F. 知识图谱 知识计算

F. 知识图谱 知识计算

概述

• 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
• 知识计算的概念中明确了以下几个层面的问题:
  • 知识计算是针对已构建的知识图谱所存在的问题:不完备性和 存在错误信息，在此基础上通过将知识统计与图挖掘、知识推理等方法与传统应用相结合进行能力输出，为传统应用形态进行赋能，进而提高知识 的完备性和扩大知识的覆盖面。
  • 知识计算中两种具有代表性的能力:知识统计与图挖掘、知识 推理。
    • 知识统计和图挖掘的方法是基于图特征的算法来进行社区计算、相 似子图计算、链接预测、不一致检测等;
    • 知识推理的目标在于从给定知识 图谱中推导出新的实体、关系和属性。
    • 通过这两种能力实现对已有图谱的 知识补全、知识纠错、知识更新、知识链接等功能。在此基础上，知识计 算的能力输出可应用于用户精准画像、决策数据、辅助决策意见、智能问 答/搜索等方面。

知识统计与图挖掘

• 知识统计与图挖掘是指基于图论的相关算法，实现对知识图谱的基础 性查询、统计分析和图挖掘计算，主要包括:
  • 图查询检索：图查询和检索是最常见的计算，常用于查询目标节点的n度关联方、 或者查询某子图结构，主要是以深度优先或广度优先等方式遍历网络，输出关联节点或同构实例。
  • 图特征统计：图特征统计是指对图谱中单一节点、或多个节点的图特征以及属性特 征进行统计计算的过程。单主体图特征包括出度、 入度、介度和中心度，
  • 关联分析：关联分析是指分析图谱中两个节点间或多个节点间的关联关系、紧密 程度，进而可以实现社群发现和分割
  • 节点分类：节点分类是指对节点根据图特征或者关联属性特征进行分类、例如信 用违约公司具有典型的风险路径，且一度关联方中的违约公司数量等均可作为分类特征指标、洗钱账户的转账关系子图特征可作为洗钱标签的分类 依据。
  • 异常检测：异常检测是指在全网内发现异常节点、异常子图子图模式，例如出入度数值离群的节点、闭环的投资关系、未知业务含义但是罕见的频繁子图 等。
  • 预测推理：预测推理是指通过规则或者机器学习等方法，从已有知识图谱中预测 推理新的关系和信息，适用于弱关系的推理、链接预测、概率推理等。
  • 时序分析：时序分析是指对单一关系、事件做时序分析，或者对网络拓扑结 构的变化做时序分析，例如频繁工商变更的行为、风险在网络中的传播 等。

技术发展趋势

• 基于小样本学习的知识计算
  • 研究表明，融合已有先验知识和极少量的样本进行模型训练，能够很好的解决小样本量场景下的知识计算
  • 基于开发世界假设，在进行知识图谱的逻辑推理 和计算时，对未发现、不存在的、新产生的知识看作是未知的，将已经建 立的知识图谱看作先验知识，通过少量高质量样本进行快速学习计算和整 合。
• 面向一致性动态变化的知识计算
  • 知识的一致性维护是知识计算需要解决的重要问题，但现有的知识 计算方法主要针对的是静态知识图谱，
  • 然而知识图谱并不是一成不变的， 随着时间和空间的推移，知识图谱也在动态的变化，即在不同的时间轴下 相同问题的答案也可能存在不同，
  • 如何在保证一 致性条件下，引入时间要素进行有效地动态计算是未来知识计算发展的 重要趋势。
• 面向多元关系和多源信息的知识计算
  • 如何更好的解决多元关系和多源信息融合场景下的知 识计算问题将成为重要的研究方向