AI深入淺出

關(guān)注

作者 | 李文哲，人工智能、知識(shí)圖譜領(lǐng)域?qū)＜?/span>

導(dǎo)讀：從一開(kāi)始的Google搜索，到現(xiàn)在的聊天機(jī)器人、大數(shù)據(jù)風(fēng)控、證券投資、智能醫(yī)療、自適應(yīng)教育、推薦系統(tǒng)，無(wú)一不跟知識(shí)圖譜相關(guān)。它在技術(shù)領(lǐng)域的熱度也在逐年上升。 本文以通俗易懂的方式來(lái)講解知識(shí)圖譜相關(guān)的知識(shí)、尤其對(duì)從零開(kāi)始搭建知識(shí)圖譜過(guò)程當(dāng)中需要經(jīng)歷的步驟以及每個(gè)階段需要考慮的問(wèn)題都給予了比較詳細(xì)的解釋。 對(duì)于讀者，我們不要求有任何AI相關(guān)的背景知識(shí)。

目錄：

概論

什么是知識(shí)圖譜

知識(shí)圖譜的表示

知識(shí)抽取

知識(shí)圖譜的存儲(chǔ)

金融知識(shí)圖譜的搭建

定義具體的業(yè)務(wù)問(wèn)題

數(shù)據(jù)收集 & 預(yù)處理

知識(shí)圖譜的設(shè)計(jì)

把數(shù)據(jù)存入知識(shí)圖譜

上層應(yīng)用的開(kāi)發(fā)

知識(shí)圖譜在其他行業(yè)中的應(yīng)用

實(shí)踐上的幾點(diǎn)建議

結(jié)語(yǔ)

1. 概論

隨著移動(dòng)互聯(lián)網(wǎng)的發(fā)展，萬(wàn)物互聯(lián)成為了可能，這種互聯(lián)所產(chǎn)生的數(shù)據(jù)也在爆發(fā)式地增長(zhǎng)，而且這些數(shù)據(jù)恰好可以作為分析關(guān)系的有效原料。如果說(shuō)以往的智能分析專注在每一個(gè)個(gè)體上，在移動(dòng)互聯(lián)網(wǎng)時(shí)代則除了個(gè)體，這種個(gè)體之間的關(guān)系也必然成為我們需要深入分析的很重要一部分。 在一項(xiàng)任務(wù)中，只要有關(guān)系分析的需求，知識(shí)圖譜就“有可能”派的上用場(chǎng)。

2. 什么是知識(shí)圖譜？

知識(shí)圖譜是由Google公司在2012年提出來(lái)的一個(gè)新的概念。從學(xué)術(shù)的角度，我們可以對(duì)知識(shí)圖譜給一個(gè)這樣的定義：“知識(shí)圖譜本質(zhì)上是語(yǔ)義網(wǎng)絡(luò)（Semantic Network）的知識(shí)庫(kù)”。但這有點(diǎn)抽象，所以換個(gè)角度，從實(shí)際應(yīng)用的角度出發(fā)其實(shí)可以簡(jiǎn)單地把知識(shí)圖譜理解成多關(guān)系圖（Multi-relational Graph）。?

那什么叫多關(guān)系圖呢？ 學(xué)過(guò)數(shù)據(jù)結(jié)構(gòu)的都應(yīng)該知道什么是圖（Graph）。圖是由節(jié)點(diǎn)（Vertex）和邊（Edge）來(lái)構(gòu)成，但這些圖通常只包含一種類型的節(jié)點(diǎn)和邊。但相反，多關(guān)系圖一般包含多種類型的節(jié)點(diǎn)和多種類型的邊。比如左下圖表示一個(gè)經(jīng)典的圖結(jié)構(gòu)，右邊的圖則表示多關(guān)系圖，因?yàn)閳D里包含了多種類型的節(jié)點(diǎn)和邊。這些類型由不同的顏色來(lái)標(biāo)記。

在知識(shí)圖譜里，我們通常用“實(shí)體（Entity）”來(lái)表達(dá)圖里的節(jié)點(diǎn)、用“關(guān)系（Relation）”來(lái)表達(dá)圖里的“邊”。實(shí)體指的是現(xiàn)實(shí)世界中的事物比如人、地名、概念、藥物、公司等，關(guān)系則用來(lái)表達(dá)不同實(shí)體之間的某種聯(lián)系，比如人-“居住在”-北京、張三和李四是“朋友”、邏輯回歸是深度學(xué)習(xí)的“先導(dǎo)知識(shí)”等等。

現(xiàn)實(shí)世界中的很多場(chǎng)景非常適合用知識(shí)圖譜來(lái)表達(dá)。 比如一個(gè)社交網(wǎng)絡(luò)圖譜里，我們既可以有“人”的實(shí)體，也可以包含“公司”實(shí)體。人和人之間的關(guān)系可以是“朋友”，也可以是“同事”關(guān)系。人和公司之間的關(guān)系可以是“現(xiàn)任職”或者“曾任職”的關(guān)系。 類似的，一個(gè)風(fēng)控知識(shí)圖譜可以包含“電話”、“公司”的實(shí)體，電話和電話之間的關(guān)系可以是“通話”關(guān)系，而且每個(gè)公司它也會(huì)有固定的電話。?

