互聯(lián)網(wǎng)時代，人類在與自然和社會的交互中生產(chǎn)了異常龐大的數(shù)據(jù)，這些數(shù)據(jù)中包含了大量描述自然界和人類社會客觀規(guī)律有用信息。如何將這些信息有效組織起來，進(jìn)行結(jié)構(gòu)化的存儲，就是知識圖譜的內(nèi)容。

知識圖譜的難點在于知識圖譜的搭建，如何高效、高質(zhì)量、快速的搭建知識圖譜是知識圖譜工程的核心。搭建了一份知識圖譜之后，如何更好的利用和優(yōu)化它呢？今天我們介紹知識圖譜中的知識推理來回答這個問題。

作者&編輯 | 小Dream哥

1? 知識推理

剛剛開始接觸深度學(xué)習(xí)的時候，心里一直藏著一個疑惑，即現(xiàn)在的神經(jīng)網(wǎng)絡(luò)和反向傳播算法為什么會被稱為“人工智能”，怎么看，也不過是一種模仿神經(jīng)學(xué)的更為復(fù)雜數(shù)學(xué)模型而已?，F(xiàn)實中一些對人類來說十分簡單的問題，深度學(xué)習(xí)模型常常需要利用海量的數(shù)據(jù)進(jìn)行學(xué)習(xí)才能有好的表現(xiàn)。這與人類的學(xué)習(xí)模式差異非常之大，人類常常自己總結(jié)、歸納、推理和舉一反三，從少量的樣本和訓(xùn)練中，真正習(xí)得一些技能。例如，沒有人要先開個幾萬公里的車才能拿到駕照。

直到接觸到了知識圖譜以及今天要介紹的知識推理，才感覺到一些所謂真正“人工智能”的味道。閑話敘畢，現(xiàn)在看看所謂的知識推理，究竟是怎么一回事，有哪些實現(xiàn)方法，進(jìn)展到了什么樣的程度。

通俗的理解，所謂推理，就是從現(xiàn)有的知識出發(fā)，運用邏輯思維能力，得出一些隱性的結(jié)論。具體到知識圖譜中，所謂的知識推理，就是利用圖譜中現(xiàn)有的知識（三元組），得到一些新的實體間的關(guān)系或者實體的屬性（三元組）。如下圖所示：假如原來的知識圖譜中有這樣兩個三元組，<周杰倫，老婆，昆凌>和<周杰倫，媽媽，葉惠美>，通過知識推理，可以得到<昆凌，婆婆，葉惠美>。

設(shè)想一下，假如機(jī)器推理做的完備，一方面，它能夠幫我們填充知識圖譜中大量的空缺，使得知識更為完備；另一方面，對于知識問答、推薦系統(tǒng)等任務(wù)也有非常大的加成，能夠在一定程度上讓我們的機(jī)器變成一個“小機(jī)靈鬼”。

推理是一個復(fù)雜的問題，他是邏輯學(xué)、哲學(xué)、心理學(xué)等學(xué)科的重要概念，這里不深入推理的這個概念，僅關(guān)注在知識圖譜中的知識推理在工程上的研究和實現(xiàn)。

2 基于規(guī)則的邏輯推理

那么，如何從現(xiàn)有的知識中，推理出來新的知識和結(jié)論呢？反應(yīng)快的同學(xué)很快就能想到，可以預(yù)先定義好準(zhǔn)確的推理規(guī)則，然后基于這些規(guī)則，基于推普中的知識推導(dǎo)出新的結(jié)論和知識。例如，預(yù)先定義好這樣的規(guī)則：

<實體1：老婆：實體2；實體1：媽媽：實體3 ?推出??實體2：婆婆：實體3 >

進(jìn)一步細(xì)想，有同學(xué)可能會覺得這樣的方式效率太低。因此，基于邏輯推理致力于如何自動推理獲取上述的規(guī)則，比較有名的包括基于可滿足性的GSAT和WALKSAT，用于求解邏輯推理的規(guī)則，感興趣的同學(xué)可以自行了解。

