常見問題

• 知識圖譜構建技術有哪些？

  1 、知識抽取
  知識抽取主要是面向開放的鏈接數據，通常典型的輸入是自然語言文本或者多媒體內容文檔等。然后通過自動化或者半自動化的技術抽取出可用的知識單元，知識單元主要包括實體、關系以及屬性3個知識要素，并以此為基礎，形成一系列高質量的事實表達，為上層模式層的構建奠定基礎。
  2 、知識表示
  傳統的知識表示方法主要是以RDF(Resource Deion Framework資源描述框架)的三元組SPO(subject,predicate,object)來符號性描述實體之間的關系。但是其在計算效率、數據稀疏性等方面面臨諸多問題。
  近年來，以深度學習為代表的學習技術取得了重要的進展，可以將實體的語義信息表示為稠密低維實值向量，進而在低維空間中高效計算實體、關系及其之間的復雜語義關聯，對知識庫的構建、推理、融合以及應用均具有重要的意義。
  3、 知識融合
  通過知識提取，實現了從非結構化和半結構化數據中獲取實體、關系以及實體屬性信息的目標。但是由于知識來源廣泛，存在知識質量良莠不齊、來自不同數據源的知識重復、層次結構缺失等問題，所以必須要進行知識的融合。
  4、知識推理
  知識推理是在已有的知識庫基礎上進一步挖掘隱含的知識，從而豐富、擴展知識庫。在推理的過程中，往往需要關聯規則的支持。由于實體、實體屬性以及關系的多樣性，人們很難窮舉所有的推理規則，一些較為復雜的推理規則往往是手動總結的。
  對于推理規則的挖掘，主要還是依賴于實體以及關系間的豐富同現情況。知識推理的對象可以是實體、實體的屬性、實體間的關系、本體庫中概念的層次結構等。知識推理方法主要可分為基于邏輯的推理與基于圖的推理兩種類別。

• 知識圖譜是什么？

  知識圖譜（Knowledge Graph）是人工智能的重要分支技術，它在2012年由谷歌提出，是結構化的語義知識庫，用于以符號形式描述物理世界中的概念及其相互關系，其基本組成單位是“實體—關系—實體”三元組，以及實體及其相關屬性—值對，實體間通過關系相互聯結，構成網狀的知識結構。

• 知識圖譜怎么做？

  1、知識抽取
  知識圖譜的構建是后續應用的基礎，而且構建的前提是需要把數據從不同的數據源中抽取出來。對于垂直領域的知識圖譜來說，它們的數據源主要來自兩種渠道：一種是業務本身的數據，這部分數據通常包含在公司內的數據庫表并以結構化的方式存儲；另一種是網絡上公開、抓取的數據，這些數據通常是以網頁的形式存在所以是非結構化的數據。信息抽取的難點在于處理非結構化數據。
  2、知識圖譜存儲
  知識圖譜主要有兩種存儲方式：一種是基于 RDF 的存儲；另一種是基于圖數據庫的存儲。它們之間的區別如下圖所示。RDF 一個重要的設計原則是數據的易發布以及共享，圖數據庫則把重點放在了高效的圖查詢和搜索上。其次，RDF 以三元組的方式來存儲數據而且不包含屬性信息，但圖數據庫一般以屬性圖為基本的表示形式，所以實體和關系可以包含屬性，這就意味著更容易表達現實的業務場景。
  3、知識圖譜搭建
  知識圖譜最重要的核心在于對業務的理解以及對知識圖譜本身的設計，這就類似于對于一個業務系統，數據庫表的設計尤其關鍵，而且這種設計絕對離不開對業務的深入理解以及對未來業務場景變化的預估。