3. 知識(shí)圖譜的表示

知識(shí)圖譜應(yīng)用的前提是已經(jīng)構(gòu)建好了知識(shí)圖譜，也可以把它認(rèn)為是一個(gè)知識(shí)庫(kù)。這也是為什么它可以用來(lái)回答一些搜索相關(guān)問(wèn)題的原因，比如在Google搜索引擎里輸入“Who is the wife of Bill Gates?”，我們直接可以得到答案-“Melinda Gates”。這是因?yàn)槲覀冊(cè)谙到y(tǒng)層面上已經(jīng)創(chuàng)建好了一個(gè)包含“Bill Gates”和“Melinda Gates”的實(shí)體以及他倆之間關(guān)系的知識(shí)庫(kù)。所以，當(dāng)我們執(zhí)行搜索的時(shí)候，就可以通過(guò)關(guān)鍵詞提取（"Bill Gates", "Melinda Gates", "wife"）以及知識(shí)庫(kù)上的匹配可以直接獲得最終的答案。這種搜索方式跟傳統(tǒng)的搜索引擎是不一樣的，一個(gè)傳統(tǒng)的搜索引擎它返回的是網(wǎng)頁(yè)、而不是最終的答案，所以就多了一層用戶自己篩選并過(guò)濾信息的過(guò)程。??

在現(xiàn)實(shí)世界中，實(shí)體和關(guān)系也會(huì)擁有各自的屬性，比如人可以有“姓名”和“年齡”。當(dāng)一個(gè)知識(shí)圖譜擁有屬性時(shí)，我們可以用屬性圖（Property Graph）來(lái)表示。下面的圖表示一個(gè)簡(jiǎn)單的屬性圖。李明和李飛是父子關(guān)系，并且李明擁有一個(gè)138開(kāi)頭的電話號(hào)，這個(gè)電話號(hào)開(kāi)通時(shí)間是2018年，其中2018年就可以作為關(guān)系的屬性。類似的，李明本人也帶有一些屬性值比如年齡為25歲、職位是總經(jīng)理等。?

這種屬性圖的表達(dá)很貼近現(xiàn)實(shí)生活中的場(chǎng)景，也可以很好地描述業(yè)務(wù)中所包含的邏輯。除了屬性圖，知識(shí)圖譜也可以用RDF來(lái)表示，它是由很多的三元組（Triples）來(lái)組成。RDF在設(shè)計(jì)上的主要特點(diǎn)是易于發(fā)布和分享數(shù)據(jù)，但不支持實(shí)體或關(guān)系擁有屬性，如果非要加上屬性，則在設(shè)計(jì)上需要做一些修改。目前來(lái)看，RDF主要還是用于學(xué)術(shù)的場(chǎng)景，在工業(yè)界我們更多的還是采用圖數(shù)據(jù)庫(kù)（比如用來(lái)存儲(chǔ)屬性圖）的方式。感興趣的讀者可以參考RDF的相關(guān)文獻(xiàn)，在文本里不多做解釋。

4. 知識(shí)抽取

知識(shí)圖譜的構(gòu)建是后續(xù)應(yīng)用的基礎(chǔ)，而且構(gòu)建的前提是需要把數(shù)據(jù)從不同的數(shù)據(jù)源中抽取出來(lái)。對(duì)于垂直領(lǐng)域的知識(shí)圖譜來(lái)說(shuō)，它們的數(shù)據(jù)源主要來(lái)自兩種渠道：一種是業(yè)務(wù)本身的數(shù)據(jù)，這部分?jǐn)?shù)據(jù)通常包含在公司內(nèi)的數(shù)據(jù)庫(kù)表并以結(jié)構(gòu)化的方式存儲(chǔ)；另一種是網(wǎng)絡(luò)上公開(kāi)、抓取的數(shù)據(jù)，這些數(shù)據(jù)通常是以網(wǎng)頁(yè)的形式存在所以是非結(jié)構(gòu)化的數(shù)據(jù)。

前者一般只需要簡(jiǎn)單預(yù)處理即可以作為后續(xù)AI系統(tǒng)的輸入，但后者一般需要借助于自然語(yǔ)言處理等技術(shù)來(lái)提取出結(jié)構(gòu)化信息。比如在上面的搜索例子里，Bill Gates和Malinda Gate的關(guān)系就可以從非結(jié)構(gòu)化數(shù)據(jù)中提煉出來(lái)，比如維基百科等數(shù)據(jù)源。

信息抽取的難點(diǎn)在于處理非結(jié)構(gòu)化數(shù)據(jù)。在下面的圖中，我們給出了一個(gè)實(shí)例。左邊是一段非結(jié)構(gòu)化的英文文本，右邊是從這些文本中抽取出來(lái)的實(shí)體和關(guān)系。在構(gòu)建類似的圖譜過(guò)程當(dāng)中，主要涉及以下幾個(gè)方面的自然語(yǔ)言處理技術(shù)：??

a. 實(shí)體命名識(shí)別（Name Entity Recognition） ? ?

