[1] 馬忠貴,倪潤宇,余開航.知識圖譜的最新進展、關鍵技術和挑戰(zhàn)[J].工程科學學報,2020,42(10):1254-1266.DOI:10.13374/j.issn2095-9389.2020.02.28.001.

文章目錄

• • 知識抽取與表示
  • 知識融合
  • 知識推理與質量評估
  • • 質量評估
  • 知識圖譜應用
  • 知識圖譜的挑戰(zhàn)與展望
  • • • 知識融合技術
      • 知識推理技術
      • 知識的表示、存儲和查詢

知識圖譜全生命周期主要包括3種關鍵技術：

從樣本源中獲取數(shù)據(jù)，并將其表示為結構化知識的知識抽取與表示技術

融合異源知識的知識融合技術

根據(jù)知識圖譜中已有的知識進行知識推理和質量評估

知識抽取與表示

對于知識圖譜首要的問題是：如何從海量的數(shù)據(jù)提取有用信息并將得到的信息有效表示并儲存，即知識抽取與表示

其主要目的是從樣本源中抽取特定種類的信息，然后以三元組（主語，謂語，賓語）的形式保存。針對信息抽取的種類不同，知識抽取分為實體抽取、關系抽取和屬性抽取，如下是知識圖譜的技術架構：

• 實體抽取（命名實體識別）

  從樣本源中識別出命名實體

  • 基于規(guī)則與詞典的方法
  • 基于統(tǒng)計機器學習的方法
  • 面向開放域的抽取方法

• 關系抽取

  通過實體抽取獲得的實體之間往往是離散且無關聯(lián)的，通過關系抽取，簡歷起實體之間的語義鏈接

  • 基于模板的關系抽取
  • 基于監(jiān)督學習的關系抽取
  • 基于半監(jiān)督或無監(jiān)督學習的關系抽取

• 屬性抽取

  補全實體信息，通過從樣本源中獲取實體屬性信息或屬性值，實體屬性可以看作是屬性值與實體的一種關系，可以通過關系抽取的解決思路獲得

知識融合

由于知識來源的不同，導致知識質量參差不齊，知識之間存在沖突或者重疊，因此可以利用知識融合技術對多源知識進行處理，一方面提高知識圖譜的質量，另一方面豐富知識的存量。

知識融合方法主要有三個方面：實體消岐、實體對齊和知識合并

• 實體消岐

  https://blog.csdn.net/m0_46246301/article/details/122748121

  因數(shù)據(jù)來源復雜，存在著同名異義的實體．例如，名稱為“喬丹”的實體既可以指美國著名籃球運動員，也可以指葡萄牙足球運動員，還可以指某個運動品牌．為了確保每一個實體有明確的含義，采用實體消歧技術來使得同名實體得以區(qū)分。

  • 根據(jù)有無目標知識庫劃分
    • 基于無監(jiān)督聚類的實體消岐
      • 基于詞袋模型的聚類
      • 基于語義特征的聚類
      • 基于社會網(wǎng)絡的聚類
      • 基于百科知識的聚類
      • 基于多源異構語義知識融合的聚類
    • 基于實體鏈接的實體消岐
      • 基于知識庫的實體鏈接系統(tǒng)
      • 基于知識圖譜的實體鏈接系統(tǒng)

• 實體對齊

  在現(xiàn)實生活中，一個事物對應著不止一個稱呼。針對這些同義異名的實體，通過實體對齊可以將這些實體指向同一客觀事物。

  • 基于決策樹的自適應屬性選擇的實體對齊方法
  • 全自動的實體對齊框架（候選實體生成器、選擇器和清理器，利用搜索引擎）
  • 大規(guī)模相似性模型
  • 同義發(fā)現(xiàn)框架
  • 基于深度學習的實體對齊方法
    • SIF
    • RNN
    • Attention
    • Hybrid
  • 基于嵌入表示的實體對齊
  • 基于無監(jiān)督學習的實體對齊
  • 多視角的實體對齊

