【知识图谱系列01】初识知识图谱:了解基础原理、应用与价值

1 评论 4685 浏览 44 收藏 9 分钟

编辑导语:“无知识图谱,不AI”,知识图谱一直是AI领域不可不谈的话题,各大公司都在搭建各自领域的知识图谱,还有许多靠做知识图谱起家的独角兽公司。那么知识图谱到底是什么?它为什么会被大家热衷?它与传统的数据库存储数据的方式有何不同?让我们一起看看吧。

一、知识图谱是什么?

如字面意思,知识图谱可以拆解为“知识”和“图谱”去理解。

知识,是人们在改造世界的实践中所获得的认识和经验的总和。

图谱,是一种强调链接的存储方式。

知识图谱其实就是存储及表达知识的一种方式。

但一个知识的储存方式为什么会被单独提出来?甚至被Google作为一项技术项目单独提出来?

首先得了解知识在认知中起到的作用。

其实在Google之前,知识图谱的前身:语义网络早在1960年代就被提出,当时是作为知识表示的一种方法被提出,主要应用于自然语言理解领域(让机器能够理解语言)。

【知识图谱入门】初识知识图谱

知识图谱演化的重要节点

正如人去理解一段话所表达的意思时,也用到了知识,比如“阿伟手上拿着刚发布的苹果”,这句话要能被正确理解,离不开对应的知识,至少得知道苹果除了是吃的,还可以是个手机牌子。

也就是说知识图谱起源是为了让机器更好的理解语言,通过建立起知识库,这种方法企图让机器拥有更多的“知识点”,能进行更多的联想及推理,对信息的理解更到位。

【知识图谱入门】初识知识图谱

知识图谱在人工智能中充当“记忆”的角色

知识的作用不仅限于文本,对图片也一样。

解读出的感受是又油又土十分好笑,这其中也运用了知识联想,联想了演员在社交媒体中的人设形象,当前的表情及动作,联想了发图者与自己的关系,于是会心一笑。

二、为什么是图谱?

为什么演化到目前阶段,是通过图谱去存储知识,而不是传统数据库?

我认为有两点:

第一是因为图谱的存储结构足够简单,图谱通过“三元组”存储知识,即头实体、关系,尾实体组成;

比如:苹果手机是苹果公司旗下的产品,抽象成知识表达的三元组即是:

【知识图谱入门】初识知识图谱

几乎所有的能通过符号表示的知识都能用这个结构进行储存。

第二是因为互联思维的普及,在强调万物互联的时代,图谱这种注重链接的存储方式能串联不同领域的知识,从而挖掘其中关系隐藏的价值。

三、知识图谱有什么用?

目前知识图谱应用主要有两个大方向:

1. 辅助语言理解

知识图谱在辅助语言理解方面起的作用有:

实体消歧:对文中提到的多义词进行精准判断,如上文提到的苹果案例。

指代消解:对文中的代词做出解释,如他和它。

其中代表性的应用如下:

(1)搜索

传统搜索只提供对网页的搜索(红框部分),图谱提供了对事物本身的描述,让结果更直观,更符合查询的语义。

【知识图谱入门】初识知识图谱

图谱搜索效果展示

(2)问答

垂直领域的问答系统会涉及到许多专业知识面的问题,举个保险行业的例子:

比如当客户问到:“xx保险能不能保障脊髓灰质炎?”

知识图谱可以通过结合保险领域知识与医疗知识进行推理,从而给出精准答案。

【知识图谱入门】初识知识图谱

知识推理简化示意图

2. 辅助大数据分析

图谱可以结合各类领域的知识,打造领域型的知识图谱,目前在大数据分析方面,工业落地主要应用如下:

(1)推荐

知识图谱中包含了丰富的关联性,可以为推荐系统提供部分信息来源;比如常见的推荐有电影推荐、音乐推荐。

加入图谱推荐的好处主要是可解释性强,能基于设定好的推荐路径进行精准推送。

比如小丁喜欢听《艾米莉》,《艾米莉》的乐队是回春丹,那么同个乐队的歌可以作为推荐。

【知识图谱入门】初识知识图谱

(2)风控

图结构能非常好的与SNA(社交网络分析)理论相结合,对团伙欺诈这类型的风险能起到非常好的挖掘作用;如洗钱行为可以综合多笔交易、企业信息等看是否出现资金汇集等。

图的优势在于能跨多度计算,能挖出埋藏较深度的风险关系,比起传统的侦察手段对团伙作案的风险能摸查得更全面。

三、无图谱,不AI?

这句话在现阶段,大家当pr稿理解就好了,事实上很多的AI落地应用,并没有用到知识图谱,知识图谱本身也存在着相当多的局限。

1. 工业落地视角

至少在目前阶段,许多项目中知识图谱的平替方案有很多,比如风控场景,通过传统的数据分析也能抓出许多问题案件;问答场景,搭建简单的问答知识库比直接建立知识图谱效率更高,投入更小。

究其原因还是在于这项技术需要非常大的资源投入,需要大量的具有丰富业务知识的专家,图算法专家等。

实际的工业落地项目中,几乎有70%的时间投入在图谱数据的获取、清洗、结构化上,而像知识框架的建设、图应用只占了不到30%的时间。

2. 技术视角

上文提到,知识图谱的三元组形式能表示几乎所有的符号型知识,即能被很好表达的显性知识,但现实中存在着很多知识是隐性的,比如一项技能,弹钢琴光知道乐理但没有熟练的指法也不行。

且知识图谱对于数据的结构化程度要求十分之高,但现实中大部分业务数据是非结构化的,如何将非结构化数据转为结构化,而这是一道还没有被解决的业界难题,是NLP的瓶颈。

四、结语

对每项新技术,我们应看到技术未来的发展空间,同时也要看到技术在当下的局限性。

保持对技术的理解、思考与反思,才能将技术真正落地。

 

本文由 @产品哲思 原创发布于人人都是产品经理。未经许可,禁止转载。

题图来自Unsplash,基于 CC0 协议

更多精彩内容,请关注人人都是产品经理微信公众号或下载App
评论
评论请登录
  1. 写的很好,希望能看到后续内容

    来自浙江 回复