【新智元導(dǎo)讀】作者對知識圖譜進(jìn)行了全面的介紹，內(nèi)容包括：知識圖譜的歷史、意義、各種關(guān)鍵技術(shù)、開放數(shù)據(jù)集、情報(bào)分析應(yīng)用案例等。本文節(jié)選自《情報(bào)工程》2017 年第 1 期，知識圖譜專題稿件。

本節(jié)首先給出知識圖譜的技術(shù)地圖，然后介紹知識圖譜構(gòu)建的關(guān)鍵技術(shù)，包括關(guān)系抽取技術(shù)、知識融合技術(shù)、實(shí)體鏈接技術(shù)和知識推理技術(shù)。

1.1 知識圖譜技術(shù)地圖

構(gòu)建知識圖譜的主要目的是獲取大量的、讓計(jì)算機(jī)可讀的知識。在互聯(lián)網(wǎng)飛速發(fā)展的今天，知識大量存在于非結(jié)構(gòu)化的文本數(shù)據(jù)、大量半結(jié)構(gòu)化的表格和網(wǎng)頁以及生產(chǎn)系統(tǒng)的結(jié)構(gòu)化數(shù)據(jù)中。為了闡述如何構(gòu)建知識圖譜，本文給出了構(gòu)建知識圖譜的技術(shù)地圖，該技術(shù)地圖如圖1所示。整個(gè)技術(shù)圖主要分為三個(gè)部分，第一個(gè)部分是知識獲取，主要闡述如何從非結(jié)構(gòu)化、半結(jié)構(gòu)化、以及結(jié)構(gòu)化數(shù)據(jù)中獲取知識。第二部是數(shù)據(jù)融合，主要闡述如何將不同數(shù)據(jù)源獲取的知識進(jìn)行融合構(gòu)建數(shù)據(jù)之間的關(guān)聯(lián)。第三部分是知識計(jì)算及應(yīng)用，這一部分關(guān)注的是基于知識圖譜計(jì)算功能以及基于知識圖譜的應(yīng)用。

1.1.1 知識獲取

在處理非結(jié)構(gòu)化數(shù)據(jù)方面，首先要對用戶的非結(jié)構(gòu)化數(shù)據(jù)提取正文。目前的互聯(lián)網(wǎng)數(shù)據(jù)存在著大量的廣告，正文提取技術(shù)希望有效的過濾廣告而只保留用戶關(guān)注的文本內(nèi)容。當(dāng)?shù)玫秸奈谋竞?，需要通過自然語言技術(shù)識別文章中的實(shí)體，實(shí)體識別通常有兩種方法，一種是用戶本身有一個(gè)知識庫則可以使用實(shí)體鏈接將文章中可能的候選實(shí)體鏈接到用戶的知識庫上。另一種是當(dāng)用戶沒有知識庫則需要使用命名實(shí)體識別技術(shù)識別文章中的實(shí)體。若文章中存在實(shí)體的別名或者簡稱還需要構(gòu)建實(shí)體間的同義詞表，這樣可以使不同實(shí)體具有相同的描述。在識別實(shí)體的過程中可能會用到分詞、詞性標(biāo)注，以及深度學(xué)習(xí)模型中需要用到分布式表達(dá)如詞向量。同時(shí)為了得到不同粒度的知識還可能需要提取文中的關(guān)鍵詞，獲取文章的潛在主題等。當(dāng)用戶獲得實(shí)體后，則需要關(guān)注實(shí)體間的關(guān)系，我們稱為實(shí)體關(guān)系識別，有些實(shí)體關(guān)系識別的方法會利用句法結(jié)構(gòu)來幫助確定兩個(gè)實(shí)體間的關(guān)系，因此在有些算法中會利用依存分析或者語義解析。如果用戶不僅僅想獲取實(shí)體間的關(guān)系，還想獲取一個(gè)事件的詳細(xì)內(nèi)容，那么則需要確定事件的觸發(fā)詞并獲取事件相應(yīng)描述的句子，同時(shí)識別事件描述句子中實(shí)體對應(yīng)事件的角色。

在處理半結(jié)構(gòu)化數(shù)據(jù)方面，主要的工作是通過包裝器學(xué)習(xí)半結(jié)構(gòu)化數(shù)據(jù)的抽取規(guī)則。由于半結(jié)構(gòu)化數(shù)據(jù)具有大量的重復(fù)性的結(jié)構(gòu)，因此對數(shù)據(jù)進(jìn)行少量的標(biāo)注，可以讓機(jī)器學(xué)出一定的規(guī)則進(jìn)而在整個(gè)站點(diǎn)下使用規(guī)則對同類型或者符合某種關(guān)系的數(shù)據(jù)進(jìn)行抽取。最后當(dāng)用戶的數(shù)據(jù)存儲在生產(chǎn)系統(tǒng)的數(shù)據(jù)庫中時(shí)，需要通過 ETL 工具對用戶生產(chǎn)系統(tǒng)下的數(shù)據(jù)進(jìn)行重新組織、清洗、檢測最后得到符合用戶使用目的數(shù)據(jù)。

1.1.2 知識融合

當(dāng)知識從各個(gè)數(shù)據(jù)源下獲取時(shí)需要提供統(tǒng)一的術(shù)語將各個(gè)數(shù)據(jù)源獲取的知識融合成一個(gè)龐大的知識庫。提供統(tǒng)一術(shù)語的結(jié)構(gòu)或者數(shù)據(jù)被稱為本體，本體不僅提供了統(tǒng)一的術(shù)語字典，還構(gòu)建了各個(gè)術(shù)語間的關(guān)系以及限制。本體可以讓用戶非常方便和靈活的根據(jù)自己的業(yè)務(wù)建立或者修改數(shù)據(jù)模型。通過數(shù)據(jù)映射技術(shù)建立本體中術(shù)語和不同數(shù)據(jù)源抽取知識中詞匯的映射關(guān)系，進(jìn)而將不同數(shù)據(jù)源的數(shù)據(jù)融合在一起。同時(shí)不同源的實(shí)體可能會指向現(xiàn)實(shí)世界的同一個(gè)客體，這時(shí)需要使用實(shí)體匹配將不同數(shù)據(jù)源相同客體的數(shù)據(jù)進(jìn)行融合。不同本體間也會存在某些術(shù)語描述同一類數(shù)據(jù)，那么對這些本體間則需要本體融合技術(shù)把不同的本體融合。最后融合而成的知識庫需要一個(gè)存儲、管理的解決方案。知識存儲和管理的解決方案會根據(jù)用戶查詢場景的不同采用不同的存儲架構(gòu)如 NoSQL 或者關(guān)系數(shù)據(jù)庫。同時(shí)大規(guī)模的知識庫也符合大數(shù)據(jù)的特征，因此需要傳統(tǒng)的大數(shù)據(jù)平臺如 Spark 或者 Hadoop 提供高性能計(jì)算能力，支持快速運(yùn)算。

