冯·诺依曼

首先介绍基于嵌入学习的知识图谱推理模型，即知识图谱嵌入（KG Emebedding）。知识图谱最关心的推理任务是关系推理。现实场景中的很多问题都可以归结为基于知识库中已知的事实和关系来推断两个实体之间的新关系或新事实。给定两个实体，预测它们之间是否存在rrr关系给定头实体或尾实体，再给某个关系，预测未知的尾实体或头实体给定一个三元组，判断其为真或假前面已经介绍过基于向量的知识图谱表示方法。与词向量类似，希望为知识图谱中的每个实体和关系学习一个向量表示，称为实体或关系的向量表示。

在介绍基于本体的推理之前，先回顾RDF的三元组模型，每一条三元组描述了客观世界的一个逻辑事实。这些事实性三元组是进一步叠加逻辑推理的基础。利用RDF或RDFS可以实现比较简单的演绎推理。例如可以利用subClassOf关系推断父子类关系。OWL扩展了RDF Schema的表达能力，提供了更多描述类和属性的表达构件。例如，可以声明两个类的相交性或互补性，可以定义传递关系、互反关系，还可以利用属性链（Property Chain）定义关系之间的关系。利用这些语义表达构件，可以完成更加复杂的本体逻辑推理。

首先来回答一个问题：什么是推理？随着人工智能的复兴，推理也经常被人们提及。推理和逻辑是密切相关的，关于推理的研究更多和更早地出现于哲学和数学领域。古希腊有个词叫Logos，指世界的可理解的一切规律，涉及逻辑描述语言、逻辑思维方式、逻辑推理过程等内容。当然，我们并不希望陷入关于推理的哲学思辨中，所以在本文中还是更多地从人工智能发展历史上出现的关于推理的研究来展开探讨。

分类目录：《知识图谱》总目录尽管基于关系数据库的存储方式有很多优势，但是随着原生图数据库的技术及工具的逐步完善，原生图数据库已经成为知识图谱存储和查询引擎搭建的标准基础设施。在本文首先回答一个问题：为什么需要图数据库。关系数据库虽然被取名为“关系”，但却不善于处理“关系”。首先，关系模型将语义关联关系隐藏在外键结构中，无显示表达，并带来关联查询与计算的复杂性。其次，数据来源多样性带来大量离群数据（Outlier Data），导致数据集的宏观结构愈发复杂和不规整，对于包含大量离群数据的场景，关系模型将造成大量

知识图谱中包含两类信息，一类是图的结构信息，另一类是由节点和边的标记所包含的语义类型信息。针对知识图谱的特点，需要考虑存储相关的三个方面的问题：存储的物理结构、存储的性能问题和图的查询问题。第一个优化手段是建立Mapping Table，即将所有的字符串首先映射到唯一的数字ID，三列表中不再存储真实的字符串，而是只存储对应的数字ID，这将大大压缩存储空间。随着原生图数据库的兴起，以及外围工具的逐步完善，原生图数据库逐渐成为知识图谱存储的主要解决方案，将在后面文章中重点对原生图数据库展开介绍。

传统知识工程极大地依赖人工，且对知识表示的要求比较高，例如Cyc项目可以采用高阶的谓词逻辑来描述知识，而知识图谱获取的对象是相对简单的实体和三元组。在20世纪七八十年代，传统的知识工程的确解决了很多的问题，但是这些问题都有一个很鲜明的特点，即它们大部分都是在规则明确、边界清晰、应用封闭的场景取得的成功，一旦涉及开放的问题就比较难以实现。另外一方面，由于专家对知识的认知很难完全统一，而且专家知识也具有高度的不确定性、不精确性，导致其实很难用统一的符号精确刻画专家大脑中的知识，这也是著名的知识汤概念的内涵。

