知识图谱与认知智能

从技术角度来看，“人工智能”是机器学习、数据挖掘、机器人技术、专家系统等多种技术的统称，笼统地谈论“人工智能”则缺乏实际意义。今天的人工智能技术公司，主要通过图像识别、语音识别等模式识别技术，完成“感知”层面的工作。而真正到达“认知”的层面，目前知识图谱技术被广泛看好，它有希望成为“大脑”。最典型的则是IBM Watson在认知计算方向的探索，路虽坎坷，但方向值得肯定

https://zhuanlan.zhihu.com/p/94509264

智能时代

从基于明确规则与特定领域的“计算智能”，到语音、图像、视频识别预处理的“感知智能”，再到具备理解、推理和解释的“认知智能”，难度价值越来越大。而随着数据红利消耗殆尽，以深度学习为代表的感知智能遇到天花板，认知智能将是未来一段时期内AI发展的焦点，是进一步释放AI产能的关键。认知智能应用需求广泛多样：精准分析、智慧搜索、智能推荐、智能解释、自然人机交互、深层关系推理等，需要对传统信息化手段的全面而彻底的革新，以解放人类脑力，显著提高机器生产力。知识图谱是实现认知智能的关键技术， 是实现机器认知智能的使能器

知识图谱

知识图谱，作为一种语义网络，是大数据时代知识表示的重要方式之一；作为一种技术体系，是大数据时代知识工程的代表性进展

机器理解数据的本质是建立从数据到知识库中实体、概念、关系的映射；机器解释现象的本质是利用知识库中实体、概念、关系解释现象的过程

知识是人类在认识和改造客观世界的过程中总结出的客观事实、概 念、定理和公理的集合

起源与发展

知识图谱始于20世纪50年代，至今大致分为三个发展阶段

• 第一阶段 (1955年—1977年)是知识图谱的起源阶段，在这一阶段中引文网络分析开始成为一种研究当代科学发展脉络的常用方法
• 第二阶段(1977年-2012 年)是知识图谱的发展阶段，语义网得到快速发展，“知识本体”的研究开始成为计算机科学的一个重要领域，知识图谱吸收了语义网、本体在知识组织和表达方面的理念，使得知识更易于在计算机之间和计算机与人之间交换、流通和加工
• 第三阶段(2012年—至今)是知识图谱繁荣阶段，2012年谷歌提出Google Knowledge Graph，知识图谱正式得名，谷歌通过知识图谱技术改善了搜索引擎性能。在人工智能的蓬勃发展下，知识图谱涉及到的知识抽取、表示、融合、推理、问答等关键问题得到一定程度的解决和突破，知识图谱成为知识服务领域的一个新热点，受到国内外学者和 工业界广泛关注

知识图谱发展历史

知识图谱主要技术

知识图谱技术架构图

• 知识获取

知识获取示意图

通过知识抽取技术从不同来源、不同结构(结构化、半结构化和非结构化)的数据中提取计算机可理解和计算的结构化数据，形成知识存储到知识图谱中。当前，获取知识主要针对文本数据进行，按照抽取对象的不同可分为：实体抽取、关系抽取、属性抽取和事件抽取。通常有以下四种方式：众包法、爬虫、机器学习、专家法

1. 实体抽取(命名实体识别，NER) 指从文本语料库中自动识别出专有名词(机构名、地名、人名、时间等)或有意义的名词性短语，是知识图谱构建和知识获取的基础和关键，实体抽取的准确性直接影响知识获取的质量和效率
2. 关系抽取 利用多种技术自动从文本中发现命名实体之间的语义关系，将文本中的关系映射到实体关系三元组上
3. 属性抽取 针对实体而言，以实现对实体的完整描述，由于可以把实体的属性看作实体与属性值之间的一种名词性关系，所以属性抽取任务就可以转化为关系抽取任务
4. 事件抽取 发生在某个特定时间点或时间段、某个特定地域范围内，由一个或多个角色参与的一个或多个动作组成的事情或状态的改变