1.1.3 知識計(jì)算及應(yīng)用

知識計(jì)算主要是根據(jù)圖譜提供的信息得到更多隱含的知識，如通過本體或者規(guī)則推理技術(shù)可以獲取數(shù)據(jù)中存在的隱含知識；而鏈接預(yù)測則可預(yù)測實(shí)體間隱含的關(guān)系；同時(shí)使用社會計(jì)算的不同算法在知識網(wǎng)絡(luò)上計(jì)算獲取知識圖譜上存在的社區(qū)，提供知識間關(guān)聯(lián)的路徑；通過不一致檢測技術(shù)發(fā)現(xiàn)數(shù)據(jù)中的噪聲和缺陷。通過知識計(jì)算知識圖譜可以產(chǎn)生大量的智能應(yīng)用如可以提供精確的用戶畫像為精準(zhǔn)營銷系統(tǒng)提供潛在的客戶；提供領(lǐng)域知識給專家系統(tǒng)提供決策數(shù)據(jù)，給律師、醫(yī)生、公司 CEO 等提供輔助決策的意見；提供更智能的檢索方式，使用戶可以通過自然語言進(jìn)行搜索；當(dāng)然知識圖譜也是問答必不可少的重要組建。

圖1

從上圖可以看出，知識圖譜涉及到的技術(shù)非常多，每一項(xiàng)技術(shù)都需要專門去研究，而且已經(jīng)有很多研究成果。由于篇幅的限制，本文重點(diǎn)介紹知識圖譜構(gòu)建和知識計(jì)算的幾個(gè)核心技術(shù)。

1.2　實(shí)體關(guān)系識別技術(shù)

最初實(shí)體關(guān)系識別任務(wù)在 1998 年 MUC（Message Understanding Conference）中以 MUC-7 任務(wù)被引入，目的是通過填充關(guān)系模板槽的方式抽去文本中特定的關(guān)系。1998 后，在 ACE（Automatic Content Extraction）中被定義為關(guān)系檢測和識別的任務(wù)；2009 年 ACE 并入 TAC (Text Analysis Conference)，關(guān)系抽取被并入到 KBP（knowledgeBase Population）領(lǐng)域的槽填充任務(wù)。從關(guān)系任務(wù)定義上，分為限定領(lǐng)域（Close Domain）和開放領(lǐng)域（Open IE）；從方法上看，實(shí)體關(guān)系識別了從流水線識別方法逐漸過渡到端到端的識別方法。

基于統(tǒng)計(jì)學(xué)的方法將從文本中識別實(shí)體間關(guān)系的問題轉(zhuǎn)化為分類問題?；诮y(tǒng)計(jì)學(xué)的方法在實(shí)體關(guān)系識別時(shí)需要加入實(shí)體關(guān)系上下文信息確定實(shí)體間的關(guān)系，然而基于監(jiān)督的方法依賴大量的標(biāo)注數(shù)據(jù)，因此半監(jiān)督或者無監(jiān)督的方法受到了更多關(guān)注。

（1）監(jiān)督學(xué)習(xí)：Zhou[13] 在 Kambhatla 的基礎(chǔ)上加入了基本詞組塊信息和 WordNet，使用 SVM 作為分類器，在實(shí)體關(guān)系識別的準(zhǔn)確率達(dá)到了 55.5%，實(shí)驗(yàn)表明實(shí)體類別信息的特征有助于提高關(guān)系抽取性能； Zelenko[14] 等人使用淺層句法分析樹上最小公共子樹來表達(dá)關(guān)系實(shí)例，計(jì)算兩顆子樹之間的核函數(shù)，通過訓(xùn)練例如 SVM 模型的分類器來對實(shí)例進(jìn)行分。但基于核函數(shù)的方法的問題是召回率普遍較低，這是由于相似度計(jì)算過程匹配約束比較嚴(yán)格，因此在后續(xù)研究對基于核函數(shù)改進(jìn)中，大部分是圍繞改進(jìn)召回率。但隨著時(shí)間的推移，語料的增多、深度學(xué)習(xí)在圖像和語音領(lǐng)域獲得成功，信息抽取逐漸轉(zhuǎn)向了基于神經(jīng)模型的研究，相關(guān)的語料被提出作為測試標(biāo)準(zhǔn)，如 SemEval-2010 task 8[15]?；谏窠?jīng)網(wǎng)絡(luò)方法的研究有，Hashimoto[16] 等人利用 Word Embedding 方法從標(biāo)注語料中學(xué)習(xí)特定的名詞對的上下文特征，然后將該特征加入到神經(jīng)網(wǎng)絡(luò)分類器中，在 SemEval-2010 task 8 上取得了 F1 值 82.8% 的效果?；谏窠?jīng)網(wǎng)絡(luò)模型顯著的特點(diǎn)是不需要加入太多的特征，一般可用的特征有詞向量、位置等，因此有人提出利用基于聯(lián)合抽取模型，這種模型可以同時(shí)抽取實(shí)體和其之間的關(guān)系。聯(lián)合抽取模型的優(yōu)點(diǎn)是可以避免流水線模型存在的錯誤累積[17-22]。其中比較有代表性的工作是[20]，該方法通過提出全新的全局特征作為算法的軟約束，進(jìn)而同時(shí)提高關(guān)系抽取和實(shí)體抽取的準(zhǔn)確率，該方法在 ACE 語料上比傳統(tǒng)的流水線方法 F1 提高了 1.5%，；另一項(xiàng)工作是 [22]，利用雙層的 LSTM-RNN 模型訓(xùn)練分類模型，第一層 LSTM 輸入的是詞向量、位置特征和詞性來識別實(shí)體的類型。訓(xùn)練得到的 LSTM 中隱藏層的分布式表達(dá)和實(shí)體的分類標(biāo)簽信息作為第二層 RNN 模型的輸入，第二層的輸入實(shí)體之間的依存路徑，第二層訓(xùn)練對關(guān)系的分類，通過神經(jīng)網(wǎng)絡(luò)同時(shí)優(yōu)化 LSTM 和 RNN 的模型參數(shù)，實(shí)驗(yàn)與另一個(gè)采用神經(jīng)網(wǎng)絡(luò)的聯(lián)合抽取模型[21]相比在關(guān)系分類上有一定的提升。但無論是流水線方法還是聯(lián)合抽取方法，都屬于有監(jiān)督學(xué)習(xí)，因此需要大量的訓(xùn)練語料，尤其是對基于神經(jīng)網(wǎng)絡(luò)的方法，需要大量的語料進(jìn)行模型訓(xùn)練，因此這些方法都不適用于構(gòu)建大規(guī)模的 Knowledge Base。