b. 關(guān)系抽取（Relation Extraction） ? ?

c. 實(shí)體統(tǒng)一（Entity Resolution） ? ?

d. 指代消解（Coreference Resolution）

下面針對(duì)每一項(xiàng)技術(shù)解決的問(wèn)題做簡(jiǎn)單的描述，以至于這些是具體怎么實(shí)現(xiàn)的，不在這里一一展開(kāi)，感興趣的讀者可以查閱相關(guān)資料，或者學(xué)習(xí)我的課程。

首先是實(shí)體命名識(shí)別，就是從文本里提取出實(shí)體并對(duì)每個(gè)實(shí)體做分類/打標(biāo)簽：比如從上述文本里，我們可以提取出實(shí)體-“NYC”，并標(biāo)記實(shí)體類型為 “Location”；我們也可以從中提取出“Virgil's BBQ”，并標(biāo)記實(shí)體類型為“Restarant”。這種過(guò)程稱之為實(shí)體命名識(shí)別，這是一項(xiàng)相對(duì)比較成熟的技術(shù)，有一些現(xiàn)成的工具可以用來(lái)做這件事情。其次，我們可以通過(guò)關(guān)系抽取技術(shù)，把實(shí)體間的關(guān)系從文本中提取出來(lái)，比如實(shí)體“hotel”和“Hilton property”之間的關(guān)系為“in”；“hotel”和“Time Square”的關(guān)系為“near”等等。

另外，在實(shí)體命名識(shí)別和關(guān)系抽取過(guò)程中，有兩個(gè)比較棘手的問(wèn)題：一個(gè)是實(shí)體統(tǒng)一，也就是說(shuō)有些實(shí)體寫法上不一樣，但其實(shí)是指向同一個(gè)實(shí)體。比如“NYC”和“New York”表面上是不同的字符串，但其實(shí)指的都是紐約這個(gè)城市，需要合并。實(shí)體統(tǒng)一不僅可以減少實(shí)體的種類，也可以降低圖譜的稀疏性（Sparsity）；另一個(gè)問(wèn)題是指代消解，也是文本中出現(xiàn)的“it”, “he”, “she”這些詞到底指向哪個(gè)實(shí)體，比如在本文里兩個(gè)被標(biāo)記出來(lái)的“it”都指向“hotel”這個(gè)實(shí)體。



實(shí)體統(tǒng)一和指代消解問(wèn)題相對(duì)于前兩個(gè)問(wèn)題更具有挑戰(zhàn)性。

5. 知識(shí)圖譜的存儲(chǔ)

知識(shí)圖譜主要有兩種存儲(chǔ)方式：一種是基于RDF的存儲(chǔ)；另一種是基于圖數(shù)據(jù)庫(kù)的存儲(chǔ)。它們之間的區(qū)別如下圖所示。RDF一個(gè)重要的設(shè)計(jì)原則是數(shù)據(jù)的易發(fā)布以及共享，圖數(shù)據(jù)庫(kù)則把重點(diǎn)放在了高效的圖查詢和搜索上。其次，RDF以三元組的方式來(lái)存儲(chǔ)數(shù)據(jù)而且不包含屬性信息，但圖數(shù)據(jù)庫(kù)一般以屬性圖為基本的表示形式，所以實(shí)體和關(guān)系可以包含屬性，這就意味著更容易表達(dá)現(xiàn)實(shí)的業(yè)務(wù)場(chǎng)景。

根據(jù)最新的統(tǒng)計(jì)（2018年上半年），圖數(shù)據(jù)庫(kù)仍然是增長(zhǎng)最快的存儲(chǔ)系統(tǒng)。相反，關(guān)系型數(shù)據(jù)庫(kù)的增長(zhǎng)基本保持在一個(gè)穩(wěn)定的水平。同時(shí)，我們也列出了常用的圖數(shù)據(jù)庫(kù)系統(tǒng)以及他們最新使用情況的排名。 其中Neo4j系統(tǒng)目前仍是使用率最高的圖數(shù)據(jù)庫(kù)，它擁有活躍的社區(qū)，而且系統(tǒng)本身的查詢效率高，但唯一的不足就是不支持準(zhǔn)分布式。相反，OrientDB和JanusGraph（原Titan）支持分布式，但這些系統(tǒng)相對(duì)較新，社區(qū)不如Neo4j活躍，這也就意味著使用過(guò)程當(dāng)中不可避免地會(huì)遇到一些刺手的問(wèn)題。如果選擇使用RDF的存儲(chǔ)系統(tǒng)，Jena或許一個(gè)比較不錯(cuò)的選擇。

