作者：cooldream2009?

我們構(gòu)建知識(shí)圖譜的目的，在于利用知識(shí)圖譜來(lái)做一些事情。有效利用知識(shí)圖譜，就是要考慮知識(shí)圖譜的具備的能力，知識(shí)圖譜具有哪些能力呢，首先我們知道知識(shí)圖譜包含了海量的數(shù)據(jù)，是一個(gè)超級(jí)知識(shí)庫(kù)，所以我們可以依賴它進(jìn)行搜索一些內(nèi)容，由于知識(shí)圖譜的數(shù)據(jù)組織方式是計(jì)算機(jī)能理解的，具有語(yǔ)義，這種搜索可以定義為語(yǔ)義搜索。第二，對(duì)搜索進(jìn)行延伸，搜索的結(jié)果可能會(huì)有很多，按照一定的規(guī)則排序，如果只取最可能的答案，就變成了問(wèn)答系統(tǒng)，這也是知識(shí)圖譜的典型應(yīng)用。第三，將知識(shí)圖譜與其它技術(shù)進(jìn)行結(jié)合，可以充分利用知識(shí)圖譜的知識(shí)，比如將用戶的個(gè)性化特征與知識(shí)圖譜結(jié)合，能夠得到個(gè)性化推薦系統(tǒng)。第四，將知識(shí)圖譜的數(shù)據(jù)進(jìn)行深度分析，按照一定的規(guī)則進(jìn)行推斷，還可以得到輔助決策。

1 語(yǔ)義搜索

知識(shí)圖譜的概念，最早就是由谷歌提出，大家知道，谷歌是做搜索引擎的，它提出知識(shí)圖譜的概念，就是為了優(yōu)化搜索。語(yǔ)義搜索作為一個(gè)概念，起源于常被稱為互聯(lián)網(wǎng)之父的Tim Berners-Lee 在2001 年《科學(xué)美國(guó)人》（Scientific American）上發(fā)表的一篇文章。其中，他解釋了語(yǔ)義搜索的本質(zhì)。

語(yǔ)義搜索的本質(zhì)是通過(guò)數(shù)學(xué)來(lái)擺脫當(dāng)今搜索中使用的猜測(cè)和近似，并為詞語(yǔ)的含義以及它們?nèi)绾侮P(guān)聯(lián)到我們?cè)谒阉饕孑斎肟蛑兴业臇|西引進(jìn)一種清晰的理解方式。

百科給出了更明確地定義，也更容易理解。

所謂語(yǔ)義搜索，是指搜索引擎的工作不再拘泥于用戶所輸入請(qǐng)求語(yǔ)句的字面本身，而是透過(guò)現(xiàn)象看本質(zhì)，準(zhǔn)確地捕捉到用戶所輸入語(yǔ)句后面的真正意圖，并以此來(lái)進(jìn)行搜索，從而更準(zhǔn)確地向用戶返回最符合其需求的搜索結(jié)果。

舉例來(lái)說(shuō)，我們用百度來(lái)搜索“現(xiàn)任美國(guó)總統(tǒng)的夫人”的圖片，搜出來(lái)的多數(shù)是美國(guó)總統(tǒng)特朗普的夫人，還有少量克林頓和奧巴馬夫人的圖片，說(shuō)明搜索引擎理解了我們的搜索內(nèi)容，給我們找到了我們想要的答案。少量前任總統(tǒng)夫人的結(jié)果，說(shuō)明搜索技術(shù)還需要進(jìn)一步完善，可以把這部分內(nèi)容看作是噪聲，應(yīng)該過(guò)濾掉的，隨著算法的改進(jìn)，結(jié)果應(yīng)該會(huì)更加準(zhǔn)確。

語(yǔ)義搜索是知識(shí)圖譜最典型的應(yīng)用，它首先將用戶輸入的問(wèn)句進(jìn)行解析，找出問(wèn)句中的實(shí)體和關(guān)系，理解用戶問(wèn)句的含義，然后在知識(shí)圖譜中匹配查詢語(yǔ)句，找出答案，最后通過(guò)一定的形式將結(jié)果呈現(xiàn)到用戶面前。