（2）半（弱）監(jiān)督學(xué)習(xí)：半監(jiān)督學(xué)習(xí)主要是利用少量的標(biāo)注信息進(jìn)行學(xué)習(xí)，這方面的工作主要是基于 Bootstrap 的方法?；?Bootstrap 的方法主要是利用少量的實(shí)例作為初始種子的集合，然后利用 pattern 學(xué)習(xí)方法進(jìn)行學(xué)習(xí)，通過不斷的迭代，從非結(jié)構(gòu)化數(shù)據(jù)中抽取實(shí)例，然后從新學(xué)到的實(shí)例中學(xué)習(xí)新的 pattern 并擴(kuò)種 pattern 集合。Brin[23]等人通過少量的實(shí)例學(xué)習(xí)種子模板，從網(wǎng)絡(luò)上大量非結(jié)構(gòu)化文本中抽取新的實(shí)例，同時(shí)學(xué)習(xí)新的抽取模板，其主要貢獻(xiàn)是構(gòu)建了 DIPRE 系統(tǒng)；Agichtein[24]在 Brin 的基礎(chǔ)上對新抽取的實(shí)例進(jìn)行可信度的評分和完善關(guān)系描述的模式，設(shè)計(jì)實(shí)現(xiàn)了 Snowball 抽取系統(tǒng)；此后的一些系統(tǒng)都沿著 Bootstrap 的方法，但會加入更合理的對 pattern 描述、更加合理的限制條件和評分策略，或者基于先前系統(tǒng)抽取結(jié)果上構(gòu)建大規(guī)模 pattern；如 NELL（Never-EndingLanguage Learner）系統(tǒng)[25-26]，NELL 初始化一個(gè)本體和種子 pattern，從大規(guī)模的 Web 文本中學(xué)習(xí)，通過對學(xué)習(xí)到的內(nèi)容進(jìn)行打分來提高準(zhǔn)確率，目前已經(jīng)獲得了 280 萬個(gè)事實(shí)。

（3）無監(jiān)督學(xué)習(xí)： Bollegala[27]從搜索引擎摘要中獲取和聚合抽取模板，將模板聚類后發(fā)現(xiàn)由實(shí)體對代表的隱含語義關(guān)系; Bollegala[28]使用聯(lián)合聚類(Co-clustering)算法，利用關(guān)系實(shí)例和關(guān)系模板的對偶性，提高了關(guān)系模板聚類效果，同時(shí)使用 L1 正則化 Logistics 回歸模型，在關(guān)系模板聚類結(jié)果中篩選出代表性的抽取模板，使得關(guān)系抽取在準(zhǔn)確率和召回率上都有所提高。

無監(jiān)督學(xué)習(xí)一般利用語料中存在的大量冗余信息做聚類，在聚類結(jié)果的基礎(chǔ)上給定關(guān)系，但由于聚類方法本身就存在難以描述關(guān)系和低頻實(shí)例召回率低的問題，因此無監(jiān)督學(xué)習(xí)一般難以得很好的抽取效果。

1.3　知識融合技術(shù)

知識融合（knowledge fusion）指的是將多個(gè)數(shù)據(jù)源抽取的知識進(jìn)行融合。與傳統(tǒng)數(shù)據(jù)融合（datafusion）[29]任務(wù)的主要不同是，知識融合可能使用多個(gè)知識抽取工具為每個(gè)數(shù)據(jù)項(xiàng)從每個(gè)數(shù)據(jù)源中抽取相應(yīng)的值，而數(shù)據(jù)融合未考慮多個(gè)抽取工具[30]。由此，知識融合除了應(yīng)對抽取出來的事實(shí)本身可能存在的噪音外，還比數(shù)據(jù)融合多引入了一個(gè)噪音，就是不同抽取工具通過實(shí)體鏈接和本體匹配可能產(chǎn)生不同的結(jié)果。另外，知識融合還需要考慮本體的融合和實(shí)例的融合。

文獻(xiàn)[30]首先從已有的數(shù)據(jù)融合方法中挑選出易于產(chǎn)生有意義概率的、便于使用基于 MapReduce 框架的、有前途的最新方法，然后對這些挑選出的方法做出以下改進(jìn)以用于知識融合：將每個(gè)抽取工具同每個(gè)信息源配對，每對作為數(shù)據(jù)融合任務(wù)中的一個(gè)數(shù)據(jù)源，這樣就變成了傳統(tǒng)的數(shù)據(jù)融合任務(wù)；改進(jìn)已有數(shù)據(jù)融合方法使其輸出概率，代替原來的真假二值；根據(jù)知識融合中的數(shù)據(jù)特征修改基于 MapReduce 的框架。文獻(xiàn)[31]提出一個(gè)將通過不同搜索引擎得到的知識卡片（即結(jié)構(gòu)化的總結(jié)）融合起來的方法。針對一個(gè)實(shí)體查詢，不同搜索引擎可能返回不同的知識卡片，即便同一個(gè)搜索引擎也可能返回多個(gè)知識卡片。將這些知識卡片融合起來時(shí)，同文獻(xiàn)[30]中提出的方法類似，將知識融合中的三維問題將為二維問題，再應(yīng)用傳統(tǒng)的數(shù)據(jù)融合技術(shù)。不過，文獻(xiàn)[31]提出了一個(gè)新的概率打分算法，用于挑選一個(gè)知識卡片最有可能指向的實(shí)體，并設(shè)計(jì)了一個(gè)基于學(xué)習(xí)的方法來做屬性匹配。