  參考文獻：[44-51]

• 知識合并

  現(xiàn)存的知識庫或者知識圖譜都是各種機構或者組織根據(jù)自己的需求設計創(chuàng)建，其中的知識也存在著多樣性和異構性，并且存在很多知識上的重復和錯誤，因此需要使用知識合并技術。

  知識圖譜的合并分為：數(shù)據(jù)層的合并和模式層的合并

  • 基于特征嵌入向量的知識合并
  • 基于嵌入的半監(jiān)督跨語言學習方法
  • 多通道圖神經(jīng)網(wǎng)絡模型

知識推理與質量評估

知識推理技術可以提升知識圖譜的完整性和準確性。

知識推理方法包括：

基于圖結構和統(tǒng)計規(guī)則挖掘的推理

基于知識圖譜的圖結構以及挖掘蘊藏在知識圖譜中的規(guī)則進行推理

• PRA
• CPRA
• Agent
• Attention
• 深度圖傳播模型

基于知識圖譜表示學習的推理

表示模型將知識圖譜中相應的實體和關系用向量、矩陣或者張量的形式表示

表示后進行運算完成知識推理任務

• 基于距離的推理模型
  • TransE
  • TransH
  • TransR
  • TransF
• 基于語義匹配的推理模型
  • RESCAL
  • DisMult
  • Complex
  • ANALOGY

基于神經(jīng)網(wǎng)絡的推理

基于神經(jīng)網(wǎng)絡的推理方法將知識圖譜中事實元組表示為向量形式送入神經(jīng)網(wǎng)絡中，通過訓練神經(jīng)網(wǎng)絡不斷提高事實元組的得分，最終通過輸出得分選擇候選實體完成推理

• NTN（神經(jīng)張量網(wǎng)絡）
• RCNN

混合推理

結合多種方法的優(yōu)勢來提升推理效果

• Agent
• ReNN
• IterE

質量評估

通過質量評估技術來對新知識進行篩選，是構建知識圖譜中必不可少的環(huán)節(jié)

• LDIF
• CQUAL

知識圖譜應用

知識圖譜技術的發(fā)展得益于自然語言處理、互聯(lián)網(wǎng)等技術的發(fā)展，而不斷完善的知識圖譜技術也可以應用到自然語言處理、智能問答系統(tǒng)、智能推薦系統(tǒng)等技術中，進一步促進這些技術的發(fā)展。 進一步促進這些技術的發(fā)展，而這些技術以及知識圖譜技術又可以進一步應用在諸如醫(yī)療、金融、電商等垂直行業(yè)或領域內，幫助促進行業(yè)發(fā)展。

• 構建完備的知識圖譜可以幫助自然語言理解技術發(fā)展
  • 短文本嵌入表示后送入卷積神經(jīng)網(wǎng)絡進行分類
  • 知識圖譜語言模型
• 智能問答系統(tǒng)可以依靠知識圖譜中的知識來回答查詢
  • BERT模型和雙向長短期記憶網(wǎng)絡結合，條件隨機場預測字符標簽
• 知識圖譜可作為外部信息整合至推薦系統(tǒng)中，使得推薦系統(tǒng)獲得推理能力
  • 知識圖譜注意力網(wǎng)絡模型
• 在垂直行業(yè)或領域內，知識圖譜已開始應用
  • 在醫(yī)療領域，通過提供更加精確規(guī)范的行業(yè)數(shù)據(jù)以及更加豐富的表達，幫助非行業(yè)相關人員獲取醫(yī)療知識的同時也幫助行業(yè)人員更直觀快捷獲取所需醫(yī)療知識
  • 在金融領域，借助知識圖譜檢測數(shù)據(jù)的不一致性，來識別潛在的欺詐風險
  • 在電商領域，阿里巴巴已經(jīng)通過應用知識圖譜，建立商品間的關聯(lián)信息，為用戶提供更全面的商品信息和更智能化的推薦，從而提升用戶的購物服務與體驗
  • 知識圖譜也在教育、科研、軍事等領域中廣泛應用