2 智能問(wèn)答

智能問(wèn)答，就是通過(guò)一問(wèn)一答的形式，用戶和具有智能問(wèn)答系統(tǒng)的機(jī)器之間進(jìn)行交互，就像是兩個(gè)人進(jìn)行問(wèn)答一樣，具有智能問(wèn)答系統(tǒng)的機(jī)器就像一個(gè)智者一樣，為用戶提供答案，友好的進(jìn)行交談。

作為人工智能的一個(gè)重要應(yīng)用案例，智能問(wèn)答系統(tǒng)在很多場(chǎng)景中發(fā)揮作用。

比如原來(lái)很多的在線客服，正在部分的被智能問(wèn)答系統(tǒng)取代，早些年銀行、電信等行業(yè)的在線客服，不同業(yè)務(wù)按不同的數(shù)字，在進(jìn)入細(xì)分業(yè)務(wù)，繼續(xù)選不同的數(shù)字，一直要選很多次，有了智能問(wèn)答，會(huì)簡(jiǎn)化這些繁瑣的過(guò)程，直接根據(jù)用戶的問(wèn)話，給出答案。當(dāng)然，現(xiàn)在的智能問(wèn)答，還不夠完善，只能部分取代在線客服，如果不能提供有效的答案，還是要由人工客服提供服務(wù)。還有一些智能問(wèn)答機(jī)器人，也會(huì)提供一些簡(jiǎn)單的服務(wù)，比如給孩子用的機(jī)器人，可以提供兒歌、算術(shù)、詩(shī)詞、語(yǔ)文、英語(yǔ)等方面的內(nèi)容，代替了老師的一部分職能。還有一些聊天機(jī)器人，提供情景對(duì)話，就像一個(gè)人一樣，和用戶進(jìn)行聊天。

同為智能問(wèn)答，特點(diǎn)不同，依賴的知識(shí)圖譜技術(shù)也不同，聊天機(jī)器人，不僅提供情景對(duì)話，也能夠提供各行各業(yè)的知識(shí)，它依賴的知識(shí)圖譜是開(kāi)放領(lǐng)域的知識(shí)圖譜，提供的知識(shí)非常寬泛，能夠?yàn)橛脩籼峁┤粘ＶR(shí)，也能進(jìn)行聊天式的對(duì)話。那些行業(yè)用的智能問(wèn)答系統(tǒng)，依賴的是行業(yè)知識(shí)圖譜，知識(shí)集中在某個(gè)領(lǐng)域，專業(yè)知識(shí)豐富，能夠?yàn)橛脩粲嗅槍?duì)性的提供專業(yè)領(lǐng)域知識(shí)。

智能問(wèn)答，可以看作是語(yǔ)義搜索的延伸，語(yǔ)義搜索的結(jié)果會(huì)按照某種規(guī)則進(jìn)行排序，依據(jù)一定的算法將最相關(guān)的排在前面，我們使用百度、谷歌搜索引擎進(jìn)行搜索時(shí)，結(jié)果可能包括很多頁(yè)，就是語(yǔ)義搜索的常見(jiàn)形式。智能問(wèn)答，屬于一問(wèn)一答，只要一個(gè)答案，也就是將最相關(guān)的那個(gè)答案反饋給用戶，如果像聊天一樣，不斷地進(jìn)行問(wèn)答，回答不僅僅是在知識(shí)庫(kù)中搜索，還要考慮前面的聊天內(nèi)容。

3 個(gè)性化推薦

個(gè)性化推薦是根據(jù)用戶的個(gè)性化特征，為用戶推薦感興趣的產(chǎn)品或內(nèi)容。百度百科給出的定義是：

個(gè)性化推薦系統(tǒng)是互聯(lián)網(wǎng)和電子商務(wù)發(fā)展的產(chǎn)物，它是建立在海量數(shù)據(jù)挖掘基礎(chǔ)上的一種高級(jí)商務(wù)智能平臺(tái)，向顧客提供個(gè)性化的信息服務(wù)和決策支持。