6. 金融知識(shí)圖譜的搭建

接下來(lái)我們看一個(gè)實(shí)際的具體案例，講解怎么一步步搭建可落地的金融風(fēng)控領(lǐng)域的知識(shí)圖譜系統(tǒng)。 首先需要說(shuō)明的一點(diǎn)是，有可能不少人認(rèn)為搭建一個(gè)知識(shí)圖譜系統(tǒng)的重點(diǎn)在于算法和開(kāi)發(fā)。但事實(shí)并不是想象中的那樣，其實(shí)最重要的核心在于對(duì)業(yè)務(wù)的理解以及對(duì)知識(shí)圖譜本身的設(shè)計(jì)，這就類似于對(duì)于一個(gè)業(yè)務(wù)系統(tǒng)，數(shù)據(jù)庫(kù)表的設(shè)計(jì)尤其關(guān)鍵，而且這種設(shè)計(jì)絕對(duì)離不開(kāi)對(duì)業(yè)務(wù)的深入理解以及對(duì)未來(lái)業(yè)務(wù)場(chǎng)景變化的預(yù)估。 當(dāng)然，在這里我們先不討論數(shù)據(jù)的重要性。



一個(gè)完整的知識(shí)圖譜的構(gòu)建包含以下幾個(gè)步驟：1. 定義具體的業(yè)務(wù)問(wèn)題? 2. 數(shù)據(jù)的收集 & 預(yù)處理 ?3. 知識(shí)圖譜的設(shè)計(jì) ?4. 把數(shù)據(jù)存入知識(shí)圖譜? 5. 上層應(yīng)用的開(kāi)發(fā)，以及系統(tǒng)的評(píng)估。下面我們就按照這個(gè)流程來(lái)講一下每個(gè)步驟所需要做的事情以及需要思考的問(wèn)題。?

6.1 定義具體的業(yè)務(wù)問(wèn)題

在P2P網(wǎng)貸環(huán)境下，最核心的問(wèn)題是風(fēng)控，也就是怎么去評(píng)估一個(gè)借款人的風(fēng)險(xiǎn)。在線上的環(huán)境下，欺詐風(fēng)險(xiǎn)尤其為嚴(yán)重，而且很多這種風(fēng)險(xiǎn)隱藏在復(fù)雜的關(guān)系網(wǎng)絡(luò)之中，而且知識(shí)圖譜正好是為這類問(wèn)題所設(shè)計(jì)的，所以我們“有可能”期待它能在欺詐，這個(gè)問(wèn)題上帶來(lái)一些價(jià)值。?

在進(jìn)入下一個(gè)話題的討論之前，要明確的一點(diǎn)是，對(duì)于自身的業(yè)務(wù)問(wèn)題到底需不需要知識(shí)圖譜系統(tǒng)的支持。因?yàn)樵诤芏嗟膶?shí)際場(chǎng)景，即使對(duì)關(guān)系的分析有一定的需求，實(shí)際上也可以利用傳統(tǒng)數(shù)據(jù)庫(kù)來(lái)完成分析的。所以為了避免使用知識(shí)圖譜而選擇知識(shí)圖譜，以及更好的技術(shù)選型，以下給出了幾點(diǎn)總結(jié)，供參考。



6.2 數(shù)據(jù)收集 & 預(yù)處理

下一步就是要確定數(shù)據(jù)源以及做必要的數(shù)據(jù)預(yù)處理。針對(duì)于數(shù)據(jù)源，我們需要考慮以下幾點(diǎn)：1. 我們已經(jīng)有哪些數(shù)據(jù)？ 2. 雖然現(xiàn)在沒(méi)有，但有可能拿到哪些數(shù)據(jù)？ 3. ?其中哪部分?jǐn)?shù)據(jù)可以用來(lái)降低風(fēng)險(xiǎn)？ 4. 哪部分?jǐn)?shù)據(jù)可以用來(lái)構(gòu)建知識(shí)圖譜？在這里需要說(shuō)明的一點(diǎn)是，并不是所有跟反欺詐相關(guān)的數(shù)據(jù)都必須要進(jìn)入知識(shí)圖譜，對(duì)于這部分的一些決策原則在接下來(lái)的部分會(huì)有比較詳細(xì)的介紹。

對(duì)于反欺詐，有幾個(gè)數(shù)據(jù)源是我們很容易想得到的，包括用戶的基本信息、行為數(shù)據(jù)、運(yùn)營(yíng)商數(shù)據(jù)、網(wǎng)絡(luò)上的公開(kāi)信息等等。假設(shè)我們已經(jīng)有了一個(gè)數(shù)據(jù)源的列表清單，則下一步就要看哪些數(shù)據(jù)需要進(jìn)一步的處理，比如對(duì)于非結(jié)構(gòu)化數(shù)據(jù)我們或多或少都需要用到跟自然語(yǔ)言處理相關(guān)的技術(shù)。 用戶填寫的基本信息基本上會(huì)存儲(chǔ)在業(yè)務(wù)表里，除了個(gè)別字段需要進(jìn)一步處理，很多字段則直接可以用于建模或者添加到知識(shí)圖譜系統(tǒng)里。對(duì)于行為數(shù)據(jù)來(lái)說(shuō)，我們則需要通過(guò)一些簡(jiǎn)單的處理，并從中提取有效的信息比如“用戶在某個(gè)頁(yè)面停留時(shí)長(zhǎng)”等等。 對(duì)于網(wǎng)絡(luò)上公開(kāi)的網(wǎng)頁(yè)數(shù)據(jù)，則需要一些信息抽取相關(guān)的技術(shù)。