通常來說，在工程領(lǐng)域會將知識推理系統(tǒng)從知識體系中單獨分離出來，這樣就可以讓知識專家專注于知識建設(shè)，推理規(guī)則由推理系統(tǒng)的設(shè)計者專門建立。目前比較有名的推理系統(tǒng)有ELK，DLV，Pellet等，感興趣的同學(xué)可以自行了解。

基于規(guī)則的邏輯推理的優(yōu)點在于準(zhǔn)確性高，推理速度快；缺點在于能夠處理知識有限，特別是在大規(guī)模的網(wǎng)絡(luò)知識圖譜，有一定概率的不準(zhǔn)確的知識和事實，這些知識基于確定的邏輯推理無法處理，需要加入統(tǒng)計或者概率的方式將規(guī)則軟化。

3 基于概率模型的推理

前面提到，一方面，現(xiàn)有的NLP技術(shù)還很難準(zhǔn)確的將自然語言表達(dá)成確定性的推理需求；另一方面，現(xiàn)實世界本身的不確定性，決定了很多問題無法使用確定性的推理技術(shù)進(jìn)行回答。

基于概率模型的推理并不是嚴(yán)格的按照規(guī)則進(jìn)行推理，而是根據(jù)以往的經(jīng)驗和分析，結(jié)合專家先驗知識構(gòu)建概率模型，并利用統(tǒng)計計數(shù)、最大化后驗概率等統(tǒng)計學(xué)的手段對推理假設(shè)進(jìn)行驗證或者推測。

總的來說，基于概率的模型推理，就是專家基于現(xiàn)有的先驗知識，建立相關(guān)的規(guī)則概率模型對確定的規(guī)則進(jìn)行所謂軟化。對于解決推理問題的邏輯與前面介紹的基于確定邏輯推理的方法并沒有本質(zhì)的區(qū)別。

4 基于數(shù)值計算的推理

所謂基于數(shù)值計算的知識推理，就是將離散的元素（實體，屬性和關(guān)系）用低維的向量來表示，通過各種有監(jiān)督或者無監(jiān)督的方式，建模和學(xué)習(xí)不同元素的表示，從而可以捕捉到元素之間的隱性關(guān)聯(lián)。這個過程可以和詞向量的學(xué)習(xí)過程類比。

基于數(shù)值計算的推理是一個比較新的課題，是目前學(xué)術(shù)界研究的熱點，每年都會有大量新的模型和方法被提出，感興趣的讀者可以搜索“Knowledge Embedding”等詞進(jìn)一步了解。

總結(jié)

知識圖譜是人工智能技術(shù)最重要的基礎(chǔ)設(shè)施，是計算機(jī)能夠?qū)崿F(xiàn)推理、預(yù)測等類似人類思考能力的關(guān)鍵。

知識推理是知識圖譜中另一個難點，目前的研究熱點在于基于數(shù)值計算的知識推理，過程應(yīng)用比較多的還是基于確定邏輯的推理構(gòu)建的推理系統(tǒng)。

我會在知識星球中討論NEO4J的具體操作以及KBQA的具體實現(xiàn)，感興趣的同學(xué)可以掃描下面的二維碼加入。

讀者們可以留言，或者加入我們的NLP群進(jìn)行討論。感興趣的同學(xué)可以微信搜索jen104，備注"加入有三AI NLP群"。

下期預(yù)告：2019年年終總結(jié)

知識星球推薦

掃描上面的二維碼，就可以加入我們的星球，助你成長為一名合格的自然語言處理算法工程師。

知識星球主要有以下內(nèi)容：

(1) 聊天機(jī)器人?？紤]到聊天機(jī)器人是一個非常復(fù)雜的NLP應(yīng)用場景，幾乎涵蓋了所有的NLP任務(wù)及應(yīng)用。所以小Dream哥計劃以聊天機(jī)器人作為切入點，通過介紹聊天機(jī)器人的原理和實踐，逐步系統(tǒng)的更新到大部分NLP的知識，會包括語義匹配，文本分類，意圖識別，語義匹配命名實體識別、對話管理以及分詞等。