我們上網(wǎng)的時(shí)候會(huì)經(jīng)常查找一些我們感興趣的頁(yè)面或者產(chǎn)品，在瀏覽器上瀏覽過(guò)的痕跡會(huì)被系統(tǒng)記錄下來(lái)，放入我們的特征庫(kù)，比如對(duì)于電子商務(wù)網(wǎng)站來(lái)說(shuō)，如果我們想購(gòu)買筆記本，就會(huì)在電子商務(wù)網(wǎng)站上查看比較不同商家的筆記本，我們?cè)俅未蜷_(kāi)電子商務(wù)網(wǎng)站的時(shí)候，筆記本這個(gè)產(chǎn)品就會(huì)優(yōu)先顯示在商品列表中，供我們選擇。再比如，瀏覽新聞，如果我們對(duì)體育類或者社會(huì)熱點(diǎn)很關(guān)注，新聞APP就會(huì)給我們推薦體育題材或者社會(huì)熱點(diǎn)的新聞。

個(gè)性化推薦系統(tǒng)通過(guò)收集用戶的興趣偏好、屬性，產(chǎn)品的分類、屬性、內(nèi)容等，分析用戶之間的社會(huì)關(guān)系，用戶和產(chǎn)品的關(guān)聯(lián)關(guān)系，利用個(gè)性化算法，推斷出用戶的喜好和需求，從而為用戶推薦感興趣的產(chǎn)品或者內(nèi)容。

4 輔助決策

輔助決策，就是利用知識(shí)圖譜的知識(shí)，對(duì)知識(shí)進(jìn)行分析處理，通過(guò)一定規(guī)則的邏輯推理，得出對(duì)于某種結(jié)論，為用戶決斷提供支持。以下是百科給出的定義。

輔助決策系統(tǒng)，以決策主題為重心，以互聯(lián)網(wǎng)搜索技術(shù)、信息智能處理技術(shù)和自然語(yǔ)言處理技術(shù)為基礎(chǔ)，構(gòu)建決策主題研究相關(guān)知識(shí)庫(kù)、政策分析模型庫(kù)和情報(bào)研究方法庫(kù)，建設(shè)并不斷完善輔助決策系統(tǒng)，為決策主題提供全方位、多層次的決策支持和知識(shí)服務(wù)。

隨著我國(guó)日益變?yōu)槔淆g化社會(huì)，養(yǎng)老問(wèn)題成為人們關(guān)注的焦點(diǎn)，也成為研究的重要課題。對(duì)一個(gè)地區(qū)來(lái)說(shuō)，應(yīng)該采用什么樣的養(yǎng)老模式，配套設(shè)施應(yīng)該如何建設(shè)，才能解決老人的養(yǎng)老問(wèn)題。就需要對(duì)這個(gè)地區(qū)的老人、基礎(chǔ)設(shè)施、配套情況、周圍環(huán)境等建立知識(shí)庫(kù)，分析老人日常生活，發(fā)現(xiàn)問(wèn)題，對(duì)數(shù)據(jù)進(jìn)行匯總，根據(jù)已有事實(shí)得出結(jié)論，為政府制定政策提供決策支持。這里面最基礎(chǔ)的問(wèn)題是建立所有數(shù)據(jù)的知識(shí)圖譜以及有效的推理規(guī)則，最后才能得出有意義的結(jié)論。

知識(shí)圖譜知識(shí)點(diǎn)：

一、知識(shí)圖譜概論

1.1知識(shí)圖譜的起源和歷史

1.2知識(shí)圖譜的發(fā)展史——從框架、本體論、語(yǔ)義網(wǎng)、鏈接數(shù)據(jù)到知識(shí)圖譜

1.3知識(shí)圖譜的本質(zhì)和價(jià)值

1.4知識(shí)圖譜VS傳統(tǒng)知識(shí)庫(kù)VS關(guān)系數(shù)據(jù)庫(kù)