舉個(gè)例子，對(duì)于用戶的基本信息，我們很可能需要如下的操作。一方面，用戶信息比如姓名、年齡、學(xué)歷等字段可以直接從結(jié)構(gòu)化數(shù)據(jù)庫(kù)中提取并使用。但另一方面，對(duì)于填寫的公司名來(lái)說(shuō)，我們有可能需要做進(jìn)一步的處理。比如部分用戶填寫“北京貪心科技有限公司”，另外一部分用戶填寫“北京望京貪心科技有限公司”，其實(shí)指向的都是同一家公司。所以，這時(shí)候我們需要做公司名的對(duì)齊，用到的技術(shù)細(xì)節(jié)可以參考前面講到的實(shí)體對(duì)齊技術(shù)。

6.3 知識(shí)圖譜的設(shè)計(jì)

圖譜的設(shè)計(jì)是一門藝術(shù)，不僅要對(duì)業(yè)務(wù)有很深的理解、也需要對(duì)未來(lái)業(yè)務(wù)可能的變化有一定預(yù)估，從而設(shè)計(jì)出最貼近現(xiàn)狀并且性能高效的系統(tǒng)。在知識(shí)圖譜設(shè)計(jì)的問(wèn)題上，我們肯定會(huì)面臨以下幾個(gè)常見(jiàn)的問(wèn)題：1. 需要哪些實(shí)體、關(guān)系和屬性？ 2. ?哪些屬性可以做為實(shí)體，哪些實(shí)體可以作為屬性？ 3. 哪些信息不需要放在知識(shí)圖譜中？?

基于這些常見(jiàn)的問(wèn)題，我們從以往的設(shè)計(jì)經(jīng)驗(yàn)中抽象出了一系列的設(shè)計(jì)原則。這些設(shè)計(jì)原則就類似于傳統(tǒng)數(shù)據(jù)庫(kù)設(shè)計(jì)中的范式，來(lái)引導(dǎo)相關(guān)人員設(shè)計(jì)出更合理的知識(shí)圖譜系統(tǒng)，同時(shí)保證系統(tǒng)的高效性。

接下來(lái)，我們舉幾個(gè)簡(jiǎn)單的例子來(lái)說(shuō)明其中的一些原則。 首先是，業(yè)務(wù)原則（Business Principle），它的含義是 “一切要從業(yè)務(wù)邏輯出發(fā)，并且通過(guò)觀察知識(shí)圖譜的設(shè)計(jì)也很容易推測(cè)其背后業(yè)務(wù)的邏輯，而且設(shè)計(jì)時(shí)也要想好未來(lái)業(yè)務(wù)可能的變化”。

舉個(gè)例子，可以觀察一下下面這個(gè)圖譜，并試問(wèn)自己背后的業(yè)務(wù)邏輯是什么。通過(guò)一番觀察，其實(shí)也很難看出到底業(yè)務(wù)流程是什么樣的。做個(gè)簡(jiǎn)單的解釋，這里的實(shí)體-“申請(qǐng)”意思就是application，如果對(duì)這個(gè)領(lǐng)域有所了解，其實(shí)就是進(jìn)件實(shí)體。在下面的圖中，申請(qǐng)和電話實(shí)體之間的“has_phone”，“parent phone”是什么意思呢？

接下來(lái)再看一下下面的圖，跟之前的區(qū)別在于我們把申請(qǐng)人從原有的屬性中抽取出來(lái)并設(shè)置成了一個(gè)單獨(dú)的實(shí)體。在這種情況下，整個(gè)業(yè)務(wù)邏輯就變得很清晰，我們很容易看出張三申請(qǐng)了兩個(gè)貸款，而且張三擁有兩個(gè)手機(jī)號(hào)，在申請(qǐng)其中一個(gè)貸款的時(shí)候他填寫了父母的電話號(hào)。總而言之，一個(gè)好的設(shè)計(jì)很容易讓人看到業(yè)務(wù)本身的邏輯。

接下來(lái)再看一個(gè)原則叫做效率原則（Efficiency Principle）。?效率原則讓知識(shí)圖譜盡量輕量化、并決定哪些數(shù)據(jù)放在知識(shí)圖譜，哪些數(shù)據(jù)不需要放在知識(shí)圖譜。在這里舉一個(gè)簡(jiǎn)單的類比，在經(jīng)典的計(jì)算機(jī)存儲(chǔ)系統(tǒng)中，我們經(jīng)常會(huì)談?wù)摰絻?nèi)存和硬盤，內(nèi)存作為高效的訪問(wèn)載體，作為所有程序運(yùn)行的關(guān)鍵。這種存儲(chǔ)上的層次結(jié)構(gòu)設(shè)計(jì)源于數(shù)據(jù)的局部性-“l(fā)ocality”，也就是說(shuō)經(jīng)常被訪問(wèn)到的數(shù)據(jù)集中在某一個(gè)區(qū)塊上，所以這部分?jǐn)?shù)據(jù)可以放到內(nèi)存中來(lái)提升訪問(wèn)的效率。 類似的邏輯也可以應(yīng)用到知識(shí)圖譜的設(shè)計(jì)上：我們把常用的信息存放在知識(shí)圖譜中，把那些訪問(wèn)頻率不高，對(duì)關(guān)系分析無(wú)關(guān)緊要的信息放在傳統(tǒng)的關(guān)系型數(shù)據(jù)庫(kù)當(dāng)中。?效率原則的核心在于把知識(shí)圖譜設(shè)計(jì)成小而輕的存儲(chǔ)載體。