(2) 知識圖譜。知識圖譜對于NLP各項任務(wù)效果好壞的重要性，就好比基礎(chǔ)知識對于一個學(xué)生成績好壞的重要性。他是NLP最重要的基礎(chǔ)設(shè)施，目前各大公司都在著力打造知識圖譜，作為一個NLP工程師，必須要熟悉和了解他。

(3) NLP預(yù)訓(xùn)練模型。基于海量數(shù)據(jù)，進(jìn)行超大規(guī)模網(wǎng)絡(luò)的無監(jiān)督預(yù)訓(xùn)練。具體的任務(wù)再通過少量的樣本進(jìn)行Fine-Tune。這樣模式是目前NLP領(lǐng)域最火熱的模式，很有可能引領(lǐng)NLP進(jìn)入一個全新發(fā)展高度。你怎么不深入的了解？

轉(zhuǎn)載文章請后臺聯(lián)系

侵權(quán)必究

往期精選

• 【完結(jié)】 12篇文章帶你完全進(jìn)入NLP領(lǐng)域，掌握核心技術(shù)
  

• 【NLP-詞向量】詞向量的由來及本質(zhì)

• 【NLP-詞向量】從模型結(jié)構(gòu)到損失函數(shù)詳解word2vec

• 【NLP-NER】什么是命名實體識別？

• 【NLP-NER】命名實體識別中最常用的兩種深度學(xué)習(xí)模型

• 【NLP-NER】如何使用BERT來做命名實體識別
  

• 【NLP-ChatBot】我們熟悉的聊天機(jī)器人都有哪幾類？

• 【NLP-ChatBot】搜索引擎的最終形態(tài)之問答系統(tǒng)（FAQ）詳述

• 【NLP-ChatBot】能干活的聊天機(jī)器人-對話系統(tǒng)概述

• 【知識圖譜】人工智能技術(shù)最重要基礎(chǔ)設(shè)施之一，知識圖譜你該學(xué)習(xí)的東西

• 【知識圖譜】知識表示：知識圖譜如何表示結(jié)構(gòu)化的知識？

• 【知識圖譜】如何構(gòu)建知識體系：知識圖譜搭建的第一步

• 【知識圖譜】獲取到知識后，如何進(jìn)行存儲和便捷的檢索？
  

• 【NLP實戰(zhàn)】tensorflow詞向量訓(xùn)練實戰(zhàn)

• 【NLP實戰(zhàn)系列】樸素貝葉斯文本分類實戰(zhàn)

• 【NLP實戰(zhàn)系列】Tensorflow命名實體識別實戰(zhàn)

• 【NLP實戰(zhàn)】如何基于Tensorflow搭建一個聊天機(jī)器人

• 【NLP實戰(zhàn)】基于ALBERT的文本相似度計算
  

• 【每周NLP論文推薦】從預(yù)訓(xùn)練模型掌握NLP的基本發(fā)展脈絡(luò)

• 【每周NLP論文推薦】 NLP中命名實體識別從機(jī)器學(xué)習(xí)到深度學(xué)習(xí)的代表性研究

• 【每周NLP論文推薦】 介紹語義匹配中的經(jīng)典文章

• 【每周NLP論文推薦】 對話管理中的標(biāo)志性論文介紹

• 【每周NLP論文推薦】 開發(fā)聊天機(jī)器人必讀的重要論文

• 【每周NLP論文推薦】 掌握實體關(guān)系抽取必讀的文章

• 【每周NLP論文推薦】 生成式聊天機(jī)器人論文介紹

• 【每周NLP論文推薦】 知識圖譜重要論文介紹

總結(jié)

以上是生活随笔為你收集整理的【知识图谱】知识推理，知识图谱里最“人工智能”的一段的全部內(nèi)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(nèi)容還不錯，歡迎將生活随笔推薦給好友。