)をテキストコーパスを使用して拡張するタスクです。このタスクは、通常、大規模なトレーニングデータの取得には高いコストがかかるため、リソースが限られた環境で研究されています。

ZETT: テンプレート埋め込みによるゼロショットトリプレット抽出

このプロジェクトでは、関係トリプレット抽出を再定式化し、大規模な事前学習済み言語モデル(LM)の事前学習目的と整合させることができると仮定しています。これにより、モデルが事前学習中に習得した知識を活用し、未知の関係に対する一般化能力を向上させることが可能になります。

KnowledgeHub

KnowledgeHubプロジェクトでは、多様なソース(構造化データおよび非構造化データ)から得られる知識を活用し、現行の大規模言語モデル(LLM)の限界に対処しています。具体的には、LLMで表現された知識を、ナレッジグラフやリレーショナルデータベースの構造化データ、テキストコーパスの非構造化データと結合させることを目的とした共生システムを構想しています。
Please select listing to show.