作者董胜王博士和朱宏寅博士详细分析了知识图谱(Knowledge Graph, KG)技术所面临的挑战,探讨了该技术在未来二十年内可能难以取得突破的原因。
-
实体难以泛化:实体的粒度和歧义问题是知识图谱的主要挑战之一。实体的定义往往缺乏明确的边界,且同一个实体可能在不同的场景中具有不同的含义。此外,知识图谱中使用的嵌入模型虽然在某些任务中表现出色,但并未解决实体泛化和歧义的问题,这导致了这些模型在实际应用中的效果有限。
-
关系过度扩展与爆炸:知识图谱中的关系通常由多个词语组成,这使得关系的数量和复杂度急剧增加,导致关系歧义的产生。这种复杂性使得人类和机器都难以正确理解和处理这些关系。此外,随着关系的扩展,管理新的三元组(triples)变得更加困难。
-
三元组格式带来的高复杂性:虽然三元组格式简化了数据共享,但它也增加了知识的表达复杂性。例如,对于复杂的查询,三元组可能需要包含多个关系,这不仅使得设计和使用知识图谱变得更加困难,还导致其性能在实际应用中不尽如人意。
-
知识图谱作为数据库难以访问:访问和操作知识图谱通常需要高度专业的本体知识和RDF查询技能。这种高门槛使得许多开发者难以使用知识图谱。此外,分布式的三元组存储方式和复杂的SPARQL查询也增加了使用的难度。
-
质量不可靠和生成延迟:知识图谱的构建通常存在质量和延迟问题。即使生成的三元组是准确的,新信息的增长速度也远快于三元组的生成速度,这使得知识图谱难以跟上数据的更新速度。此外,深度学习模型直接从原始数据中进行预测,避免了结构化数据提取的过程,这使得这些模型在某些情况下更加高效。
尽管知识图谱面临诸多挑战,但其作为当前最接近人类思维的技术,仍然具有一定的前景。然而,为了克服这些挑战,作者建议将重点放在知识本身而非其形式上,并简化知识图谱技术的使用,以提高其实用性。