在知識融合技術(shù)中，本體匹配扮演著非常重要的角色，提供了概念或者實(shí)體之間的對應(yīng)關(guān)系。截止目前，人們已經(jīng)提出了各種各樣的本體匹配算法，一般可以分為模式匹配（schema matching）和實(shí)例匹配（instance matching），也有少量的同時(shí)考慮模式和實(shí)例的匹配[32-34]。從技術(shù)層面來講，本體匹配可分為啟發(fā)式方法、概率方法、基于圖的方法、基于學(xué)習(xí)的方法和基于推理的方法。下面圍繞模式匹配和實(shí)例匹配，具體介紹各自分類中幾個(gè)具有代表性的匹配方法。 

模式匹配主要尋找本體中屬性和概念之間的對應(yīng)關(guān)系，文獻(xiàn)[35]和[36]給出比較詳盡的綜述。文獻(xiàn)[37]提出一個(gè)自動的語義匹配方法，該方法首先利用像 WordNet 之類的詞典以及本體的結(jié)構(gòu)等信息進(jìn)行模式匹配，然后將結(jié)果根據(jù)加權(quán)平均的方法整合起來，再利用一些模式（patterns）進(jìn)行一致性檢查，去除那些導(dǎo)致不一致的對應(yīng)關(guān)系。該過程可循環(huán)的，直到不再找到新的對應(yīng)關(guān)系為止。文獻(xiàn)[38]也是考慮多種匹配算法的結(jié)合，利用基于術(shù)語的一些相似度計(jì)算算法，例如 n-gram 和編輯距離，這里算法計(jì)算的結(jié)果根據(jù)加權(quán)求和進(jìn)行合并，還考慮了概念的層次關(guān)系和一些背景知識，最后通過用戶定義的權(quán)重進(jìn)行合并。為了應(yīng)對大規(guī)模的本體，文獻(xiàn)[39]提出一個(gè)使用錨（anchor）的系統(tǒng)，該系統(tǒng)以一對來自兩個(gè)本體的相似概念為起點(diǎn)，根據(jù)這些概念的父概念和子概念等鄰居信息逐漸地構(gòu)建小片段，從中找出匹配的概念。新找出的匹配的概念對又可作為新的錨，然后再根據(jù)鄰居信息構(gòu)建新的片段。該過程不斷地重復(fù)，直到未找到新的匹配概念對時(shí)停止。文獻(xiàn)[40]則以分而治之的思想處理大規(guī)模本體，該方法先根據(jù)本體的結(jié)構(gòu)對其進(jìn)行劃分獲得組塊，然后從不同本體獲得的組塊進(jìn)行基于錨的匹配，這里的錨是指事先匹配好的實(shí)體對，最后再從匹配的組塊中找出對應(yīng)的概念和屬性?，F(xiàn)有的匹配方法通常是將多個(gè)匹配算法相結(jié)合，采用加權(quán)平均或加權(quán)求和的方式進(jìn)行合并。但是，由于本體結(jié)構(gòu)的不對稱性等特征，這種固定的加權(quán)方法顯出不足。文獻(xiàn)[41]基于貝葉斯決策的風(fēng)險(xiǎn)最小化提出一個(gè)動態(tài)的合并方法，該方法可以根據(jù)本體的特征，在計(jì)算每個(gè)實(shí)體對的相似度時(shí)動態(tài)地選擇使用哪幾個(gè)匹配算法，如何合并這些算法，其靈活性帶來了很好的匹配結(jié)果。

實(shí)例匹配是評估異構(gòu)知識源之間實(shí)例對的相似度，用來判斷這些實(shí)例是否指向給定領(lǐng)域的相同實(shí)體。最近幾年，隨著 Web 2.0 和語義 Web 技術(shù)的不斷發(fā)展，越來越多的語義數(shù)據(jù)往往具有豐富實(shí)例和薄弱模式的特點(diǎn)，促使本體匹配的研究工作慢慢的從模式層轉(zhuǎn)移到實(shí)例層[42]。文獻(xiàn)[43]提出一個(gè)自訓(xùn)練的方法進(jìn)行實(shí)例匹配，該方法首先根據(jù) owl:sameAs、函數(shù)型屬性（functional properties）和基數(shù)（cardinalities）構(gòu)建一個(gè)核（kernel），再根據(jù)區(qū)別比較明顯的屬性值對遞歸的對該核進(jìn)行擴(kuò)展。文獻(xiàn)[44]利用現(xiàn)有的局部敏感哈希（locality-sensitivehashing）技術(shù)來大幅提高實(shí)例匹配的可擴(kuò)展性，該方法首先需要定義用于實(shí)例相似性分析的粒度，然后使用分割好的字符串技術(shù)實(shí)例相似度。文獻(xiàn)[45]首先使用向量空間模型表示實(shí)例的描述性信息，再基于規(guī)則采用倒排索引（inverted indexes）獲取最初的匹配候選，在使用用戶定義的屬性值對候選進(jìn)行過濾，最后計(jì)算出的匹配候選相似度用來作為整合的向量距離，由此抽取出匹配結(jié)果。雖然已有方法中已有不少用于處理大規(guī)模本體的實(shí)例匹配問題，但是同時(shí)保證高效和高精度仍然是個(gè)很大的挑戰(zhàn)。文獻(xiàn)[46]提出了一個(gè)迭代的框架，充分利用特征明顯的已有匹配方法來提高效率，同時(shí)基于相似度傳播的方法利用一個(gè)加權(quán)指數(shù)函數(shù)來確保實(shí)例匹配的高精度。

1.4　實(shí)體鏈接技術(shù)

歧義性和多樣性是自然語言的固有屬性，也是實(shí)體鏈接的根本難點(diǎn)。如何挖掘更多、更加有效的消歧證據(jù)，設(shè)計(jì)更高性能的消歧算法依然是實(shí)體鏈接系統(tǒng)的核心研究問題，值得進(jìn)一步研究。下面按照不同的實(shí)體消歧方法進(jìn)行分類。

基于概率生成模型方法：韓先培和孫樂[47]提出了一種生成概率模型，將候選實(shí)體 e 出現(xiàn)在某頁面中的概率、特定實(shí)體 e 被表示為實(shí)體指稱項(xiàng)的概率以及實(shí)體 e 出現(xiàn)在特定上下文中的概率三者相乘，得到候選實(shí)體同實(shí)體指稱項(xiàng)之間的相似度評分值。Blanco 和 Ottaviano 等人[48]提出了用于搜索查詢實(shí)體鏈接的概率模型，該方法采用了散列技術(shù)與上下文知識，有效地提高了實(shí)體鏈接的效率。

