事理图谱，下一代知识图谱

事理图谱，下一代知识图谱

https://blog.csdn.net/lhy2014/article/details/85247268

2.认知智能与知识图谱

• 认知智能的核心在于机器的辨识、思考以及主动学习。其中，辨识指能够基于掌握的知识进行识别、判断、感知，思考强调机器能够运用知识进行推理和决策，主动学习突出机器进行知识运用和学习的自动化和自主化。这三个方面概括起来，就是强大的知识库、强大的知识计算能力以及计算资源。
• 知识库：
  • 常识知识库(commonsense knowledgebase)
    • 包括人类认知系统中的概念、语言规则知识库。
  • 百科类知识库(cyclopedia knowledgebase)
    • 描述了现实生活中的事实知识(fact)
• 而何谓知识图谱？
  • 从AI的视角来看，知识图谱是一种理解人类语言的知识库
  • 从数据库视角来看，知识图谱是一种新型的知识存储结构
  • 从知识表示视角来看，知识图谱是计算机理解知识的一种方法
  • 从web视角来看，知识图谱是知识数据之间的一种语义互联
• 知识图谱，是实现认知智能的知识库，是武装认知智能机器人的大脑，这是知识图谱与认知智能的最本质联系

3.从知识图谱到事理图谱

• 从知识图谱的本质上来说，是以传统本体概念为基础进行知识组织的，传统本体对于概念的描述着重对其静态特征的描述，缺乏对动态特征的描述。
• 人类的命题记忆是以“事件”为存储单位的，存储的是组成事件的概念及其之间的关系以及事件及其之间的关系。以事件作为知识的基本单元更能反映客观世界的知识，特别是知识的动态性，从认知心理学的角度来看，事件更符合人类的理解与思维习惯。人类主要是以“事件”为单位进行记忆和理解现实世界的，事件关系到多方面的概念，是比概念粒度更大的知识单元。传统本体所使用的概念模型难以反映事件这一更高层次和更复杂的语义信息，模型缺少了更高层次的结构。
• 从知识刻画上来说，知识图谱局限：
  • 对人类知识的刻画上上不具备动态属性
    • 知识图谱中所刻画和描述的知识是静态的非黑即白的一种确定性事实，而现实人类社会当中，知识是动态变化的，知识本身会因为外部条件的变化而失真。
  • 知识图谱在应用上的一种局限性
    • 知识图谱只能回答什么是什么的问题，对包括基于已知知识推断未知知识，对已知知识进行正确性校验的知识推理，从根本上来说也没有跳出“静态”这一属性。在诸如“怎么了”，“接下来会怎么样？”，“为什么”，“怎么做”等问题上，知识图谱显得有些乏力。
• 事件高于实体，实体是事件的组成部分，事件是事理的重要组成部分，事理和实体共同组成了知识。
• 知识图谱与事理图谱的异同
  • 知识图谱描述知识是万物实体，所研究的对象是名词性实体及其属性、关系。事理图谱所要描绘的是一个逻辑社会，研究对象是谓词性事件及其内外联系。两者都是有向图的组织性质，在知识的确定性上，知识图谱中的知识是以事实三元组为存储型的、确定的，知识状态相对静态，变化缓慢，但精度要求极高，实时性要求极高。事理图谱中的知识时一个包含事件、论元集合、逻辑关系等的多元组，知识逻辑是不确定的，存在一种转移概率。在应用上，知识图谱可以完成when/who/what/where等常识问题。事理图谱可以回答Why/How等动态问题。传统概念之间的分类关系即上下文关系不同，事件与事件之间除了上下位等分类关系外，还存在非分类关系，包括组成关系、因果关系、并发关系、条件关系、排斥关系等，这些关系一起对现实动态知识种的逻辑知识进行了描述

4.事理图谱的构建

• 主要包括领域专家手动构建以及基于海量文本自动化获取两种方法
  • 前者准确率高但构建成本较大，且规模难以快速增长
  • 后者所见即所得，构建成本较低，规模可快速扩充，能够迅速挖掘出海量逻辑，但缺点是精确度受多方面因素影响，准确率较前者要低。
• 通过大量的显示模式对事理逻辑进行结构化，对不同来源的事理知识进行融合并层层抽象，可以得到大规模不同层级的事理逻辑，借助知识图谱首尾相接的方式，我们对构建好的一条条事理逻辑进行链接，就形成了一个图谱形式的事理逻辑脉络，即事理图谱。
• 在事件表示上，有上海大学刘宗田老师团队提出的“事件六要素本体模型”，即将事件建模成e = { A，O，T，V，P，L}的表示形式， 其中: A 为动作要素; O 为对象要素; T 为时间要素; V 为环境要素; P 为断言要素; L 为语言表现。 而这种表示方式无法直接用于图谱节点表示，更可能成为一种事件描述信息隐藏于图谱事件节点背后。

5.事理图谱和知识图谱的融合

• 如上面所介绍到的事理图谱中是以事件为单位一种逻辑链路，而实体识事件的一个重组成部分，通过实体识别和实体链接技术可以将事件中的实体链接到相应的实体知识库当中。

6.事理图谱的应用探讨

• 事理图谱有多种应用场景，我们在实践过程中，主要总结出了以下5种应用形式：
  • 基于事理图谱的知识问答。由于后台有以事件和静态知识为核心的事理逻辑，可以在完成“when”,“who”,“what”,“where”等常识问题的同时，进一步回答“how”以及“why”的问题，这种问答的形式既可以是可视化搜索式，也可以是问答形式
  • 基于事理图谱的消费意图识别。本文在前面说到，顺承事理图谱对具有时序特征的叙述性事件能够很好的刻画，它描绘了叙述性事件的整个阶段。而我们正好可以利用这
    种阶段性的特征，完成消费推荐的任务。
  • 基于事理图谱的重要新闻判别与推荐。大数据时代下，海量新闻在网络上快速传播，新闻个性化推荐以及重要新闻筛选成为了新闻检索中的两个重要任务。目前的推荐算法主要基于协同过滤、基于内容推荐和混合推荐方法，这几种方法从本质上来说都是对内容与用户进行建模并进行相似性计算得到的一种结果。事理图谱的出现，提供了一种重要性判别方式和新闻推荐方式。“历史总是相似的，重要的事情总是周而复始的出现”，在这一假设下，通过对新闻文本进行事件提取，并结合背后的事理图谱，根据事件后续产生影响的重要性可以为整个新闻进行重要性评分，并给出该新闻事件所蕴含的已有事件和未来事件信息。通过这种方式对新闻资讯进行建模和筛选，并结合用户兴趣模型，可以完成重要新闻的判别和推荐
  • 基于事理图谱的知识管理
  • 基于事理图谱的推理与辅助决策

8.事理图谱的未来和挑战