Shared Tasks






本体推理


本体推理是指通过各种本体语言如OWL进行推理并获取新的知识或者结论,这些知识和结论满足语义。




概念补全


概念补全旨在从文本中抽取出实体及其所属的上位词概念,对知识图谱构建、复杂语义理解、语义搜索等应用十分重要。




实体识别与分类


实体识别与分类主要涉及如何从文本中提取命名实体并将其分类至事先划定好的类别,是知识图谱构建的重要一环。








商品品类上下位发现


商品品类是非常丰富变化的,本任务将根据当前的图谱信息和品类数据,进行品类潜在的上下位发现,形成网状的品类体系。




同质类目/属性项/属性值识别


随着时间和业务的发展,阿里图谱schema体系中,会产生一些概念同质的类目、属性项、属性值,本任务基于这些概念以及所属的商品信息,识别其中的同质类目/属性项/属性值。




新类目/属性项/属性值发现


目前消费市场变化极快,新品层出不穷,本任务基于已有的知识图谱以及海量的商品信息,发现市场上新的类目/属性项/属性值。






关系抽取(低资源)


关系抽取旨在从文本中抽取出实体之间的关系,对知识图谱构建、智能问答、语义搜索等应用十分重要。




实体对齐


实体对齐作为知识融合过程中的关键技术, 是推断来自不同知识图谱中的不同实体是否映射到物理世界中同一对象的处理过程。




实体链接


实体链接是将文本中提到的实体与其知识图谱相应的实体链接起来的任务,是解决实体间存在的歧义性问题。








商品分类


高质量的商品类目管理是保证商品图谱质量的重要一环,本任务将根据已知的商品和类目的挂载关系,结合类目树和商品图谱,进行新商品的类目预测。




增量商品分类


增量商品分类,旨在面向真实业务场景,提升模型对于新出现的类别的预测能力,减少灾难性遗忘,提升泛化能力。




商品标题生成


标题是消费者购物决策过程中帮助决策非常重要的信息之一,本任务是利用已知的商品结构化的图谱信息以及对应的消费者行为数据,生成可读性较好、信息完整确定的商品标题。






常识推理


常识推理旨在基于对这个世界各种关系的已有认识和必然的事实,对给定的问题或事实进行推断的过程。




关系推理与链接预测


关系推理与链接预测,指的是根据已知知识来推理预测未知知识,一般通过输入头实体和关系来预测尾实体。




规则学习


规则学习是从知识图谱中学习出一组能用于对未见示例进行判别的符号规则,一般具有一定程度的可解释性。








商品百科知识发现


商品结构化的百科知识对于消费者购买决策具有非常重要的数据价值,本任务主要从一些科普文章、图片等多源多模态信息中结构化出商品的百科知识。




商品对齐


根据商品图谱中已知的同款商品对,进行潜在的同款商品挖掘,以帮助进行商品图谱质量提升,减少数据冗余。




可比价同款规则挖掘


高效的同款商品比价是促销活动选品过程中非常重要的一环,本任务将根据给定的商品结构化图谱信息以及对应的价格,挖掘其中价格敏感属性项/属性值,从而挖掘可比价同款规则。






知识问答


知识问答即给定自然语言问题,通过对问题进行语义理解和解析,进而利用知识图谱进行查询、推理得出答案。




知识增强的低资源学习


深度学习依赖海量数据而数据是必不可少的战略资源,本任务考察如何在给定外部知识图谱的情况下设计高效低资源学习方法。




知识融入的语言预训练


很多工作将知识图谱融入预训练模型,然而不少知识存在噪音和歧义,本任务考察如何在不改变模型的情况下选择知识并提升模型性能。








绿色产品识别


双碳是未来几十年国家基本国策,而国家很多机构目前都开展了对于绿色产品、减碳量的权威测算,本任务主要是将阿里产品库信息与国家相关机构备案信息进行对齐,识别绿色产品,引导消费者购买绿色产品。




低碳模型训练


能耗已成为深度学习的一个重要问题,尤其是在碳中和碳达峰时期,低碳模型训练同时考量算法的能耗和性能。




人货匹配


导购的本质是给合适的人群推荐合适的商品,本任务就是给定图谱中相对应的人群及商品的图谱信息,通过图推理,发现识别具备知识性的人货匹配链接。