基于主題模型的方法：Zhang 等人[49]通過模型自動對文本中的實(shí)體指稱進(jìn)行標(biāo)注，生成訓(xùn)練數(shù)據(jù)集用于訓(xùn)練 LDA 主題模型，然后計(jì)算實(shí)體指稱和候選實(shí)體的上下文語義相似度從而消歧得到目標(biāo)實(shí)體。王建勇等人[50]提出了對用戶的興趣主題建模的方法，首先構(gòu)建關(guān)系圖，圖中包含了不同命名實(shí)體間的相互依賴關(guān)系，然后利用局部信息對關(guān)系圖中每個(gè)命名實(shí)體賦予初始興趣值，最后利用傳播算法對不同命名實(shí)體的興趣值進(jìn)行傳播得到最終興趣值，選擇具有最高興趣值的候選實(shí)體。

基于圖的方法：Han 等人[51]構(gòu)造了一種基于圖的模型，其中圖節(jié)點(diǎn)為所有實(shí)體指稱和所有候選實(shí)體；圖的邊分為兩類，一類是實(shí)體指稱和其對應(yīng)的候選實(shí)體之間的邊，權(quán)重為實(shí)體指稱和候選實(shí)體之間的局部文本相似度，采用詞袋模型和余弦距離計(jì)算得出。另一類是候選實(shí)體之間的邊，權(quán)重為候選實(shí)體之間的語義相關(guān)度，采用谷歌距離計(jì)算。算法首先采集不同實(shí)體的初始置信度，然后通過圖中的邊對置信度進(jìn)行傳播和增強(qiáng)。Gentile 和 Zhang[52]等人提出了基于圖和語義關(guān)系的命名實(shí)體消歧方法，該方法在維基百科上建立基于圖的模型，然后在該模型上計(jì)算各個(gè)命名實(shí)體的得分從而確定了目標(biāo)實(shí)體，該方法在新聞數(shù)據(jù)上取得了較高的準(zhǔn)確率。Alhelbawy 等人[53]也采用基于圖的方法，圖中的節(jié)點(diǎn)為所有的候選實(shí)體，邊采用兩種方式構(gòu)建，一種是實(shí)體之間的維基百科鏈接，另一種是使用實(shí)體在維基百科文章中句子的共現(xiàn)。圖中的候選實(shí)體節(jié)點(diǎn)通過和實(shí)體指稱的相似度值被賦予初始值，采用 PageRank 選擇目標(biāo)實(shí)體。Hoffart 等人[54]使用實(shí)體的先驗(yàn)概率，實(shí)體指稱和候選實(shí)體的上下文相似度，以及候選實(shí)體之間的內(nèi)聚性構(gòu)成一個(gè)加權(quán)圖，從中選擇出一個(gè)候選實(shí)體的密集子圖作為最可能的目標(biāo)實(shí)體分配給實(shí)體指稱。

基于深度神經(jīng)網(wǎng)絡(luò)的方法：周明和王厚峰等人[55]提出了一種用于實(shí)體消歧的實(shí)體表示訓(xùn)練方法。該方法對文章內(nèi)容進(jìn)行自編碼，利用深度神經(jīng)網(wǎng)絡(luò)模型以有監(jiān)督的方式訓(xùn)練實(shí)體表示，依據(jù)語義表示相似度對候選實(shí)體進(jìn)行排序，但該方法是一種局部性方法，沒有考慮同一文本中共同出現(xiàn)的實(shí)體間相關(guān)性。黃洪釗和季姮等人[56]基于深度神經(jīng)網(wǎng)絡(luò)和語義知識圖譜，提出了一種基于圖的半監(jiān)督實(shí)體消歧義方法，將深度神經(jīng)網(wǎng)絡(luò)模型得到的實(shí)體間語義關(guān)聯(lián)度作為圖中的邊權(quán)值。從實(shí)驗(yàn)結(jié)果得出：基于語義知識圖譜的 NGD 和 VSM[57]方法比起 Wikipedia anchor links 無論在關(guān)聯(lián)性測試上還是在消歧性能上都具有更好的測試結(jié)果。相比 NGD 和 VSM，基于 DNN[58]的深度語義關(guān)聯(lián)方法在關(guān)聯(lián)性測試上還是在消歧性能上都具有更好的關(guān)聯(lián)性和更高的準(zhǔn)確性。但該方法存在兩點(diǎn)不足，一方面在構(gòu)建深度語義關(guān)聯(lián)模型時(shí)采用詞袋子方法，沒有考慮上下文詞之間位置關(guān)系，另外一方面在消歧的過程中，構(gòu)建的圖模型沒有充分利用已消歧實(shí)體，邊權(quán)值和頂點(diǎn)得分隨著未消歧實(shí)體增加保持不變，并沒有為后續(xù)的歧義實(shí)體增加信息量。

1.5　知識推理技術(shù)

知識庫推理可以粗略地分為基于符號的推理和基于統(tǒng)計(jì)的推理。在人工智能的研究中，基于符號的推理一般是基于經(jīng)典邏輯（一階謂詞邏輯或者命題邏輯）或者經(jīng)典邏輯的變異（比如說缺省邏輯）?；诜柕耐评砜梢詮囊粋€(gè)已有的知識圖譜，利用規(guī)則，推理出新的實(shí)體間關(guān)系，還可以對知識圖譜進(jìn)行邏輯的沖突檢測?；诮y(tǒng)計(jì)的方法一般指關(guān)系機(jī)器學(xué)習(xí)方法，通過統(tǒng)計(jì)規(guī)律從知識圖譜中學(xué)習(xí)到新的實(shí)體間關(guān)系。

1.5.1 基于符號邏輯的推理方法

為了使得語義網(wǎng)絡(luò)同時(shí)具備形式化語義和高效推理，一些研究人員提出了易處理（tractable）概念語言，并且開發(fā)了一些商用化的語義網(wǎng)絡(luò)系統(tǒng)。這些系統(tǒng)的提出，使得針對概念描述的一系列邏輯語言，統(tǒng)稱描述邏輯（description logic），得到了學(xué)術(shù)界和業(yè)界廣泛關(guān)注。但是這些系統(tǒng)的推理效率難以滿足日益增長的數(shù)據(jù)的需求，最終沒能得到廣泛應(yīng)用。這一困局被利物浦大學(xué)的 Ian Horrocks 教授打破，他開發(fā)的 FaCT 系統(tǒng)可以處理一個(gè)比較大的醫(yī)療術(shù)語本體 GALEN，而且性能比其他類似的推理機(jī)要好得多。描述邏輯最終成為了 W3C 推薦的 Web 本體語言 OWL 的邏輯基礎(chǔ)。