1.5經(jīng)典的知識(shí)圖譜

1.5.1經(jīng)典的CYC, WordNnet, WikiData, DBpedia, YAGO, NELL等知識(shí)庫(kù)

1.5.2行業(yè)知識(shí)圖譜：

Google知識(shí)圖譜，微軟實(shí)體圖，阿里知識(shí)圖譜，醫(yī)學(xué)知識(shí)圖譜，基因知識(shí)圖譜等知識(shí)圖譜項(xiàng)目

二、知識(shí)圖譜應(yīng)用

2.1知識(shí)圖譜應(yīng)用場(chǎng)景

2.2知識(shí)圖譜應(yīng)用簡(jiǎn)介

2.2.1知識(shí)圖譜在數(shù)字圖書(shū)館上的應(yīng)用

2.2.2知識(shí)圖譜在國(guó)防、情報(bào)、公安上的應(yīng)用

2.2.3知識(shí)圖譜在金融上的應(yīng)用

2.2.4知識(shí)圖譜在電子商務(wù)中的應(yīng)用

2.2.5知識(shí)圖譜在農(nóng)業(yè)、醫(yī)學(xué)、法律等領(lǐng)域的應(yīng)用

2.2.6知識(shí)圖譜在制造行業(yè)的應(yīng)用

2.2.7知識(shí)圖譜在大數(shù)據(jù)融合中的應(yīng)用

2.2.8知識(shí)圖譜在人機(jī)交互（智能問(wèn)答）中的應(yīng)用

三、知識(shí)表示與知識(shí)建模

3.1知識(shí)表示概念

3.2 知識(shí)表示方法

a.語(yǔ)義網(wǎng)絡(luò) b.產(chǎn)生式規(guī)則 c.框架系統(tǒng) d.描述邏輯 e.本體 f.RDF和RDFS

g.OWL和OWL2 Fragmentsh.SPARQL查詢語(yǔ)言

i.Json-LD、RDFa、HTML5 MicroData等新型知識(shí)表示

3.3典型知識(shí)庫(kù)項(xiàng)目的知識(shí)表示

3.4知識(shí)建模方法學(xué)

3.5知識(shí)表示和知識(shí)建模實(shí)踐

1.三國(guó)演義知識(shí)圖譜的表示和建模實(shí)踐案例

2.學(xué)術(shù)知識(shí)圖譜等

四、知識(shí)抽取與挖掘

4.1知識(shí)抽取基本問(wèn)題

a.實(shí)體識(shí)別 b.關(guān)系抽取 c.事件抽取

4.2數(shù)據(jù)采集和獲取

4.3面向結(jié)構(gòu)化數(shù)據(jù)的知識(shí)抽取

a.D2RQb.R2RML

4.4面向半結(jié)構(gòu)化數(shù)據(jù)的知識(shí)抽取

a.基于正則表達(dá)式的方法b.基于包裝器的方法

4.5.面向非結(jié)構(gòu)化數(shù)據(jù)的知識(shí)抽取

a.實(shí)體識(shí)別技術(shù)（基于規(guī)則、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、半監(jiān)督學(xué)習(xí)、預(yù)訓(xùn)練等方法）

b.關(guān)系抽取技術(shù)（基于模板、監(jiān)督、遠(yuǎn)程監(jiān)督、深度學(xué)習(xí)等方法）

c.事件抽取技術(shù)（基于規(guī)則、深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)等方法）

4.6.知識(shí)挖掘

a.實(shí)體消歧b.實(shí)體鏈接c.類型推斷 d.知識(shí)表示學(xué)習(xí)

