人工智能時代知識圖譜的應用

人工智能時代的知識圖譜
近年來，隨著人們對AI認知能力的積極探索，知識圖譜因其表達能力強、拓展性好，基于知識進行推理等優勢得到了學界與業界的高度關注。知識圖譜，旨在描述客觀世界概念、實體、事件及其之間關系，具備可解釋性，而且可以用于解決復雜決策問題。這也意味著通過深度學習與知識圖譜的結合，模型底層特征空間與人類自然語言之間巨大的語義鴻溝問題有望得以解決。在大數據和機器學習兩大引擎下，大規模知識圖譜的自動化構建成為現實，這就加快了知識圖譜的落地與應用。
傳統意義上，知識圖譜可以劃分為通用知識圖譜和領域知識圖譜。例如，國外的谷歌搜索引擎和國內的百度搜索引擎，這類通用領域知識圖譜是最先被大家熟知的應用；而場景的不斷豐富、需求不斷增多、用戶對體驗與品質的要求不斷提高，各行各業都亟需構建領域知識圖譜。
那么，從趨勢到實際需要，知識圖譜已經取得了哪些學術與技術成果，產業與應用發生了哪些變化？當
下知識圖譜領域最關注的問題又是什么？未來，知識圖譜又有哪些發展前景？

近兩年知識圖譜研究有一些值得關注的成果，比如：

知識抽取，如何在少量甚至無標注場景下進行知識圖譜構建是一個具有挑戰性的問題。目前大家都在關注基于圖神經網絡、增強學習、交互式知識抽取等方法。知識融合，代表性工作有交互式知識融合以及基于表示學習的知識融合的工作。
知識更新，針對百科類知識圖譜的自動化更新技術取得了一些突破，從而可以對百科知識進行自動化更新。
知識推理，最近兩年有不少混合式推理的方法出現，也就是混合機器學習和符號推理的方法，這些方法的提出對于解決某些機器學習技術的不可解釋性，以及提升知識圖譜的推理能力都有作用。
與此同時，這些關鍵技術的應用也有一些突破性的進展，尤其是在知識抽取和知識融合方面：一是人機交互的商業化系統的出現，二是關于人機交互的信息抽取和知識融合的學術論文也開始。
在他看來，知識圖譜表示學習與推理也取得了很多進展，大家開始研究知識表示學習在多模態數據上的應用，即結合文本、知識圖譜、圖像或者視頻的知識表示學習，以及基于知識表示學習的推理。
知識圖譜從以前研究與產業界脫鉤，到現在領域知識圖譜成為研究的重點，開始面向解決實際的問題。比如最近司法知識圖譜的構建出現了不少研究成果。另外，知識圖譜用于解決問答、推薦系統、圖像理解方面的論文也不斷在增加。
同時，知識圖譜在不同行業也得到了廣泛應用，領域知識圖譜成為企業的迫切需求。例如，金融領域中的信用評估、風險控制、反欺詐問題；醫療領域中的智能問診問題。從通用知識圖譜到領域知識圖譜，知識圖譜開始在越來越廣泛、復雜的場景中落地并解決實際問題。
“在醫療、電商、金融、軍工、電力、司法、教育、公安、石油這幾個領域知識圖譜已經落地并且取得了突出成果?！逼峁鹆终劦?。知識圖譜可以幫助這些領域的公司或研究機構更好地處理多源異構數據，也就是說可以提供一個統一數據模型并且可以靈活地集成和關聯這些數據，對這些數據進行關聯分析。
知識圖譜的產學研需要有一個整體規劃，這也是我一直在實踐的。
首先需要了解產業界對知識圖譜的需求，知道知識圖譜可以解決什么應用問，帶來什么價值。

其次，通過了解知識圖譜落地的挑戰，確定知識圖譜的研究課題。從短期和長期來看，短期課題是要解決產業界急迫的問題，

比如少量標注情況下的信息抽取方法的研究；而長期課題是面向三年之后可能對知識圖譜落地有用的技術，比如無標注場景下的信息抽取技術。

最后，讓知識圖譜技術可以快速普及。