雖然描述邏輯推理機(jī)的優(yōu)化取得了很大的進(jìn)展，但是還是跟不上數(shù)據(jù)增長的速度，特別是當(dāng)數(shù)據(jù)規(guī)模大到目前的基于內(nèi)存的服務(wù)器無法處理的情況下。為了應(yīng)對這一挑戰(zhàn)，最近幾年，研究人員開始考慮將描述邏輯和 RDFS 的推理并行來提升推理的效率和可擴(kuò)展性，并且取得了很多成果。并行推理工作所借助的并行技術(shù)分為以下兩類：1）單機(jī)環(huán)境下的多核、多處理器技術(shù)，比如多線程，GPU 技術(shù)等；2）多機(jī)環(huán)境下基于網(wǎng)絡(luò)通信的分布式技術(shù)，比如 MapReduce 計(jì)算框架、Peer-To-Peer 網(wǎng)絡(luò)框架等。很多工作嘗試?yán)眠@些技術(shù)實(shí)現(xiàn)高效的并行推理。

單機(jī)環(huán)境下的并行技術(shù)以共享內(nèi)存模型為特點(diǎn)，側(cè)重于提升本體推理的時(shí)間效率。對于實(shí)時(shí)性要求較高的應(yīng)用場景，這種方法成為首選。對于表達(dá)能力較低的語言，比如 RDFS、OWL EL，單機(jī)環(huán)境下的并行技術(shù)將顯著地提升本體推理效率。Goodman 等人在[59]中利用高性能計(jì)算平臺 Cray XMT 實(shí)現(xiàn)了大規(guī)模的 RDFS 本體推理，利用平臺計(jì)算資源的優(yōu)勢限制所有推理任務(wù)在內(nèi)存完成。然而對于計(jì)算資源有限的平臺，內(nèi)存使用率的優(yōu)化成為了不可避免的問題。Motik 等人在[60]工作中將 RDFS，以及表達(dá)能力更高的 OWL RL 等價(jià)地轉(zhuǎn)換為 Datalog 程序，然后利用 Datalog 中的并行優(yōu)化技術(shù)來解決內(nèi)存的使用率問題。在[61]中，作者嘗試?yán)貌⑿信c串行的混合方法來提升OWL RL的推理效率。Kazakov 等人在 [62]中提出了利用多線程技術(shù)實(shí)現(xiàn) OWL EL 分類(classification)的方法，并實(shí)現(xiàn)推理機(jī) ELK。

盡管單機(jī)環(huán)境的推理技術(shù)可以滿足高推理性能的需求，但是由于計(jì)算資源有限（比如內(nèi)存，存儲容量），推理方法的可伸縮性（scalability）受到不同程度的限制。因此，很多工作利用分布式技術(shù)突破大規(guī)模數(shù)據(jù)的處理界限。這種方法利用多機(jī)搭建集群來實(shí)現(xiàn)本體推理。

Mavin[63]是首個(gè)嘗試?yán)?Peer-To-Peer 的分布式框架實(shí)現(xiàn) RDF 數(shù)據(jù)推理的工作。實(shí)驗(yàn)結(jié)果表明，利用分布式技術(shù)可以完成很多在單機(jī)環(huán)境下無法完成的大數(shù)據(jù)量推理任務(wù)。很多工作基于 MapReduce 的開源實(shí)現(xiàn)（如 Hadoop，Spark 等）設(shè)計(jì)提出了大規(guī)模本體的推理方法。其中較為成功的一個(gè)嘗試是 Urbani 等人在 2010 年公布的推理系統(tǒng) WebPIE [64]。實(shí)驗(yàn)結(jié)果證實(shí)其在大集群上可以完成上百億的 RDF 三元組的推理。他們又在這個(gè)基礎(chǔ)上研究提出了基于 MapReduce 的 OWL RL 查詢算法[65]。利用 MapReduce 來實(shí)現(xiàn) OWL EL 本體的推理算法在 [66]中提出，實(shí)驗(yàn)證明 MapReduce 技術(shù)同樣可以解決大規(guī)模的 OWL EL 本體推理。在[67]的工作中，進(jìn)一步擴(kuò)展 OWL EL 的推理技術(shù)，使得推理可以在多個(gè)并行計(jì)算平臺完成。

1.5.2 基于統(tǒng)計(jì)的推理方法

知識圖譜中基于統(tǒng)計(jì)的推理方法一般指關(guān)系機(jī)器學(xué)習(xí)方法。下面介紹一些典型的方法。

實(shí)體關(guān)系學(xué)習(xí)方法

實(shí)體關(guān)系學(xué)習(xí)的目的是學(xué)習(xí)知識圖譜中實(shí)例和實(shí)例之間的關(guān)系。這方面的工作非常多，也是最近幾年知識圖譜的一個(gè)比較熱的研究方向。按照文獻(xiàn)[68]的分類，可以分為潛在特征模型和圖特征模型兩種。潛在特征模型通過實(shí)例的潛在特征來解釋三元組。比如說，莫言獲得諾貝爾文學(xué)獎的一個(gè)可能解釋是他是一個(gè)有名的作家。Nickel等人在[69]中給出了一個(gè)關(guān)系潛在特征模型，稱為雙線性（bilinear）模型，該模型考慮了潛在特征的兩兩交互來學(xué)習(xí)潛在的實(shí)體關(guān)系。Drumond 等人在[70]中應(yīng)用兩兩交互的張量分解模型來學(xué)習(xí)知識圖譜中的潛在關(guān)系。

翻譯（translation）模型[71]將實(shí)體與關(guān)系統(tǒng)一映射至低維向量空間中，且認(rèn)為關(guān)系向量中承載了頭實(shí)體翻譯至尾實(shí)體的潛在特征。因此，通過發(fā)掘、對比向量空間中存在類似潛在特征的實(shí)體向量對，我們可以得到知識圖譜中潛在的三元組關(guān)系。全息嵌入（Holographic Embedding，HolE）模型[72]分別利用圓周相關(guān)計(jì)算三元組的組合表示及利用圓周卷積從組合表示中恢復(fù)出實(shí)體及關(guān)系的表示。與張量分解模型類似，HolE 可以獲得大量的實(shí)體交互來學(xué)習(xí)潛在關(guān)系，而且有效減少了訓(xùn)練參數(shù)，提高了訓(xùn)練效率。

