知识图谱科普文.pdfVIP

知识图谱科普⽂ ⽬录 1. 知识图谱的研究⽬标与意义 式,提供了⼀种更好地组织、管理和理解互联⽹海量信息的能⼒。知识图谱给互联⽹语义搜索带来了活⼒,同时也在智能问答中显⽰出强⼤威 ⼒,已经成为互联⽹知识驱动的智能应⽤的基础设施。知识图谱与⼤数据和深度学习⼀起,成为推动互联⽹和⼈⼯智能发 展的核⼼驱动⼒之⼀。 知识图谱技术是指知识图谱建⽴和应⽤的技术,是融合认知计算、知识表⽰与推理、信息检索与抽取、⾃然语⾔处理与语义 Web、数据挖掘 与机器学习等⽅向的交叉研究。知识图谱于 2012 年由⾕歌提出并成功应⽤于搜索引擎,知识图谱属于⼈⼯智能重要研究领域——知识⼯程 的研究范畴,是利⽤知识⼯程建⽴⼤规模知识资源的⼀个杀⼿锏应⽤。94 年图灵奖获得者、知识⼯程的建⽴者费根鲍姆给出的知识⼯程定义 ——将知识集成到计算机系统从⽽完成只有特定领域专家才能完成的复杂任务。在⼤数据时代,知识⼯程是从⼤数据中 ⾃动或半⾃动获取知 识,建⽴基于知识的系统,以提供互联⽹智能知识服务。⼤数据对智能服务的需求,已经从单纯的搜集获取信息,转变为 ⾃动化的知识服务。我们 需要利⽤知识⼯程为⼤数据添加语义/知识,使数据产⽣智慧(smart data),完成从数据 到信息到知识,最终到智能应⽤的转变过程,从⽽实现对⼤数据的洞察、提供⽤户关⼼问题的答案、为决策提供⽀持、改进⽤户体等 ⽬标。知 识图谱在下⾯应⽤中已经凸显出越来越重要的应⽤价值: -知识融合:当前互联⽹⼤数据具有分布异构的特点,通过知识图谱可以对这些数据资源进⾏语义标注和链接,建⽴以知识为中⼼的资源语义集成 服务; -语义搜索和推荐:知识图谱可以将⽤户搜索输⼊的关键词,映射为知识图谱中客观世界的概念和实体,搜索结果直接显⽰出满⾜⽤户需求的结构 化信息内容,⽽不是互联⽹⽹页; -问答和对话系统:基于知识的问答系统将知识图谱看成⼀个⼤规模知识库,通过理解将⽤户的问题转化为对知识图谱的查询,直接得到⽤户关⼼ 问题的答案; -⼤数据分析与决策:知识图谱通过语义链接可以帮助理解⼤数据,获得对⼤数据的洞察,提供决策⽀持。 2. 知识⼯程 的发展历程 知识图谱的发展是⼈⼯智能重要分⽀知识⼯程在⼤数据环境中的成功应⽤。回顾知识⼯程四⼗年来发展历程,总结知识⼯程的演进过 程和技术进展,体会知识⼯程为⼈⼯智能所做出的贡献和未来⾯临的挑战,可以将知识⼯程分成五个标志性的阶段,前知识⼯程时期、专家系统 时期、万维⽹ 1.0 时期,群体智能时期以及知识图谱时期。 图 1. 知识⼯程发展历程 1950-1970 时期 : 图灵测试⼈⼯智能旨在让机器能够像⼈⼀样解决复杂问题,图灵测试是评测智能的是⼿段。这⼀阶段主要有两个⽅法:符号主义和连结 主义。符号主义认为物理符号系统是智能⾏为的充要条件,连结主义则认为⼤脑(神经元及其连接机制)是⼀切智能活动的基础。这⼀阶段具有 代表性的⼯作是通⽤问题求解程序(GPS):将问题进⾏形式化表达,通过搜索,从问题初始状态,结合规则或表⽰得到⽬标状态。其中最成功应⽤ 是博弈论和机器定理证明等。这⼀时期的知识表⽰⽅法主要有逻辑知识表⽰、产⽣式规则、语义⽹络等。这⼀时代⼈⼯智能和知识⼯程的先 驱 Minsky,Mccarthy 和 Newell 以 Simon 四位学者因为他们在感知机、⼈⼯智 能语⾔和通⽤问题求解和形式化语⾔⽅⾯的杰出⼯作分别获得了 1969 年、1971年、1975 年的图灵奖。 1970-1990 时期 : 专家系统通⽤问题求解强调利⽤⼈的求解问题的能⼒建⽴智能系统,⽽忽略了知识对智能的⽀持,使⼈⼯智能难以在实际应⽤中发挥作 ⽤。 70 年开始,⼈⼯智能开始转向建⽴基于知识的系统,通过知识库+推理机实现智能,这⼀时期涌现出很多成功的限定领域专家系统,如 MYCIN 医疗诊断专家系统、识别分⼦结构的DENRAL 专家系统以及计算机故障诊断 XCON 专家系统等。 94 年图灵奖获得者 Feigenbaum 教授在 70 年代提出知识⼯程的定义,确⽴了知识⼯程在⼈⼯智能中的核⼼地位。这⼀时期知识表⽰⽅法有新的演进,包括框架 和脚本等。 80 年代后II期出现很多专家系统的开发平台,可以帮助将专家的领域知识转变成计算机可以 处理的知识。 1990-2000 时期 :万维 ⽹ Web 1.0 在 1990 年代到 2000 年,出现了很多⼈⼯构建⼤规模知识库,包括⼴泛应⽤的英⽂ WordNet, 采⽤⼀阶谓词逻辑知识表⽰的 Cyc 常