知识图谱研讨会(武汉大学站)笔记

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

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

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

DKG查询方式：注意到的几个课题都选用了SPARQL，是为 RDF 开发的一种查询语言和数据获取协议

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

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

符号推理，都是基于DSL(领域专用语言)

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

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

知识图谱作为与数据平台并行的低层支撑平台

特种图关系，边带权重，按权重排序查找最相关的节点

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

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)