基于圖特征模型的方法從知識圖譜中觀察到的三元組的邊的特征來預(yù)測一條可能的邊的存在。典型的方法有基于基于歸納邏輯程序（ILP）的方法[73]，基于關(guān)聯(lián)規(guī)則挖掘（ARM）的方法[74]和路徑排序（path ranking）的方法[75]?；?ILP 的方法和基于 ARM 的方法的共同之處在于通過挖掘的方法從知識圖譜中抽取一些規(guī)則，然后把這些規(guī)則應(yīng)用到知識圖譜上，推出新的關(guān)系。而路徑排序方法則是根據(jù)兩個(gè)實(shí)體間連通路徑作為特征來判斷兩個(gè)實(shí)體是否屬于某個(gè)關(guān)系。

類型推理（typeinference）方法

知識圖譜上的類型推理目的是學(xué)習(xí)知識圖譜中的實(shí)例和概念之間的屬于關(guān)系。SDType[76]利用三元組主語或謂語所連接屬性的統(tǒng)計(jì)分布以預(yù)測實(shí)例的類型。該方法可以用在任意單數(shù)據(jù)源的知識圖譜，但是無法做到跨數(shù)據(jù)集的類型推理。Tipalo[77]與LHD[78]均使用 DBpedia 中特有的 abstract 數(shù)據(jù)，利用特定模式進(jìn)行實(shí)例類型的抽取。此類方法依賴于特定結(jié)構(gòu)的文本數(shù)據(jù)，無法擴(kuò)展到其他知識庫。

模式歸納（schemainduction）方法

模式歸納方法學(xué)習(xí)概念之間的關(guān)系，主要有基于 ILP 的方法和基于 ARM 的方法。ILP 結(jié)合了機(jī)器學(xué)習(xí)和邏輯編程技術(shù)，使得人們可以從實(shí)例和背景知識中獲得邏輯結(jié)論。Lehmann 等在[79]中提出用向下精化算子學(xué)習(xí)描述邏輯的概念定義公理的方法，即從最一般的概念（即頂概念）開始，采用啟發(fā)式搜索方法使該概念不斷特殊化，最終得到概念的定義。為了處理像 DBpedia 這樣大規(guī)模的語義數(shù)據(jù)，該方法在[80]中得到進(jìn)一步的擴(kuò)展。這些方法都在 DL-Learner[81]中得以實(shí)現(xiàn)。V?lker 等人在[82]中介紹了從知識圖譜中生成概念關(guān)系的統(tǒng)計(jì)方法，該方法通過 SPARQL 查詢來獲取信息，用以構(gòu)建事務(wù)表。然后使用 ARM 技術(shù)從事務(wù)表中挖掘出一些相關(guān)聯(lián)的概念關(guān)系。在他們的后續(xù)工作中，使用負(fù)關(guān)聯(lián)規(guī)則挖掘技術(shù)學(xué)習(xí)不交概念關(guān)系[83]，并在文獻(xiàn)[84]中給出了豐富的試驗(yàn)結(jié)果。

本節(jié)首先介紹當(dāng)前世界范圍內(nèi)知名的高質(zhì)量大規(guī)模開放知識圖譜，包括 DBpedia[85][86]、Yago[87][88]、Wikidata[89]、BabelNet[90][91]、ConceptNet[92][93]以及Microsoft Concept Graph[94][95]等。然后介紹中文開放知識圖譜平臺 OpenKG。

2.1 開放知識圖譜

DBpedia 是一個(gè)大規(guī)模的多語言百科知識圖譜，可視為是維基百科的結(jié)構(gòu)化版本。DBpedia 使用固定的模式對維基百科中的實(shí)體信息進(jìn)行抽取，包括 abstract、infobox、category 和 page link 等信息。圖 2 示例了如何將維基百科中的實(shí)體“Busan”的 infobox 信息轉(zhuǎn)換成 RDF 三元組。DBpedia 目前擁有 127 種語言的超過兩千八百萬個(gè)實(shí)體與數(shù)億個(gè) RDF 三元組，并且作為鏈接數(shù)據(jù)的核心，與許多其他數(shù)據(jù)集均存在實(shí)體映射關(guān)系。而根據(jù)抽樣評測[96]，DBpedia 中 RDF 三元組的正確率達(dá) 88%。DBpedia 支持?jǐn)?shù)據(jù)集的完全下載。

Yago 是一個(gè)整合了維基百科與 WordNet[97]的大規(guī)模本體，它首先制定一些固定的規(guī)則對維基百科中每個(gè)實(shí)體的 infobox 進(jìn)行抽取，然后利用維基百科的category進(jìn)行實(shí)體類別推斷（Type Inference）獲得了大量的實(shí)體與概念之間的 IsA 關(guān)系（如：“Elvis Presley” IsA “American Rock Singers”），最后將維基百科的 category 與 WordNet 中的 Synset（一個(gè) Synset 表示一個(gè)概念）進(jìn)行映射，從而利用了 WordNet 嚴(yán)格定義的 Taxonomy 完成大規(guī)模本體的構(gòu)建。隨著時(shí)間的推移，Yago 的開發(fā)人員為該本體中的 RDF 三元組增加了時(shí)間與空間信息，從而完成了 Yago2[98]的構(gòu)建，又利用相同的方法對不同語言維基百科的進(jìn)行抽取，完成了 Yago3[99]的構(gòu)建。目前，Yago 擁有 10 種語言約 459 萬個(gè)實(shí)體，2400 萬個(gè) Facts，Yago 中 Facts的正確率約為 95%。Yago 支持?jǐn)?shù)據(jù)集的完全下載。

圖2

Wikidata 是一個(gè)可以自由協(xié)作編輯的多語言百科知識庫，它由維基媒體基金會發(fā)起，期望將維基百科、維基文庫、維基導(dǎo)游等項(xiàng)目中結(jié)構(gòu)化知識進(jìn)行抽取、存儲、關(guān)聯(lián)。Wikidata 中的每個(gè)實(shí)體存在多個(gè)不同語言的標(biāo)簽，別名，描述，以及聲明（statement），比如 Wikidata 會給出實(shí)體“London”的中文標(biāo)簽“倫敦”，中文描述“英國首都”以及圖 3 給出了一個(gè)關(guān)于“London”的聲明的具體例子。“London”的一個(gè)聲明由一個(gè) claim 與一個(gè) reference 組成，claim 包括property:“Population”、value:“8173900”以及一些 qualifiers（備注說明）組成，而 reference 則表示一個(gè) claim 的出處，可以為空值。目前 Wikidata 目前支持超過 350 種語言，擁有近 2500 萬個(gè)實(shí)體及超過 7000 萬的聲明[100]，并且目前 Freebase 正在往 Wikidata 上進(jìn)行遷移以進(jìn)一步支持 Google 的語義搜索。Wikidata 支持?jǐn)?shù)據(jù)集的完全下載。

