知識圖譜丨行業(yè)應用廣泛，未來(lái)發(fā)展前景好，參與學(xué)習勢在必行

龍騰亞太

學(xué)習和關(guān)注人工智能技術(shù)與咨詢(xún)，qq群：189696007，更多詳情可咨詢(xún)175-3102-1189（v同號）。

多領(lǐng)域發(fā)揮重要作用

知識圖譜本質(zhì)上是基于語(yǔ)義網(wǎng)絡(luò )（semantic network）的知識庫，旨在描述客觀(guān)世界的概念、實(shí)體、事件及其之間的關(guān)系。

知識圖譜（Knowledge Graph）的概念最先是由谷歌于2012年正式提出，主要用來(lái)支撐下一代搜索和在線(xiàn)廣告業(yè)務(wù)。2013年以后知識圖譜開(kāi)始在學(xué)術(shù)界和業(yè)界普及，并在搜索、智能問(wèn)答、情報分析、金融等領(lǐng)域應用中發(fā)揮重要作用。

生命科學(xué)：降低研發(fā)診斷成本

由于研發(fā)新藥花費較高，醫藥公司非常關(guān)注如何縮短新藥研制周期，降低研發(fā)成本。歐盟第七框架下的開(kāi)放藥品平臺Open Phacts項目，就是利用來(lái)自實(shí)驗室的理化數據、各種期刊文獻中的研究成果以及各種開(kāi)放數據，包括Clinical Trials.org，美國開(kāi)放數據中的臨床實(shí)驗數據，來(lái)加速藥物研制中的分子篩選工作，已吸引輝瑞和諾華等制藥巨頭參與。

Watson取得巨大成功之后，IBM成立了Watson group（事業(yè)部），對各種行業(yè)進(jìn)行認知突破。其中在醫療方面，IBM啟動(dòng)了登月計劃（moon shot），通過(guò)整合大量醫療文獻和書(shū)籍以及各種EMR（電子病歷）來(lái)獲取海量高質(zhì)量的醫療知識，并基于這些知識向醫護人員提供輔助臨床決策和用藥安全等方面的應用。

金融：識別及預防欺詐

金融僅次于醫療，是知識圖譜應用最廣泛的領(lǐng)域，在反欺詐、搜索和營(yíng)銷(xiāo)方面均有深入應用。

國外的Datafox和Spiderbook，國內的通聯(lián)數據等，通過(guò)從互聯(lián)網(wǎng)提取上市公司的相關(guān)數據，包括產(chǎn)品、公司供應鏈關(guān)系、競爭對手關(guān)系等，整合為知識圖譜幫助企業(yè)或投資機構進(jìn)行全網(wǎng)數據的關(guān)聯(lián)分析、影響傳播和預測。

反欺詐在金融風(fēng)控中舉足輕重，但基于大數據的反欺詐存在兩個(gè)難點(diǎn)：一是如何整合不同來(lái)源的結構化和非結構化數據，并有效地識別出身份造假、團體欺詐、代辦包裝等欺詐案件。二是不少欺詐案件涉及復雜的關(guān)系網(wǎng)絡(luò )，如組團欺詐。

知識圖譜是基于關(guān)系的表達方式，可輕松解決以上兩個(gè)問(wèn)題，因此在反欺詐中獲得廣泛應用。首先，知識圖譜可以提供非常便捷的方式來(lái)添加新的數據源。其次，知識圖譜本身是直觀(guān)的關(guān)系表達方式，可以幫助更有效地分析復雜關(guān)系中存在的特定的潛在風(fēng)險。

農業(yè)：多媒體知識指導

大量的農業(yè)資料以不同格式分散存儲，傳統的關(guān)系數據庫模式不適用于復雜多變的領(lǐng)域，無(wú)法實(shí)現定義所有可能的知識點(diǎn)并構建關(guān)鍵數據庫模式，而知識圖譜這種更加靈活的知識表示模型可以實(shí)現管理。利用抽取挖掘技術(shù)從各種多源異構數據中獲取相應的知識，并用統一圖譜進(jìn)行表示，形成完整的知識庫，刻畫(huà)作物知識、土壤知識、肥料知識、疾病知識和天氣知識等。通過(guò)圖譜關(guān)聯(lián)到圖片信息，形成多媒體知識圖譜，病變圖片信息相比專(zhuān)業(yè)知識更加直觀(guān)，也更方便農民使用。

賦能認知智能

知識圖譜對于人工智能的價(jià)值在于讓機器具備了認知能力。機器認知智能在應用方面是廣泛、多樣的，體現在精準分析、智慧搜索、智能推薦、智能解釋、更自然的人機交互和深層關(guān)系推理等多個(gè)方面。

