對知識圖譜有興趣的讀者可以關注我的知乎專欄，主要介紹知識圖譜的相關概念、技術，也包含一些具體實踐。

今天和大家分享一下阿里2017云棲大會知識圖譜專場的內容，一共有六場報告。

知識圖譜在阿里的發(fā)展。

清華大學李涓子老師從知識工程的角度講解機器智能。

新加坡資訊通信研究院的蘇儉老師分享了他們在在自然語言處理方面的工作。

浙江大學陳華均老師介紹了中文知識圖譜概況。

狗尾草CTO王昊奮結合他們的產品——琥珀，介紹了知識圖譜在聊天機器人上的應用。

東南大學漆桂林老師介紹了知識圖譜推理技術的進展及應用。

網上有整個報告的視頻，接近四個小時。我在下面列出了每個報告的提綱或者部分內容，讀者可以觀看自己感興趣的部分或者完整視頻。

一、阿里知識圖譜現狀

在阿里，知識圖譜有兩個重量級應用：淘寶的商品知識圖譜和神馬搜索的通用知識圖譜。下圖是各自的發(fā)展歷程：

第一部分：如何建設商品知識圖譜

淘寶商品知識圖譜的大致框架、建設步驟、核心技術和實際中的應用：

• 建設步驟
  • Schema和工具
  • 核心數據
  • 智能服務
• 核心技術
  • 信息提取：NER、EL、Relation Extraction
  • 知識表示與推理
• 面向應用
  • 數據分析與數據模型構建
  • 智能問答
  • 搜索

下圖是商品知識圖譜的數據大圖：

其包含了四個核心節(jié)點：商品、產品、品牌、條碼。圍繞著這四個節(jié)點進行擴展，最終形成知識圖譜中實體的關系結構。

讀者可能不能很好地區(qū)分圖中產品和商品的概念，主講人給出了解釋：產品是由阿里進行統(tǒng)一規(guī)范，商品是產品的次級概念，由商家在這個基礎上擴充其定義。比如iphoneX是一個產品，商家A賣的iphoneX則定義為商品iphoneX-A，商家B賣的iphoneX則定義為商品iphoneX-B。這種結構使系統(tǒng)能夠對商品進行更好地分析（比如統(tǒng)計銷量）。

存儲

商品圖譜數據在百億級，圖數據庫存儲開銷很大。為了保證毫秒級響應和成本控制的考量，阿里的研究團隊采用了分級存儲的架構：

分級存儲：

• 在線圖數據庫提供在線服務，毫秒級查詢，
• 在線關系數據庫，解決在圖數據庫中跨多個本體，長路徑的查詢響應慢的問題。
• 搜索引擎，支持模糊匹配，節(jié)點倒排索引。
• 緩存，數據模型（算法包）和數據分析。
• 離線關系數據庫，存儲全量數據。

智能識別引擎

對用戶查詢進行自然語言處理，得到關鍵詞，查詢知識圖譜，返回用戶需要的商品。

推理引擎

• 一級翻譯器：將自然語言轉換成邏輯語言（規(guī)則/神經網絡模型）
• 推理單元：基于商品知識圖譜邏輯展開
• 二級翻譯器：邏輯語言轉為數據庫語言

應用：導購

• 賣點標注
• 知識圖譜有商品條碼，包含配料表信息。保證商家上傳的配料表正確。
• 推理引擎判斷是否符合國家標準，匹配對應的標簽。
• 熱點挖掘
• 從公共媒體挖掘熱點 。
• 利用推理引擎和商品知識對相關商品自動識別和標注。
• 場景構建
  • 根據場景推薦相關商品（去海邊玩，可以買哪些東西）。

第二部分：通用知識圖譜構建和應用

移動搜索的發(fā)展路徑：

神馬知識圖譜的特點：

構建方法：

知識圖譜在通用領域的應用：

1.知識卡片

在專欄的第一篇文章中我們也提到過，知識卡片能夠提升用戶查詢的體驗。

2.精準問答

3.基于知識圖譜的實體推薦

二、知識工程：機器智能的加速器

1.數據、知識與智能

為數據添加語義信息，從而得到知識；知識為智能的產生提供支持。

2.知識工程四十年

這一部分我們在之前的文章也有介紹過，知識圖譜是怎么從語義網絡、專家系統(tǒng)、語義網發(fā)展過來的。

3.大數據環(huán)境下知識工程挑戰(zhàn)及研究內容

4.在科技大數據中的應用

李老師以清華大學學術大數據項目AMiner為例，介紹了知識圖譜的具體應用場景。Aminer構建了一個學者的社交網絡，提供了比較全面的搜索和數據挖掘服務。AMiner對搞學術研究的讀者幫助比較大，可以方便地查到某個領域有哪些頂尖學者、或者出眾的論文。有時候我們可能會碰到這種情況，想了解論文作者的具體信息，但是有些情況下，我們在搜索引擎中并不能通過作者的名字查到相關信息，尤其是中國的作者（同名和多字同音增加了搜索難度）。但是通過AMiner，也許你能夠更快地找到你需要的信息。例如，一開始我并不知道蘇儉老師名字的儉，我通過搜索引擎搜索su jian加上她所在的單位，最后才費力地找到她的中文名。通過AMiner，輸入su jian，第一個結果就是她的條目（超過1000個結果，但是她的引用數最高）。有興趣的讀者可以自己去探索一下這個系統(tǒng)。

三、Semantic and sentiment analysis for KG construction

蘇儉老師分享了他們在在自然語言處理方面的工作。包括命名實體識別、指代消歧、實體鏈接、關系抽取、事件抽取、文本分類、情感分析。

四、中文知識圖譜概況

浙江大學陳華均老師介紹了：

知識表示的兩種方式：符號表示和向量表示（對應人工智能兩個流派，符號主義和連接主義）。

知識圖譜歷史淵源。

應用：KG輔助搜索、KG輔助問答、KG輔助語言理解、KG輔助數據分析。

知識圖譜工程

OpenKG社區(qū)及相關工具介紹

五、當知識圖譜遇上聊天機器人：機遇與挑戰(zhàn)

狗尾草CTO王昊奮結合他們的產品——琥珀，從四個方面做了如下報告：

1.聊天機器人簡介

2.技術挑戰(zhàn)

3.需要什么樣的知識圖譜

4.聊天機器人的機遇和挑戰(zhàn)

六、知識圖譜推理技術的進展及應用

漆桂林老師報告內容分為下面三塊：

知識圖譜歷史回顧

基于本體的推理及應用

基于規(guī)則的推理及應用

總結

以上是生活随笔為你收集整理的（分享）2017云栖大会知识图谱专场的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。