美国当地时间2月4日-9日，人工智能领域的最重磅会议之一第31届人工智能大会AAAI-17在旧金山举行。
　　AAAI在全球有超过4000名会员，汇集了全球最顶尖的人工智能领域专家学者。在本次大会上，机器人厂商小i机器人与复旦大学合作的两篇论文入选AAAI 2017。
以下是两篇入选论文概述：
　　《基于图模型的大规模分类体系中的错误检测》（Graph-based Wrong IsA Relation Detection in a Large-scale Lexical Taxonomy）
　　知识库在人工智能中起着重要的作用，其中，不管是人工构建的还是自动构建的知识库都获得了许多关注。相对于人工构建的知识库，自动构建的知识库更大，覆盖更广，但有更多的错误。在这里，我们研究如何提升自动构建的巨大知识库的质量。特别的，我们关注于包含isA关系的分类体系知识库。我们发现这些分类体系中往往存在环，而这些环经常是由于错误的isA关系导致的。从这个发现中，我们提出了两种模型用于从环中找出错误的isA关系。第一个模型通过在分类体系中提取DAG子图来消除其中的环，而第二个模型利用对分类体系中的结点定义层级来消除环。我们在目前最先进的自动构建的分类体系Probase上实现了这两个模型。在处理了数千万关系以后，我们最好的方法以91%的准确率找出了7.4万条错误边。
　　《数据驱动的大规模分类体系中上下位关系的传递性》（On the Transitivity of Hypernym-hyponym Relations in Data-Driven Lexical Taxonomies）
　　分类体系在机器自然语言理解中不可缺少。在近几年，人们构建了许多大规模的基于数据的自动构建的分类体系。上下位关系是分类体系中的基础关系，它不仅能用于实体的分类，还允许机器有泛化的能力。在这里，我们着眼于上下位关系的一个重要属性：传递性，它在许多分类体系的应用中都有着重要的功能。我们发现，和人工构建的小规模分类体系和本体库不同，在大规模的自动构建的分类体系中，传递性并不总是成立。我们提出了一个有监督方法来在一个大规模自动构建的分类体系中检测传递性对于任意给定的实体/概念三元组是否成立。除了这个，我们还利用传递性成立的情况来发现新的缺失上下位关系。在最后，我们还使用了多个实验来验证我们的方法的有效性。