Intelligent systems designed using machine learning algorithms require a large number of labeled data. Background knowledge provides complementary, real world factual information that can augment the limited labeled data to train a machine learning algorithm. The term Knowledge Graph (KG) is in vogue as for many practical applications, it is convenient and useful to organize this background knowledge in the form of a graph. Recent academic research and implemented industrial intelligent systems have shown promising performance for machine learning algorithms that combine training data with a knowledge graph. In this article, we discuss the use of relevant KGs to enhance input data for two applications that use machine learning -- recommendation and community detection. The KG improves both accuracy and explainability.
SEER: Semantic Enhancement and Emotional Reasoning Network for Multimodal Fake News Detection
School of Artificial Intelligence, Optics, and Electronics (iOPEN), Northwestern Polytechnical University（人工智能、光学与电子学院（iOPEN），西北工业大学）；School of Computer Science, Northwestern Polytechnical University（计算机学院，西北工业大学）；Unit 93212 of People’s Liberation Army of China（中国人民解放军第九三二一二单位）；School of Marine Science and Technology, Northwestern Polytechnical University（海洋科学与技术学院，西北工业大学）；Cyberspace Institute of Advanced Technology, Guangzhou University（高级技术网络空间研究院，广州大学）
Improving Semantic Parsing for Task Oriented Dialog
Facebook Conversational AI（Facebook对话式AI）；Stanford University（斯坦福大学）；Facebook AI Research（Facebook人工智能研究）
最近提出了使用分层表示的语义解析，用于面向任务的对话，结果很有希望[Gupta et al 2018]。在本文中，我们提出了三种不同的改进模型：上下文嵌入，集成，和成对重新排名的基础上的语言模型。我们分类的错误可能的分层表示，如错误的顶部意图，缺失的跨度或分裂跨度，并表明这三种方法纠正不同类型的错误。最好的模型结合了这三种技术，精确匹配精度比最先进的模型高出6.4%，错误减少了33%，从而在面向任务的解析（TOP）数据集上产生了新的最先进的结果。
Improving Pre-trained Language Models with Syntactic Dependency Prediction Task for Chinese Semantic Error Recognition
Harbin Institute of Technology（哈尔滨工业大学）；iFLYTEK Research（讯飞研究院）
现有的中文文本错误检测主要集中在拼写和简单的语法错误。这些错误已被广泛研究，对人类来说相对简单。相反，汉语的语义错误研究不足，而且更加复杂，人类不容易识别。本文的任务是汉语语义错误识别（CSER），一个二元分类任务，以确定一个句子是否包含语义错误。目前的研究还没有有效的方法来解决这个问题。本文继承了BERT的模型结构，设计了多个与句法相关的预训练任务，使模型能够学习句法知识。我们的预训练任务考虑依赖结构的方向性和依赖关系的多样性。由于目前尚缺乏针对CSER的公开数据集，本文首次建立了一个高质量的CSER数据集--汉语语义可接受性语料库（Corpus of Chinese Linguistic Semantic Acceptability，CoCLSA）。在CoCLSA上的实验结果表明，我们的方法优于通用的预训练模型和语法注入模型。
CleanMel: Mel-Spectrogram Enhancement for Improving Both Speech Quality and ASR
Zhejiang University（浙江大学）；Westlake University（西湖大学）；School of Engineering（工程学院）；Institute of Advanced Technology（先进技术研究院）；Westlake Institute for Advanced Study（西湖研究学院）
Deep Semantic Graph Learning via LLM based Node Enhancement
University of California San Diego（加利福尼亚大学圣迭戈分校）；Johns Hopkins University（约翰斯·霍普金斯大学）；Duke University（杜克大学）；University of Amsterdam（阿姆斯特丹大学）；Simon Fraser University（西蒙菲莎大学）
MARIS: Marine Open-Vocabulary Instance Segmentation with Geometric Enhancement and Semantic Alignment
University of Science and Technology of China（中国科学技术大学）；Institute of Artificial Intelligence (TeleAI)（人工智能研究院（TeleAI））；China Telecom（中国电信）；Fudan University（复旦大学）；Northwestern Polytechnical University（西北工业大学）
Cognition-Inspired Dual-Stream Semantic Enhancement for Vision-Based Dynamic Emotion Modeling
College of Intelligent Robotics and Advanced Manufacturing, Fudan University（复旦大学智能机器人与先进制造学院）；Shanghai Key Lab of Intelligent Information Processing, College of Computer Science and Artificial Intelligence, Fudan University（上海智能信息处理重点实验室，复旦大学计算机科学与人工智能学院）；School of Data Science and Engineering, East China Normal University（华东师范大学数据科学与工程学院）
Improving Code Translation with Syntax-Guided and Semantic-aware Preference Optimization
State Key Laboratory for Novel Software Technology, Nanjing University, China（南京大学新型软件技术国家重点实验室）；National Institute of Healthcare Data Science, Nanjing University, China（南京大学健康数据科学国家研究院）