前文已经介绍过，向量化的表示已经在人工智能的其他领域非常常见，例如在自然语言处理中，可以为句子中的每个词学习一个向量表示（Word Embedding），在图像视频中也可以为每个视觉对象学习一个向量表示。对于知识图谱，也可以为其中的每一个实体和关系学习一个向量表示，并利用向量、矩阵或张量之间的计算，实现高效的推理计算。

在前面的文章中已经多次提到，知识图谱采用图的方式描述和表达知识，相比于简单图，能建模更加复杂的事物关系，但比起形式化逻辑，又免于复杂的逻辑约束，使得知识的获取过程变得更加容易。但在知识图谱的实际实践中，不同的应用场景会对知识的建模采用不同表达能力的图表示方法。例如有些应用场景仅采用最简单的无向图，通常适合于对建模要求不高，偏于数据挖掘类的应用场景。知识图谱表示应用最多的是有向标记图（Directed Labelled Graph）。

实际上，人类的自然语言，以及创作的绘画和音乐、数学语言、物理模型、化学公式等都是人类知识的表示形式和传承方式。具有获取、表示和处理知识的能力是人类心智区别于其他物种心智的最本质的特征之一。所以，传统的人工智能领域有一个经典的研究方向叫知识工程和专家系统。这种经常被称为是GOFAI（Good Old Fashioned AI）的基本思想是建立一个系统，能够从专家大脑里获取知识，即知识工程，再通过一个推理引擎为非专家用户提供服务。回到20世纪的人工智能研究。...

分类目录：《知识图谱》总目录知识图谱是典型的交叉技术领域。在人工智能和机器学习领域，传统符号知识表示是知识图谱的重要基础技术；同时深度学习、表示学习等领域与知识图谱的交叉产生了知识图谱嵌入、知识图谱表示学习等交叉领域。在传统的自然语言处理领域，怎样从文本中自动化识别实体、抽取关系、检测事件等信息一直是经久不衰的研究热题，Knowledge Base Population即是知识图谱与自然语言处理之间产生的交叉领域。在数据库领域，知识图谱与数据库的交叉又产生了图数据库，而图嵌入、图挖掘等数据挖掘领域的方法也广

语义和知识在物联网领域有很多的应用场景。例如，一个温度可能是人的体温，也可能是一个设备的温度，进一步理解这个温度数据还需要知道是在什么时间、什么位置等，丰富的语义描述将大大提升物联设备数据的利用效率，终极的万物互联是设备通过规范化的语义实现数据层面的互联。在电商领域，阿里巴巴生态积聚了海量的商品和交易数据，它以商品、产品、品牌和条码为核心，构建了百亿级别的商品知识图谱，可以广泛应用于搜索、导购、平台治理、智能问答等业务，同时保持每天千万级别的恶意攻击拦截量，极大提升了消费者的购物体验。...

1945年，美国首任总统科学顾问Vannevar Bush曾提出了一个称为MEMEX的“记忆机器”的设想。他认为人的记忆偏重关联，而非像图书馆那样采用严格的层次分类目录组织大脑中的信息。因此，他提出设计一种Mesh关联网络来存储电子化的百科全书。MEMEX记忆机器的设想启发了超文本技术Hypertext的实现，而超文本技术则直接促成了互联网的最大应用——World Wide Web的发明。Web是由英国人Tim Berners-Lee提出的，他因为Web技术的贡献获得了2016年的图灵奖。...

人类通过认识世界来积累关于世界的知识，通过学习到的知识来解决碰到的问题。假如马云的秘书是一个人工智能，它在第一个语境中，应该把肯德基识别为一种食品，而在第二个语境中，应该把肯德基识别为一家公司，而且它还需要知道肯德基的母公司是百胜餐饮，蚂蚁金服投资了百胜餐饮，而马云是阿里巴巴的创始人，阿里巴巴与蚂蚁金服存在关联关系，才能正确地建立马云和肯德基的关系。在知识获取方面，专家层面的经验为现代知识的构建提供了重要的输入，此外，现在还有设备传感数据、自动采集的日志数据、多种模态的数据等大量的机器数据。........