比如在下面的知識(shí)圖譜中，我們完全可以把一些信息比如“年齡”，“家鄉(xiāng)”放到傳統(tǒng)的關(guān)系型數(shù)據(jù)庫(kù)當(dāng)中，因?yàn)檫@些數(shù)據(jù)對(duì)于：a. 分析關(guān)系來(lái)說(shuō)沒(méi)有太多作用 ? b. ?訪問(wèn)頻率低，放在知識(shí)圖譜上反而影響效率

另外，從分析原則（Analytics Principle）的角度，我們不需要把跟關(guān)系分析無(wú)關(guān)的實(shí)體放在圖譜當(dāng)中；從冗余原則（Redundancy Principle）的角度，有些重復(fù)性信息、高頻信息可以放到傳統(tǒng)數(shù)據(jù)庫(kù)當(dāng)中。

6.4 把數(shù)據(jù)存入知識(shí)圖譜

存儲(chǔ)上我們要面臨存儲(chǔ)系統(tǒng)的選擇，但由于我們?cè)O(shè)計(jì)的知識(shí)圖譜帶有屬性，圖數(shù)據(jù)庫(kù)可以作為首選。但至于選擇哪個(gè)圖數(shù)據(jù)庫(kù)也要看業(yè)務(wù)量以及對(duì)效率的要求。如果數(shù)據(jù)量特別龐大，則Neo4j很可能滿足不了業(yè)務(wù)的需求，這時(shí)候不得不去選擇支持準(zhǔn)分布式的系統(tǒng)比如OrientDB, JanusGraph等，或者通過(guò)效率、冗余原則把信息存放在傳統(tǒng)數(shù)據(jù)庫(kù)中，從而減少知識(shí)圖譜所承載的信息量。 通常來(lái)講，對(duì)于10億節(jié)點(diǎn)以下規(guī)模的圖譜來(lái)說(shuō)Neo4j已經(jīng)足夠了。

6.5 上層應(yīng)用的開(kāi)發(fā)

等我們構(gòu)建好知識(shí)圖譜之后，接下來(lái)就要使用它來(lái)解決具體的問(wèn)題。對(duì)于風(fēng)控知識(shí)圖譜來(lái)說(shuō)，首要任務(wù)就是挖掘關(guān)系網(wǎng)絡(luò)中隱藏的欺詐風(fēng)險(xiǎn)。從算法的角度來(lái)講，有兩種不同的場(chǎng)景：一種是基于規(guī)則的；另一種是基于概率的。鑒于目前AI技術(shù)的現(xiàn)狀，基于規(guī)則的方法論還是在垂直領(lǐng)域的應(yīng)用中占據(jù)主導(dǎo)地位，但隨著數(shù)據(jù)量的增加以及方法論的提升，基于概率的模型也將會(huì)逐步帶來(lái)更大的價(jià)值。

6.5.1 基于規(guī)則的方法論

首先，我們來(lái)看幾個(gè)基于規(guī)則的應(yīng)用，分別是不一致性驗(yàn)證、基于規(guī)則的特征提取、基于模式的判斷。

不一致性驗(yàn)證

為了判斷關(guān)系網(wǎng)絡(luò)中存在的風(fēng)險(xiǎn)，一種簡(jiǎn)單的方法就是做不一致性驗(yàn)證，也就是通過(guò)一些規(guī)則去找出潛在的矛盾點(diǎn)。這些規(guī)則是以人為的方式提前定義好的，所以在設(shè)計(jì)規(guī)則這個(gè)事情上需要一些業(yè)務(wù)的知識(shí)。比如在下面的這個(gè)圖中，李明和李飛兩個(gè)人都注明了同樣的公司電話，但實(shí)際上從數(shù)據(jù)庫(kù)中判斷這倆人其實(shí)在不同的公司上班，這就是一個(gè)矛盾點(diǎn)。 類似的規(guī)則其實(shí)可以有很多，不在這里一一列出。



基于規(guī)則提取特征

我們也可以基于規(guī)則從知識(shí)圖譜中提取一些特征，而且這些特征一般基于深度的搜索比如2度，3度甚至更高維度。比如我們可以問(wèn)一個(gè)這樣的問(wèn)題：“申請(qǐng)人二度關(guān)系里有多少個(gè)實(shí)體觸碰了黑名單？”，從圖中我們很容觀察到二度關(guān)系中有兩個(gè)實(shí)體觸碰了黑名單（黑名單由紅色來(lái)標(biāo)記）。等這些特征被提取之后，一般可以作為風(fēng)險(xiǎn)模型的輸入。在此還是想說(shuō)明一點(diǎn)，如果特征并不涉及深度的關(guān)系，其實(shí)傳統(tǒng)的關(guān)系型數(shù)據(jù)庫(kù)則足以滿足需求。