智能分析

由于缺乏諸如知識圖譜此類(lèi)背景知識，各類(lèi)工具理解大數據的手段有限，限制了基于大數據的精準與精細分析，大大降低了大數據的潛在價(jià)值。因此盡管越來(lái)越多的行業(yè)或者企業(yè)積累了規�？捎^(guān)的數據，但這些數據非但未能創(chuàng )造價(jià)值，甚至可能因消耗大量的運維成本而成為負資產(chǎn)。

知識圖譜的發(fā)展提供了強大的背景知識支撐，可以賦能輿情分析、商業(yè)洞察、軍事情報分析和商業(yè)情報分析此類(lèi)基于大數據的精準分析。

知識圖譜和基于此的認知智能為精細分析提供了可能。如汽車(chē)制造廠(chǎng)商等制造企業(yè)都希望實(shí)現個(gè)性化制造運用于精細分析案例。知識圖譜構建關(guān)于汽車(chē)評價(jià)的背景知識，如汽車(chē)的車(chē)型、車(chē)飾、動(dòng)力、能耗等，提取消費者對汽車(chē)的褒貶態(tài)度、消費者改進(jìn)建議、競爭品牌等評價(jià)與反饋，并以此為據實(shí)現按需與個(gè)性化定制。

自然人機交互

人機交互將會(huì )變得更簡(jiǎn)單自然。自然人機交互包括自然語(yǔ)言問(wèn)答、對話(huà)、體感交互、表情交互等，需要機器能夠理解人類(lèi)的自然語(yǔ)言，要求其具有較高認知智能水平及強大的背景知識。會(huì )話(huà)式(Conversational UI)、問(wèn)答式(QA)交互將逐步代替傳統的關(guān)鍵字搜索式交互。未來(lái)，Google NOW、siri、amazon Alexa等語(yǔ)音助手及下一代對話(huà)機器人將代替我們閱讀、瀏覽，甚至代替我們看電影、電視劇，然后回答我們所關(guān)心的任何問(wèn)題。

深刻影響社會(huì )結構

以深度學(xué)習為代表的人工智能獲得巨大進(jìn)展，但深度學(xué)習的不透明性、不可解釋性已成為制約其發(fā)展的障礙，“理解”與“解釋”是人工智能需要攻克的下一個(gè)挑戰，而知識圖譜為“可解釋的人工智能”提供了全新的視角和機遇，并帶來(lái)新科技、商業(yè)和社會(huì )新紀元—認知時(shí)代的黎明。

對于人類(lèi)而言，知識圖譜賦能人工智能之后，將增強人類(lèi)的能力，讓我們可以理解和運作社會(huì )中復雜的系統，提升我們駕馭科技的能力，改善人類(lèi)的生存環(huán)境，人類(lèi)與機器的交互將更加自然、有預見(jiàn)性、有情感性。

時(shí)間：2022年11月11日 — 2022年11月15日  線(xiàn)上直播

目標：緊密結合理論與實(shí)踐，深入淺出，循序漸進(jìn)。從基本概念講起，重點(diǎn)講解構建方法和技術(shù)的轉化思路，幫助學(xué)員系統性的掌握知識圖譜的核心技術(shù)原理�；�于百科知識進(jìn)行各項核心技術(shù)的實(shí)例訓練，并結合數字圖書(shū)館、醫療、金融、電商、農業(yè)、法律等行業(yè)應用幫助學(xué)員快速積累知識圖譜工程項目經(jīng)驗。

具體安排：

一、知識圖譜概論

1.1知識圖譜的起源和歷史

1.2知識圖譜的發(fā)展史——從框架、本體論、語(yǔ)義網(wǎng)、鏈接數據到知識圖譜

1.3知識圖譜的本質(zhì)和價(jià)值

1.4知識圖譜VS傳統知識庫VS關(guān)系數據庫

1.5經(jīng)典的知識圖譜

1.5.1經(jīng)典的CYC, WordNnet, WikiData, DBpedia, YAGO, NELL等知識庫

1.5.2行業(yè)知識圖譜：

Google知識圖譜，微軟實(shí)體圖，阿里知識圖譜，醫學(xué)知識圖譜，基因知識圖譜等知識圖譜項目

二、知識圖譜應用

2.1知識圖譜應用場(chǎng)景

2.2知識圖譜應用簡(jiǎn)介

2.2.1知識圖譜在數字圖書(shū)館上的應用  

2.2.2知識圖譜在國防、情報、公安上的應用

2.2.3知識圖譜在金融上的應用        

2.2.4知識圖譜在電子商務(wù)中的應用

2.2.5知識圖譜在農業(yè)、醫學(xué)、法律等領(lǐng)域的應用

2.2.6知識圖譜在制造行業(yè)的應用

2.2.7知識圖譜在大數據融合中的應用  

2.2.8知識圖譜在人機交互（智能問(wèn)答）中的應用

三、知識表示與知識建模

3.1知識表示概念

3.2 知識表示方法

a.語(yǔ)義網(wǎng)絡(luò ) b.產(chǎn)生式規則 c.框架系統 d.描述邏輯 e.本體 f.RDF和RDFS

g.OWL和OWL2 Fragments  h.SPARQL查詢(xún)語(yǔ)言

i.Json-LD、RDFa、HTML5 MicroData等新型知識表示

3.3典型知識庫項目的知識表示

3.4知識建模方法學(xué)