• 知識圖譜的典型應用

  1、搜索
  互聯網的終極形態是萬物互聯，而搜索的終極目標是對萬物直接進行搜索。傳統的搜索是靠網頁之間的超鏈接實現網頁的搜索，而語義搜索是直接對事物進行搜索，比如人、物、機構、地點等，這些事物可以來自文本、圖片、視頻、音頻、物聯網設備等。知識圖譜和語義技術提供了關于這些事物的分類、屬性和關系的描述，這樣搜索引擎就可以直接對事物進行搜索。比如我們想知道“《覺醒年代》的導演是誰？”，那么在進行搜素時，搜索引擎會把這句話進行分解，獲得“《覺醒年代》”，“導演”，再與現有的知識庫中的詞條進行匹配，最后展現在用面前。傳統的搜索模式下，我們進行這樣的搜索后得到的通常是包含其中關鍵詞的網頁鏈接，我們還需要在多個網頁中進行篩選。可以看出基于知識圖譜的搜索更加便捷與準確。
  2、問答
  人與機器通過自然語言進行問答與對話也是人工智能實現的標志之一，知識圖譜也廣泛應用于人機問答交互中。借助自然語言處理和知識圖譜技術，比如基于語義解析、基于圖匹配、基于模式學習、基于表示學習和深度學習的知識圖譜模型。
  3、輔助大數據分析
  知識圖譜也可以用于輔助進行數據分析與決策。不同來源的知識通過知識融合進行集成，通過知識圖譜和語義技術增強數據之間的關聯，用戶可以更直觀地對數據進行分析。此外知識圖譜也被廣泛用于作為先驗知識從文本中抽取實體和關系，也被用來輔助實現文本中的實體消歧，指代消解等。

• 知識圖譜軟件有哪些？

  1、元年智答
  元年智答是一款智能數據分析“助手”，拉近人與數據的距離，輕松對話的形式獲取數據可視化圖表，在企業內部高效傳遞數據洞見。提供對話式數據分析、智能數據可視化引擎、企業級數據權限控制、異常監控實時預警、數據變動歸因溯源和智能化數據報告功能。
  2、Seed
  Seed 面向個人、團隊及企業，提供結構化的知識管理，嚴謹的權限控制，在這里記錄并管理自己的靈感，團隊的想法，企業的任務等。
  3、知識圖譜Schema
  支持根據搜索產品需求定制遵循Schema規范的XML或JSON-LD模板，從生態參與方接入結構化數據，根據規范處理后特型展現，提升對參與方的導流；支持對提交至知識圖譜的數據轉換為遵循Schema的實體對象，并進行統一的數據清洗、對齊、融合、關聯等知識計算，完成圖譜的構建；基于Schema中類間繼承、屬性類型及約束、關系推理規則，用于知識沖突檢測、推斷補全等各類推理計算。
  4、AISWare Onta KG 知識圖譜工具產品
  AISWare Onta KG 是基于“大數據+AI”的一站式全流程知識計算平臺，其能力涵蓋知識本體構建、知識抽取與融合、知識推理，知識應用等全棧核心環節。致力于為行業客戶提供知識圖譜全生命周期構建與應用能力。
  5、一號互聯-知識圖譜
  深圳市一號互聯科技有限公司，復星旗下從事人工智能企業服務行業的AI公司，國內領先人工智能的智能營銷客服企業。 國家高新企業，聚焦于企業級的人工智能銷售及客服平臺研發、應用，助力企業實現降本增效。產品場景涵蓋全場景智能客服平臺、智能語音客服、智能語音質檢、智能坐席助手、文本機器人、知識圖譜、呼叫中心、在線客服、企微管家、通信助手SCRM等。AI賦能政府、金融、汽車、互聯網、教育、電商等各類機構。

• 知識圖譜的構建步驟

  1、以節點為主體目標，實現對不同來源的數據進行映射與合并。（確定節點）
  2、利用屬性來表示不同數據源中針對節點的描述，形成對節點的全方位描述。（確定節點屬性、標簽）
  3、利用關系來描述各類抽象建模成節點的數據之間的關聯關系，從而支持關聯分析。（圖設計）
  4、通過節點鏈接技術，實現圍繞節點的多種類型數據的關聯存儲。（節點鏈接）
  5、使用事件機制描述客觀世界中動態發展，體現事件與節點間的關聯，并利用時序描述事件的發展狀況。（動態事件描述）