4.7知識(shí)抽取上機(jī)實(shí)踐

A.面向半結(jié)構(gòu)化數(shù)據(jù)的三國(guó)演義知識(shí)抽取

B.面向文本的三國(guó)演義知識(shí)抽取

C.人物關(guān)系抽取

五、知識(shí)融合

5.1知識(shí)融合背景

5.2知識(shí)異構(gòu)原因分析

5.3知識(shí)融合解決方案分析

5.4.本體對(duì)齊基本流程和常用方法

a.基于文本的匹配 b.基于圖結(jié)構(gòu)的匹配 c.基于外部知識(shí)庫(kù)的匹配

e.不平衡本體匹配 d.跨語(yǔ)言本體匹配f.弱信息本體匹配

5.5實(shí)體匹配基本流程和常用方法

a.基于相似度的實(shí)例匹配b.基于規(guī)則或推理的實(shí)體匹配

c.基于機(jī)器學(xué)習(xí)的實(shí)例匹配 d.大規(guī)模知識(shí)圖譜的實(shí)例匹配

(1)基于分塊的實(shí)例匹配

(2)無(wú)需分塊的實(shí)例匹配

(3)大規(guī)模實(shí)例匹配的分布式處理

5.6 知識(shí)融合上機(jī)實(shí)踐

1.百科知識(shí)融合

2.OAEI知識(shí)融合任務(wù)

六、存儲(chǔ)與檢索

6.1.知識(shí)圖譜的存儲(chǔ)與檢索概述

6.2.知識(shí)圖譜的存儲(chǔ)

a.基于表結(jié)構(gòu)的存儲(chǔ)b.基于圖結(jié)構(gòu)的存儲(chǔ)

6.3.知識(shí)圖譜的檢索

a.關(guān)系數(shù)據(jù)庫(kù)查詢：SQL語(yǔ)言b數(shù)據(jù)庫(kù)查詢：SPARQL語(yǔ)言

6.4.上機(jī)實(shí)踐案例：利用GraphDB完成知識(shí)圖譜的存儲(chǔ)與檢索

七、知識(shí)推理

7.1.知識(shí)圖譜中的推理技術(shù)概述

7.2.歸納推理：學(xué)習(xí)推理規(guī)則

a.歸納邏輯程設(shè)計(jì)?b.關(guān)聯(lián)規(guī)則挖掘c.路徑排序算法

上機(jī)實(shí)踐案例：利用AMIE+算法完成Freebase數(shù)據(jù)上的關(guān)聯(lián)規(guī)則挖掘

7.3.演繹推理：推理具體事實(shí)

?a.馬爾可夫邏輯網(wǎng) b.概率軟邏輯

7.4.基于分布式表示的推理

a.TransE模型及其變種b.RESCAL模型及其變種

c.（深度）神經(jīng)網(wǎng)絡(luò)模型介紹d.表示學(xué)習(xí)模型訓(xùn)練

7.5.上機(jī)實(shí)踐案例：利用分布式知識(shí)表示技術(shù)完成Freebase上的鏈接預(yù)測(cè)

八、語(yǔ)義搜索

8.1.語(yǔ)義搜索概述

8.2.搜索關(guān)鍵技術(shù)

a.索引技術(shù)：倒排索引

b.排序算法：BM25及其擴(kuò)展

8.3.知識(shí)圖譜搜索

a.實(shí)體搜索

b.關(guān)聯(lián)搜索

8.4.知識(shí)可視化a.摘要技術(shù)

8.5.上機(jī)實(shí)踐案例：SPARQL搜索

九、知識(shí)問(wèn)答

9.1.知識(shí)問(wèn)答概述

9.2.知識(shí)問(wèn)答基本流程

9.3.相關(guān)測(cè)試集：QALD、WebQuestions等

9.4.知識(shí)問(wèn)答關(guān)鍵技術(shù)

a.基于模板的方法

b.語(yǔ)義解析

c.基于深度學(xué)習(xí)的方法

9.5.上機(jī)實(shí)踐案例：DeepQA、TemplateQA

審核編輯 黃昊宇