• 知识表示

知识是人类在认识和改造客观世界的过程中总结出的客观事实、概念、定理和公理的集合。知识表示是将现实世界中存在的知识转换成计算机可识别和处理的内容，是一种描述知识的数据结构，用于对知识的一种描述或约定，也是知识图谱研究中知识获取、融合、建模、计算与应用的基础。知识表示方法主要分为

1. 基于符号的知识表示方法 一阶谓词逻辑表示法、产生式规则表示法、框架表示法、语义网络表示法
2. 基于表示学习的知识表示方法

• 知识存储

针对知识图谱的知识表示形式设计底层存储方式，完成各类知识的存储，以支持对大规模图数据的有效管理和计算。知识存储党的对象包括：基本属性知识、关联知识、事件知识、时序知识和资源知识等。知识存储方式的质量直接影响到知识图谱中知识查询、知识计算及知识更新的效率

知识存储方式

知识存储方式和工具

1. 基于表结构的存储(关系型数据库)
2. 基于图结构的存储(图数据库) 属性图、资源描述框架(RDF)、超图(Hyper Graph)

• 知识建模

知识建模是指建立知识图谱的数据模型，即采用什么样的方式来表达知识，构建一个本体模型对知识进行描述。在本体模型中需要构建本体的概念，属性以及概念之间的关系。一般有自顶向下和自底向上两种途径

建模方法

1. 手工建模方式 步骤：明确领域本体及任务、模型复用、列出本体涉及领域中的元素、明确分类体系、定义属性及关系、定义约束条件

手工建模方式

2.半自动建模方式 半自动建模方式先通过自动方式获取知识图谱，然后进行大量的人工干预过程。运用自然语言处理技术先自动建模的方法可以分为三大类:基于结构化数据的知识建模方法，基于半结构化数据的知识建模方法和基于非结构化数据的知识建模方法

半自动建模方式

• 知识融合

知识融合是知识组织与信息融合的交叉学科，它面向需求和创新，通过对众多分散、异构资源上知识的获取、匹配、集成、挖掘等处理，获取隐含的或有价值的新知识，同时优化知识的结构和内涵，提供知识服务

知识融合概念分解

• 知识计算

知识计算是基于已构建的知识图谱进行能力输出的过程，是知识图谱能力输出的主要方式。主要包括知识统计与图挖掘、知识推理两大部分内容，知识统计与图挖掘重点研究的是知识查询、指标统计和图挖掘; 知识推理重点研究的是基于图谱的逻辑推理算法，主要包括基于符号的推理和基于统计的推理

知识计算概念

• 知识运维

知识运维是指在知识图谱初次构建完成之后，根据用户的使用反馈、不断出现的同类型知识以及增加的新的知识来源进行全量行业知识图谱的演化和完善的过程，运维过程中需要保证知识图谱的质量可控及逐步的丰富衍化。知识图谱的运维过程是个工程化的体系，覆盖了知识图谱的从知识获取至知识计算等的整个生命周期。知识图谱的运维包括两个方面的关注点: 一个是从数据源方面的基于增量数据的知识图谱的构建过程监控，另一个是通过知识图谱的应用层发现的知识错误和新的业务需求

知识运维

知识图谱存在的挑战

1.数据相关的挑战 数据是知识图谱的基石，其数据来源主要有两种：自有数据(自身采集或拥有)和外源数据(网络爬虫、开放共享或从数据交易所获取)。在实际应用中，多源数据的歧义、噪声大、数据关联性不明确等缺陷

2.算法相关的挑战 知识图谱系统从获取、建模、融合、计算等各个环节均涉及不同的算法，目前个步骤所用到的算法根据现状和需求不同存在不同挑战。主要体现在：算法泛化能力差、算法鲁棒性差、算法多样化，缺乏统一的评测指标、算法可解释性、基础知识库融合挑战、垂直领域知识库构建挑战、基础知识库不愿开放的挑战、贯穿知识图谱全生命周期的平台缺失、基于文本的知识图谱构建工具性能弱、隐私安全和伦理相关的挑战、测试评估及商业模式等方面的挑战

小结

从感知到认知，是个必然事件，而知识图谱相当于计算机的大脑，是认知计算的关键组成部分。智能认知领域是下一个待突破的方向，前景可期