知識圖譜的挑戰(zhàn)與展望

知識融合技術

目標：將新獲得的知識融人知識圖譜中

挑戰(zhàn)：

• 為了保證融合后知識圖譜的質量，首先要提升知識評估的能力．現(xiàn)存的知識評估方法大都是針對靜態(tài)知識進行評估，缺少動態(tài)知識評估手段是目前知識評估面臨的一大挑戰(zhàn)
• 要解決由自然語言的特殊性引發(fā)的知識冗余和缺失問題．當知識圖譜不能準確將具有同義異名的實體對齊或將同名異義的實體消歧就會導致知識圖譜中出現(xiàn)知識冗余或缺失
• 目前，因自然語言的復雜性，在單一語言的背景下實體對齊和實體消歧的準確率仍然有待提高，針對多語言實體對齊或消歧更是一大挑戰(zhàn)

知識推理技術

目標：通過已知的知識推理獲得新知識來完善知識圖譜

挑戰(zhàn)：

• 知識推理的主要對象多是二元關系，通常處理多元關系的方法是將其拆分為二元關系進行推理，然而將多元關系拆分會損失結構信息，如何盡可能完整地利用多元關系中復雜的隱含信息推理是知識推理的一大挑戰(zhàn)
• 現(xiàn)有的知識推理往往都是基于大量高質量的數(shù)據(jù)集訓練推理模型，在相應的測試集中測試優(yōu)化模型來完成推理．除了數(shù)據(jù)集獲取成本高的問題，通過數(shù)據(jù)集訓練的模型的泛化能力也極為有限，而現(xiàn)實世界中人類通過少量樣本學習即可完成推理．如何模仿人腦機制實現(xiàn)小樣本或零樣本學習知識推理也是一大挑戰(zhàn)
• 知識圖譜中知識的有效性往往受到時間空間等動態(tài)因素約束，如何合理利用知識的動態(tài)約束信息完成動態(tài)推理也是知識推理的一大挑戰(zhàn)

知識的表示、存儲和查詢

挑戰(zhàn)：

• 目前，應用在行業(yè)領域的知識圖譜因為很大程度上依賴人工的參與構建，成本高昂．大多數(shù)研究工作主要針對知識圖譜的半自動構建，如何自動構建高質量知識圖譜是知識圖譜應用所面臨的一大挑戰(zhàn)
• 知識擁有指導功能，利用知識圖譜中的知識引導機器學習中的數(shù)據(jù)學習，從而降低數(shù)據(jù)依賴打破數(shù)據(jù)紅利損耗殆盡后的僵局，是知識圖譜應用面臨的一大挑戰(zhàn)
• 利用人類易懂的符號化知識圖譜，解釋各類機器學習特別是深度學習的過程，補足其在可解釋性方面的短板，也是知識圖譜應用面臨的一大挑戰(zhàn)
• 未來，能否應用知識圖譜中的知識，作為已知的經(jīng)驗，通過訓練構建人工智能層面上的心智模型，同樣是知識圖譜應用的一大挑戰(zhàn)

知識圖譜中的知識引導機器學習中的數(shù)據(jù)學習，從而降低數(shù)據(jù)依賴打破數(shù)據(jù)紅利損耗殆盡后的僵局，是知識圖譜應用面臨的一大挑戰(zhàn)

• 利用人類易懂的符號化知識圖譜，解釋各類機器學習特別是深度學習的過程，補足其在可解釋性方面的短板，也是知識圖譜應用面臨的一大挑戰(zhàn)
• 未來，能否應用知識圖譜中的知識，作為已知的經(jīng)驗，通過訓練構建人工智能層面上的心智模型，同樣是知識圖譜應用的一大挑戰(zhàn)

總結

以上是生活随笔為你收集整理的知识图谱关键技术总览的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。