演讲的议题学术界和工业界各一半,参加研讨会的人很多,以武汉高校学生为主,也有不少工业界人士,名单里看到了不少华为的,也有个别京东/百度人士,大家对知识图谱的关注度都很高
目前的应用主要集中在智能问答,其它应用场景较少。
下面讲一下各个课题的重点
领域知识图谱落地实践中问题与对策
演讲者:肖仰华 复旦大学知识工场实验室 http://kw.fudan.edu.cn shawyh@fudan.edu.cn
知识图谱定义:本质是一种语义网络,只是在规模上有突破,利用现有大数据技术构建大规模语义网络
DKG vs GKG
![](https://cdn-pri.yuque.com/lark/0/2018/jpeg/743/1524924189929-82d5e44e-2538-48b3-a792-964301a21f8b.jpeg)
个人看法:DKG已经深入到很多细分行业,能更加专注也相对更容易实现,我们需要这样的专注。
DKG如何构建
![](https://cdn-pri.yuque.com/lark/0/2018/png/743/1524924924396-eb3bb118-aec9-47d8-81c4-8966bf661d87.png)
DKG评价标准:质量(准) 规模(全) 实时(新) ,三大标准个人认为优先级是:准>新>全
优点:表达能力强,可推理
缺点:较复杂 难书写 复杂查询执行代价高
gremlin天生就是为图查询设计,任何SPARQL都可编译为gremlin查询,也就是说gremlin能覆盖SPARQL的应用场景,比SPARQL功能更强大,也更适合图谱查询,另外SPARQL不支持图谱边带多个属性
DKG应用场景:智慧搜索 智能推荐 智能问答 智能解释 决策分析
DKG如何入手:避难就简 (优先使用结构化数据,再补充必要的半结构化数据,最后才是非结构化数据)
知识图谱在行业的落地实践
演讲者:杨威 明略数据
知识图谱是企业实现行业人工智能的必经之路,是认知AI的关键数据模型,是深度学习和人的思维的桥梁,是与数据仓库并行的新一代AI基础设施
![](https://cdn-pri.yuque.com/lark/0/2018/jpeg/743/1524928460629-519ed982-6614-414d-9e6e-09da7a11faff.jpeg)
![](https://cdn-pri.yuque.com/lark/0/2018/jpeg/743/1524928541545-2c7e7fac-a861-4e44-853c-5c1090be4436.jpeg)
![](https://cdn-pri.yuque.com/lark/0/2018/jpeg/743/1524929305717-1be9a27b-0529-4d75-989f-fb43dae8c7d0.jpeg)
这里涉及的存储并不单是图存储,还有很多其它存储方式,并不是因为搞知识图谱就需要把数据尽量存图存储的,还是需要看具体应用场景而定
![](https://cdn-pri.yuque.com/lark/0/2018/jpeg/743/1525182915314-f932e502-a2af-43ed-ab71-f94104098287.jpeg)
符号推理,都是基于DSL(领域专用语言)
![](https://cdn-pri.yuque.com/lark/0/2018/jpeg/743/1524928884661-e39cefe0-622b-41e9-bf62-0b1468c7fe26.jpeg)
命名实体识别: CRF++ BiLSTM
关系识别: Deepdive PCNN
知识图谱在聊天机器人中的应用
演讲者:李成华 武汉泰迪智慧科技有限公司
知识图谱用于百科知识问答
飔拓机器人覆盖音乐/天气/财经/航班/百科知识等五十多个领域的问答,类似我们的智能助手
![](https://cdn-pri.yuque.com/lark/0/2018/jpeg/743/1525185248256-afe39f84-b411-4cb3-9a9a-ed23083812ea.jpeg)
知识图谱在医疗行业中的应用
演讲者:倪渊 平安医疗科技研究院
![](https://cdn-pri.yuque.com/lark/0/2018/jpeg/743/1525186555317-c186e84c-672b-4528-9bd7-3389aafee464.jpeg)
知识图谱作为与数据平台并行的低层支撑平台
![](https://cdn-pri.yuque.com/lark/0/2018/jpeg/743/1525186688863-b21db854-a07f-4440-94a1-c6e1247dadae.jpeg)
特种图关系,边带权重,按权重排序查找最相关的节点
![](https://cdn-pri.yuque.com/lark/0/2018/jpeg/743/1525187056961-ef4e16d1-dd88-4a92-b04a-40e48fcf9f84.jpeg)
厨房场景中美食知识图谱构建与应用
演讲者:杨叶强 广州索答信息科技有限公司
![](https://cdn-pri.yuque.com/lark/0/2018/jpeg/743/1525187499014-adc3e854-dddd-4475-889c-84092d93f8f1.jpeg)
这里主要是上下位推理(实体属于关系父子类型传递),也就是概念推理,这是推理中最简单的,也是实用性最强的。
他认为在美食领域,知识图谱推理技术除了概念推理,依然没有其它特别合适的场景
最后所有演讲者上台共同回答提问环节,有人问到知识图谱推理应用,演讲者们的一致观点:目前知识图谱在推理上还主要是概念推理这类比较简单的应用,其它推理还在探索,更加专业的推理一般由专家系统完成(比如问余额宝的收益,会根据多个输入条件做条件判断,得出不同结果)