基于模式的判斷

這種方法比較適用于找出團(tuán)體欺詐，它的核心在于通過(guò)一些模式來(lái)找到有可能存在風(fēng)險(xiǎn)的團(tuán)體或者子圖（sub-graph），然后對(duì)這部分子圖做進(jìn)一步的分析。 這種模式有很多種，在這里舉幾個(gè)簡(jiǎn)單的例子。 比如在下圖中，三個(gè)實(shí)體共享了很多其他的信息，我們可以看做是一個(gè)團(tuán)體，并對(duì)其做進(jìn)一步的分析。

再比如，我們也可以從知識(shí)圖譜中找出強(qiáng)連通圖，并把它標(biāo)記出來(lái)，然后做進(jìn)一步風(fēng)險(xiǎn)分析。強(qiáng)連通圖意味著每一個(gè)節(jié)點(diǎn)都可以通過(guò)某種路徑達(dá)到其他的點(diǎn)，也就說(shuō)明這些節(jié)點(diǎn)之間有很強(qiáng)的關(guān)系。



6.5.2 基于概率的方法

除了基于規(guī)則的方法，也可以使用概率統(tǒng)計(jì)的方法。 比如社區(qū)挖掘、標(biāo)簽傳播、聚類等技術(shù)都屬于這個(gè)范疇。 對(duì)于這類技術(shù)，在本文里不做詳細(xì)的講解，感興趣的讀者可以參考相關(guān)文獻(xiàn)。

社區(qū)挖掘算法的目的在于從圖中找出一些社區(qū)。對(duì)于社區(qū)，我們可以有多種定義，但直觀上可以理解為社區(qū)內(nèi)節(jié)點(diǎn)之間關(guān)系的密度要明顯大于社區(qū)之間的關(guān)系密度。下面的圖表示社區(qū)發(fā)現(xiàn)之后的結(jié)果，圖中總共標(biāo)記了三個(gè)不同的社區(qū)。一旦我們得到這些社區(qū)之后，就可以做進(jìn)一步的風(fēng)險(xiǎn)分析。

由于社區(qū)挖掘是基于概率的方法論，好處在于不需要人為地去定義規(guī)則，特別是對(duì)于一個(gè)龐大的關(guān)系網(wǎng)絡(luò)來(lái)說(shuō)，定義規(guī)則這事情本身是一件很復(fù)雜的事情。

標(biāo)簽傳播算法的核心思想在于節(jié)點(diǎn)之間信息的傳遞。這就類似于，跟優(yōu)秀的人在一起自己也會(huì)逐漸地變優(yōu)秀是一個(gè)道理。因?yàn)橥ㄟ^(guò)這種關(guān)系會(huì)不斷地吸取高質(zhì)量的信息，最后使得自己也會(huì)不知不覺(jué)中變得更加優(yōu)秀。具體細(xì)節(jié)不在這里做更多解釋。

相比規(guī)則的方法論，基于概率的方法的缺點(diǎn)在于：需要足夠多的數(shù)據(jù)。如果數(shù)據(jù)量很少，而且整個(gè)圖譜比較稀疏（Sparse），基于規(guī)則的方法可以成為我們的首選。尤其是對(duì)于金融領(lǐng)域來(lái)說(shuō)，數(shù)據(jù)標(biāo)簽會(huì)比較少，這也是為什么基于規(guī)則的方法論還是更普遍地應(yīng)用在金融領(lǐng)域中的主要原因。

6.5.3 基于動(dòng)態(tài)網(wǎng)絡(luò)的分析

以上所有的分析都是基于靜態(tài)的關(guān)系圖譜。所謂的靜態(tài)關(guān)系圖譜，意味著我們不考慮圖譜結(jié)構(gòu)本身隨時(shí)間的變化，只是聚焦在當(dāng)前知識(shí)圖譜結(jié)構(gòu)上。然而，我們也知道圖譜的結(jié)構(gòu)是隨時(shí)間變化的，而且這些變化本身也可以跟風(fēng)險(xiǎn)有所關(guān)聯(lián)。

在下面的圖中，我們給出了一個(gè)知識(shí)圖譜T時(shí)刻和T+1時(shí)刻的結(jié)構(gòu)，我們很容易看出在這兩個(gè)時(shí)刻中間，圖譜結(jié)構(gòu)（或者部分結(jié)構(gòu)）發(fā)生了很明顯的變化，這其實(shí)暗示著潛在的風(fēng)險(xiǎn)。那怎么去判斷這些結(jié)構(gòu)上的變化呢？ 感興趣的讀者可以查閱跟“dynamic network mining”相關(guān)的文獻(xiàn)。



7. 知識(shí)圖譜在其他行業(yè)中的應(yīng)用

除了金融領(lǐng)域，知識(shí)圖譜的應(yīng)用可以涉及到很多其他的行業(yè)，包括醫(yī)療、教育、證券投資、推薦等等。其實(shí)，只要有關(guān)系存在，則有知識(shí)圖譜可發(fā)揮價(jià)值的地方。 在這里簡(jiǎn)單舉幾個(gè)垂直行業(yè)中的應(yīng)用。

