知識圖譜又稱為科學知識圖譜，在圖書情報界稱為知識域可視化，或知識領域映射地圖，用來顯示知識發展進程與結構關系的一系列各種不同的圖形，用可視化技術描述知識資源及載體，挖掘、分析、構建、繪制和顯示知識及他們互相之間的關系。 盡管人工智能依靠機器學習和深度學習取得了快速進展，但這些都是弱人工智能，對于機器的訓練，需要人類的監督以及大量的數據來喂養，更有甚者需要人手動對數據進行標記，對于強人工智能而言，這是不可取的。要實現真正的類人智能，機器需要掌握大量的常識性知識，以人的思維模式和知識結構來進行語言理解、視覺場景解析和決策分析。 百度百科定義：知識圖譜又稱為科學知識圖譜，在圖書情報界稱為知識域可視化，或知識領域映射地圖，用來顯示知識發展進程與結構關系的一系列各種不同的圖形，用可視化技術描述知識資源及載體，挖掘、分析、構建、繪制和顯示知識及他們互相之間的關系。 知識圖譜把復雜的知識領域及知識體系通過數據挖掘、信息處理、知識計量和圖形繪制顯示出來，表示該領域的發展動態及規律，為該領域的研究提供全方位、整體性、關系鏈的參考。 知識圖譜是智能社會的重要生產資料，如果把人工智能比作一個“大腦”，那么深度學習是“大腦”的運轉方式，知識圖譜則是“大腦”的知識庫，而大數據、GPU并行計算和高性能計算等支撐技術就是“大腦”思維運轉的支撐。 知識圖譜是真實世界的語義表示，其中每一個節點代表實體連接節點的邊則對應實體之間的關系異構數據通過整合表達為知識，圖的表達映射了人類對世界的認知方式，知識圖譜非常適合整合非結構化數據從零散數據中發現知識，從而幫助組織機構實現業務智能化。 當你對陌生領域進行學習時，無法把握要點及整體框架，以至于檢索效率低、入門無道時，知識圖譜應運而生。 自2012年5月，Google將知識圖譜應用到其搜索引擎，以提升其搜索服務能力，將各種渠道收集而來的相關信息展示在搜索結果旁的信息框中，以結構化模塊形式提供給用戶。 知識圖譜以結構化數據處理，運用三元體，點、線、面的方式表示本體之間的關系，利用關系來組織所有的對象（實體），形成有向圖結構。所謂知識，指的是點或邊對應的信息。 知識圖譜以語義分析技術為基礎，以模型為核心，基于數據，利用深度神經網絡、NLP框架語義理解等智能處理技術對輸入的字、詞、篇章進行多層次、度的信息分析，提供可遠程調用的實體抽取、關系抽取和屬性抽取等算法服務接口能力。達到構建多領域知識圖譜平臺，服務不同行業和應用場景。 從各種類型的數據源中提取出實體、屬性以及實體間的相互關系，在此基礎上形成本體化的知識表達； 在獲得新知識之后，需要對其進行整合，以消除矛盾和歧義，比如：某些實體可能有多種表達，某個特定稱謂也許對應于多個不同的實體等； 對于經過融合的新知識，需要經過質量評估之后（部分需要人工參與甄別），才能將合格的部分加入到知識庫中，以確保知識庫的質量。 因此行業知識圖譜的構建顯得尤為重要，首先，構建行業知識圖譜系統應以海量數據匯聚融合、快速和認知、強大的分析和推理、自適應與自優化和行業智能決策為導向。 通用知識圖譜以互聯網數據為基礎，如或社區眾包為主要來源，逐步擴大規模。以三元組事實型知識為主，較多的面向域的Web抽取，對知識抽取的質量有一定度，以知識融合提升數據質量，應用領域主要在搜索和問答方面，對推理要求較低。如：百度、谷歌、雅虎等等 行業知識圖譜以領域或企業內部的數據為主要來源，通常要求快速擴大規模，構建行業壁壘，知識結構更加復雜，通常包含本體工程和規則型知識。知識抽取的質量要求很高，較多的依靠從企業內部的結構化、非結構化以及半結構化數據進行聯合抽取需要依靠人工進行審核校驗，來質量。通常需要融合多來源的領域是數據擴大規模的有效手段。應用形式更加全面，除搜索問答外，還包括決策分析、業務管理等，并對推理的要求更高，并有較強的可解釋性要求。主要領域有電商、金融、農業、安全、醫療等等 大數據的采集分析和計算力已經不再是阻礙，難點在于算法背后的知識圖譜構建。實際中，企業數據和業務變化靈活，因此數據源、數據結構、數據內容隨時會發生變動，對業務的理解以及對數據的解讀也隨之發生變化。因此，建立實時敏捷、靈活可擴展、智能自適應的動態知識圖譜尤為重要。 由于IT時代的快速發展，形成了數據的聚集。促進了正在來臨DT時代，數據與算法作為基礎為知識圖譜的構建提供了新的可能性，而知識圖譜作為AI的支撐基礎，雖然發展緩慢，卻是人工智能的必經之。由于其在語義搜索、智能問答、數據分析、自然語言處理、視覺理解、物聯網設備已展現出越來越大的價值。 比如：上一篇文章中提到的基于語音對話系統構建的機器人，要想機器人好玩有趣，就需要建立通用知識圖譜，使機器人具有強大的邏輯，了解人與人關系，人與物的關系，人的屬性、物的屬性，理解人類世界的關系鏈，靈活應對用戶的各種聊天需求，使機器具有類人智能。而行業知識圖譜則幫助用戶解答關于行業的任務型需求，輔助用戶決策，反向幫助人類學習。 如今，人工智能屬于發展初期，主要以技術驅動行業發展，屬于拿著錘子找釘子的時期，企業在以行業+AI為核心的同時，也應重視行業+知識圖譜。因為未來技術肯定不是公司的核心競爭力，而多年積累的行業數據才是壁壘。數據養育AI，AI反哺數據。 例如：天眼查、企查查的企業知識圖譜，數據包括：企業基礎數據、投資關系、任職關系、企業專利數據、企業招標數據、企業招聘數據、企業訴訟數據、企業失信數據、企業新聞數據； 利用知識圖譜融合以上數據，制作企業知識圖譜，并在企業知識圖譜之上利用圖譜特性，針對金融業務場景做一系列應用。 基于企業基礎信息、投資關系、訴訟、失信等度關聯數據，利用圖計算等方法構建科學、嚴謹的企業風險評估體系，有效規避潛在的經營風險與資金風險。 基于投資、任職、專利、招標股、涉訴關系以目標企業為核心向外層擴散，形成一個網絡關系圖，直觀立體展現企業關聯。 基于股權、任職、專利、招標股、涉訴關系形成的網絡關系中、查詢企業之間的最短徑，衡量企業之間的關系密切度。 就寫這么多，希望能帶給各位一些思考。關于醫療知識圖譜、金融知識圖譜、農業知識圖譜的應用場景請自行查詢吧。 帶三點水的男孩名字本文由來源于財鼎國際(www.hengpunai.cn) |