知识图谱学习|报告总结|肖仰华： 知识图谱下半场-机遇与挑战

---

肖仰华： 知识图谱下半场-机遇与挑战
链接地址：https://mp.weixin.qq.com/s/IW4rBc7Z9f2ByKjQR2MTjw

---

知识图谱的上半场：主要成果

知识图谱的发展介绍

认知智能：让机器具备人类的高阶认知能力（语言、思维、文化认知）；让机器具备规划、推理、演绎、归纳等一系列只有人类具备的能力。

高阶认知能力体现为机器的理解和解释能力，能够理解数据、行业、世界，解释过程、结果、现象。理解和解释将会是深度学习在大数据红利过后的后深度学习时代人工智能最重要的研究问题。PS：个人认为机器学习深度学习的可解释性十分重要，使得能够探讨模型的过程和结果中的规律知识。
现在人的认知和世界观很大程度上由推荐算法塑造，智能机器将会成为认知世界的新主体。

知识工程

知识工程始于符号主义。符号主义认为认知即计算，知识是人工智能的核心和基础，知识的表示、推理和运用是人工智能的核心。知识工程是一门以专家系统的构建和运用为主要内容的学科，而专家系统则是一类利用专家的知识和推理能力来解决实际问题的系统。

传统知识工程

典型的自上而下的做法，严重依赖专家和人的干预，导致了知识规模有限、质量存疑。适用于规则明确、边界清晰、应用封闭的应用场景，如几何定理证明和AlphaGo。

大数据知识工程

实现

• 实现大规模简单知识表示：大规模语义网络(海量实体，多样关系，允许部分错误、Schema不完善)；简单应用（以(词汇)实体为中心以属性、关系为核心知识、基于路径的简单推理、基于分布式表示的推理）
• 实现知识获取：数据驱动，实现规范化、格式化文本的简单、显式知识的获取；大规模自动化简单知识获取基本可行
• 实现简单推理：上下位关系推理、同义词关系推理、实体关系推理、图谱上的简单路径、分布式表示（embedding）相似

解决问题

• 解决语言表达鸿沟（vocabulary gap）问题：利用词汇知识（同义词、上下位词、反义词、缩略词)
• 补全缺失的因果链条（背景知识）
• 实现碎片化数据的关联与融合，关联创造价值
• 深化行业数据的理解与洞察，把传统基于关键字的分析变成基于主题、实体、概念的分析
• 显著提升机器的自然语言理解水平，中文的实体理解被解决，知识问答取得突破
• 基于知识图谱的大规模知识服务：知识工场平台、CN-Dbpedia、CN-Probase
• 知识图谱可视化已大量应用
• 大数据知识工程理论体系日趋完善

知识图谱的下半场：机遇与挑战

为什么

应用场景转变：从大规模、简单的应用场景向小规模、复杂应用场景切换，前期应用场景都是以BAT、TMD为代表，现阶段应用集中服务业，而工业领域的小规模复杂应用场景有密集的专家知识、有限的数据资源和深度的知识应用等鲜明特性，以“人”为中心逐步发展到“人”与“设备”并重，实现工业智能化。

趋势

• 繁杂的应用场景，比如员工报销，需要针对不同场景去定制模型。
• 深度的知识应用，比如智能运维、医疗诊断、司法研判等领域，面向复杂决策的，知识驱动的智能应用将成为新趋势。
• 密集的专家知识，对于获取隐性的专家知识提出了新挑战。
• 有限的数据资源，领域数据稀缺、高质量数据匮乏、数据标注困难、异构数据融合困难。

机遇

• 机器学习：深度学习的端到端模式（样本丰富）；小样本学习、无监督学习、弱监督学习（样本稀缺）；融合符号知识与统计学习模型增强机器学习
• 自然语言处理：无监督的预训练语言模型+特定任务或语料微调；深度自然语言模型（样本足够）

应对

知识表示

• 知识图谱的过程、时空、多模态语义增强：图片、声音、视频，实现大规模符号接地、构建多模态知识图谱，实现机器跨模态理解。
• 知识图谱与其他知识表示的协同机制与方法：规则库、概念图
• 知识图谱的个性化表示，定制不同的权重，以体现不同角色对不同知识的认知程度。

知识获取

• 低成本知识获取机制与方法：无监督知识获取、小样本知识获取；基于弱监督的知识获取方式；基于隐式众包的知识获取（在用户完成验证、游戏、娱乐任务的同时完成众包任务的方式）
• 多粒度知识获取
• 大规模常识知识获取与理解：多模态的隐性常识获取(因果-视频、位置-图片、语义-文本、语调-音频)
• 复杂知识获取机制与方法：文档级的知识获取
  

知识应用

• 知识图谱应用透明化：自主学习
• 基于知识图谱的可解释人工智能：可解释性
• 知识引导下的下一代机器学习：基于知识的人工智能

总结

从大数据时代到大知识时代，路漫漫其修远兮。