比如對(duì)于教育行業(yè)，我們經(jīng)常談?wù)搨€(gè)性化教育、因材施教的理念。其核心在于理解學(xué)生當(dāng)前的知識(shí)體系，而且這種知識(shí)體系依賴于我們所獲取到的數(shù)據(jù)比如交互數(shù)據(jù)、評(píng)測(cè)數(shù)據(jù)、互動(dòng)數(shù)據(jù)等等。為了分析學(xué)習(xí)路徑以及知識(shí)結(jié)構(gòu)，我們則需要針對(duì)于一個(gè)領(lǐng)域的概念知識(shí)圖譜，簡(jiǎn)單來(lái)講就是概念拓?fù)浣Y(jié)構(gòu)。在下面的圖中，我們給出了一個(gè)非常簡(jiǎn)單的概念圖譜：比如為了學(xué)習(xí)邏輯回歸則需要先理解線性回歸；為了學(xué)習(xí)CNN，得對(duì)神經(jīng)網(wǎng)絡(luò)有所理解等等。所有對(duì)學(xué)生的評(píng)測(cè)、互動(dòng)分析都離不開(kāi)概念圖譜這個(gè)底層的數(shù)據(jù)。

在證券領(lǐng)域，我們經(jīng)常會(huì)關(guān)心比如“一個(gè)事件發(fā)生了，對(duì)哪些公司產(chǎn)生什么樣的影響？” 比如有一個(gè)負(fù)面消息是關(guān)于公司1的高管，而且我們知道公司1和公司2有種很密切的合作關(guān)系，公司2有個(gè)主營(yíng)產(chǎn)品是由公司3提供的原料基礎(chǔ)上做出來(lái)的。

其實(shí)有了這樣的一個(gè)知識(shí)圖譜，我們很容易回答哪些公司有可能會(huì)被這次的負(fù)面事件所影響。當(dāng)然，僅僅是“有可能”，具體會(huì)不會(huì)有強(qiáng)相關(guān)性必須由數(shù)據(jù)來(lái)驗(yàn)證。所以在這里，知識(shí)圖譜的好處就是把我們所需要關(guān)注的范圍很快給我們?nèi)Χā＝酉聛?lái)的問(wèn)題會(huì)更復(fù)雜一些，比如既然我們知道公司3有可能被這次事件所影響，那具體影響程度有多大？ 對(duì)于這個(gè)問(wèn)題，光靠知識(shí)圖譜是很難回答的，必須要有一個(gè)影響模型、以及需要一些歷史數(shù)據(jù)才能在知識(shí)圖譜中做進(jìn)一步推理以及計(jì)算。

8. 實(shí)踐上的幾點(diǎn)建議

首先，知識(shí)圖譜是一個(gè)比較新的工具，它的主要作用還是在于分析關(guān)系，尤其是深度的關(guān)系。所以在業(yè)務(wù)上，首先要確保它的必要性，其實(shí)很多問(wèn)題可以用非知識(shí)圖譜的方式來(lái)解決。

知識(shí)圖譜領(lǐng)域一個(gè)最重要的話題是知識(shí)的推理。 而且知識(shí)的推理是走向強(qiáng)人工智能的必經(jīng)之路。但很遺憾的，目前很多語(yǔ)義網(wǎng)絡(luò)的角度討論的推理技術(shù)（比如基于深度學(xué)習(xí)，概率統(tǒng)計(jì)）很難在實(shí)際的垂直應(yīng)用中落地。其實(shí)目前最有效的方式還是基于一些規(guī)則的方法論，除非我們有非常龐大的數(shù)據(jù)集。

最后，還是要強(qiáng)調(diào)一點(diǎn)，知識(shí)圖譜工程本身還是業(yè)務(wù)為重心，以數(shù)據(jù)為中心。不要低估業(yè)務(wù)和數(shù)據(jù)的重要性。

9. 結(jié)語(yǔ)

知識(shí)圖譜是一個(gè)既充滿挑戰(zhàn)而且非常有趣的領(lǐng)域。只要有正確的應(yīng)用場(chǎng)景，對(duì)于知識(shí)圖譜所能發(fā)揮的價(jià)值還是可以期待的。我相信在未來(lái)不到2，3年時(shí)間里，知識(shí)圖譜技術(shù)會(huì)普及到各個(gè)領(lǐng)域當(dāng)中。

---

往期更多精彩內(nèi)容

• 不得不了解的五種Attention模型方法及其應(yīng)用
  

• 趣味機(jī)器學(xué)習(xí)入門小項(xiàng)目（附教程與數(shù)據(jù)）

• 基于深度學(xué)習(xí)的NLP研究大盤點(diǎn)
  

• 快速學(xué)習(xí) Python 的全套14張思維導(dǎo)圖
  

• 搞算法的我們，不知道這些算法怎么行

不期待突如其來(lái)的好運(yùn)，只希望所有的努力終有回報(bào)。

歡迎轉(zhuǎn)發(fā)到朋友圈或分享給好友

總結(jié)

以上是生活随笔為你收集整理的如何构建行业知识图谱的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。