3.5知識表示和知識建模實(shí)踐

1.三國演義知識圖譜的表示和建模實(shí)踐案例

2.學(xué)術(shù)知識圖譜等

四、知識抽取與挖掘

4.1知識抽取基本問(wèn)題

a.實(shí)體識別 b.關(guān)系抽取 c.事件抽取

4.2數據采集和獲取

4.3面向結構化數據的知識抽取

a.D2RQ    b.R2RML

4.4面向半結構化數據的知識抽取

  a.基于正則表達式的方法 b.基于包裝器的方法

4.5.面向非結構化數據的知識抽取

a.實(shí)體識別技術(shù)（基于規則、機器學(xué)習、深度學(xué)習、半監督學(xué)習、預訓練等方法）

b.關(guān)系抽取技術(shù)（基于模板、監督、遠程監督、深度學(xué)習等方法）

c.事件抽取技術(shù)（基于規則、深度學(xué)習、強化學(xué)習等方法）

4.6.知識挖掘

a.實(shí)體消歧b.實(shí)體鏈接c.類(lèi)型推斷 d.知識表示學(xué)習

4.7知識抽取上機實(shí)踐

A.面向半結構化數據的三國演義知識抽取

B.面向文本的三國演義知識抽取

C.人物關(guān)系抽取

五、知識融合

5.1知識融合背景

5.2知識異構原因分析

5.3知識融合解決方案分析

5.4.本體對齊基本流程和常用方法

a.基于文本的匹配 b.基于圖結構的匹配 c.基于外部知識庫的匹配

e.不平衡本體匹配 d.跨語(yǔ)言本體匹配  f.弱信息本體匹配

5.5實(shí)體匹配基本流程和常用方法

  a.基于相似度的實(shí)例匹配  b.基于規則或推理的實(shí)體匹配

c.基于機器學(xué)習的實(shí)例匹配 d.大規模知識圖譜的實(shí)例匹配

(1)基于分塊的實(shí)例匹配

(2)無(wú)需分塊的實(shí)例匹配

(3)大規模實(shí)例匹配的分布式處理

5.6 知識融合上機實(shí)踐

1.百科知識融合

2.OAEI知識融合任務(wù)

六、存儲與檢索

6.1.知識圖譜的存儲與檢索概述

6.2.知識圖譜的存儲

  a.基于表結構的存儲       b.基于圖結構的存儲

6.3.知識圖譜的檢索

a.關(guān)系數據庫查詢(xún)：SQL語(yǔ)言 b數據庫查詢(xún)：SPARQL語(yǔ)言  

6.4.上機實(shí)踐案例：利用GraphDB完成知識圖譜的存儲與檢索

七、知識推理

7.1.知識圖譜中的推理技術(shù)概述

7.2.歸納推理：學(xué)習推理規則

  a.歸納邏輯程設計Øb.關(guān)聯(lián)規則挖掘 c.路徑排序算法

上機實(shí)踐案例：利用AMIE+算法完成Freebase數據上的關(guān)聯(lián)規則挖掘

7.3.演繹推理：推理具體事實(shí)

Ø a.馬爾可夫邏輯網(wǎng) b.概率軟邏輯

7.4.基于分布式表示的推理

a.TransE模型及其變種        b.RESCAL模型及其變種

c.（深度）神經(jīng)網(wǎng)絡(luò )模型介紹   d.表示學(xué)習模型訓練

7.5.上機實(shí)踐案例：利用分布式知識表示技術(shù)完成Freebase上的鏈接預測

八、語(yǔ)義搜索

8.1.語(yǔ)義搜索概述

8.2.搜索關(guān)鍵技術(shù)

a.索引技術(shù)：倒排索引   

b.排序算法：BM25及其擴展

8.3.知識圖譜搜索

a.實(shí)體搜索

b.關(guān)聯(lián)搜索

8.4.知識可視化 a.摘要技術(shù)

8.5.上機實(shí)踐案例：SPARQL搜索

九、知識問(wèn)答

9.1.知識問(wèn)答概述                     

9.2.知識問(wèn)答基本流程

9.3.相關(guān)測試集：QALD、WebQuestions等

9.4.知識問(wèn)答關(guān)鍵技術(shù)

   a.基于模板的方法  

b.語(yǔ)義解析

   c.基于深度學(xué)習的方法

9.5.上機實(shí)踐案例：DeepQA、TemplateQA