圖3

BabelNet 是目前世界范圍內(nèi)最大的多語言百科同義詞典，它本身可被視為一個(gè)由概念、實(shí)體、關(guān)系構(gòu)成的語義網(wǎng)絡(luò)（Semantic Network）。BabelNet 目前有超過 1400 萬個(gè)詞目，每個(gè)詞目對應(yīng)一個(gè) synset。每個(gè) synset 包含所有表達(dá)相同含義的不同語言的同義詞。比如：“中國”、“中華人民共和國”、“China”以及“people’srepublic of China”均存在于一個(gè) synset 中。BabelNet 由 WordNet 中的英文 synsets 與維基百科頁面進(jìn)行映射，再利用維基百科中的跨語言頁面鏈接以及翻譯系統(tǒng)，從而得到 BabelNet 的初始版本。目前 BabelNet 又整合了 Wikidata、GeoNames、OmegaWiki 等多種資源，共擁有 271 個(gè)語言版本。由于 BabelNet 中的錯誤來源主要在于維基百科與 WordNet 之間的映射，而映射目前的正確率大約在 91%。關(guān)于數(shù)據(jù)集的使用，BabelNet 目前支持 HTTP API 調(diào)用，而數(shù)據(jù)集的完全下載需要經(jīng)過非商用的認(rèn)證后才能完成。

ConceptNet 是一個(gè)大規(guī)模的多語言常識知識庫，其本質(zhì)為一個(gè)以自然語言的方式描述人類常識的大型語義網(wǎng)絡(luò)。ConceptNet 起源于一個(gè)眾包項(xiàng)目 Open Mind Common Sense，自 1999 年開始通過文本抽取、眾包、融合現(xiàn)有知識庫中的常識知識以及設(shè)計(jì)一些游戲從而不斷獲取常識知識。ConceptNet 中共擁有 36 種固定的關(guān)系，如 IsA、UsedFor、CapableOf 等，圖 4 給出了一個(gè)具體的例子，從中可以更加清晰地了解 ConceptNet 的結(jié)構(gòu)。ConceptNet 目前擁有 304 個(gè)語言的版本，共有超過 390 萬個(gè)概念，2800 萬個(gè)聲明（statements，即語義網(wǎng)絡(luò)中邊的數(shù)量），正確率約為 81%。另外，ConceptNet 目前支持?jǐn)?shù)據(jù)集的完全下載。

圖4

Microsoft Concept Graph 是一個(gè)大規(guī)模的英文 Taxonomy，其中主要包含的是概念間以及實(shí)例（等同于上文中的實(shí)體）概念間的 IsA 關(guān)系，其中并不區(qū)分 instanceOf 與 subclassOf 關(guān)系。Microsoft Concept Graph 的前身是 Probase，它過自動化地抽取自數(shù)十億網(wǎng)頁與搜索引擎查詢記錄，其中每一個(gè) IsA 關(guān)系均附帶一個(gè)概率值，即該知識庫中的每個(gè) IsA 關(guān)系不是絕對的，而是存在一個(gè)成立的概率值以支持各種應(yīng)用，如短文本理解、基于 taxonomy 的關(guān)鍵詞搜索和萬維網(wǎng)表格理解等。目前，Microsoft Concept Graph 擁有約 530 萬個(gè)概念，1250 萬個(gè)實(shí)例以及 8500 萬個(gè) IsA 關(guān)系（正確率約為 92.8%）。關(guān)于數(shù)據(jù)集的使用，MicrosoftConcept Graph 目前支持 HTTP API 調(diào)用，而數(shù)據(jù)集的完全下載需要經(jīng)過非商用的認(rèn)證后才能完成。

除了上述知識圖譜外，中文目前可用的大規(guī)模開放知識圖譜有 Zhishi.me[101]、Zhishi.schema[102]與XLore[103]等。Zhishi.me 是第一份構(gòu)建中文鏈接數(shù)據(jù)的工作，與 DBpedia 類似，Zhishi.me 首先指定固定的抽取規(guī)則對百度百科、互動百科和中文維基百科中的實(shí)體信息進(jìn)行抽取，包括 abstract、infobox、category 等信息；然后對源自不同百科的實(shí)體進(jìn)行對齊，從而完成數(shù)據(jù)集的鏈接。目前 Zhishi.me 中擁有約 1000 萬個(gè)實(shí)體與一億兩千萬個(gè) RDF 三元組，所有數(shù)據(jù)可以通過在線 SPARQL Endpoint 查詢得到。Zhishi.schema 是一個(gè)大規(guī)模的中文模式（Schema）知識庫，其本質(zhì)是一個(gè)語義網(wǎng)絡(luò)，其中包含三種概念間的關(guān)系，即equal、related與subClassOf關(guān)系。Zhishi.schema抽取自社交站點(diǎn)的分類目錄(Category Taxonomy)及標(biāo)簽云（Tag Cloud），目前擁有約40萬的中文概念與150萬RDF三元組，正確率約為84%，并支持?jǐn)?shù)據(jù)集的完全下載。XLore 是一個(gè)大型的中英文知識圖譜，它旨在從各種不同的中英文在線百科中抽取 RDF 三元組，并建立中英文實(shí)體間的跨語言鏈接。目前，XLore 大約有 66 萬個(gè)概念，5 萬個(gè)屬性，1000 萬的實(shí)體，所有數(shù)據(jù)可以通過在線 SPARQL Endpoint 查詢得到。

2.2 中文開放知識圖譜聯(lián)盟介紹

中文開放知識圖譜聯(lián)盟（OpenKG）旨在推動中文知識圖譜的開放與互聯(lián)，推動知識圖譜技術(shù)在中國的普及與應(yīng)用，為中國人工智能的發(fā)展以及創(chuàng)新創(chuàng)業(yè)做出貢獻(xiàn)。聯(lián)盟已經(jīng)搭建有 OpenKG.CN 技術(shù)平臺，如圖 5 所示，目前已有 35 家機(jī)構(gòu)入駐。吸引了國內(nèi)最著名知識圖譜資源的加入，如 Zhishi.me， CN-DBPedia, PKUBase。并已經(jīng)包含了來自于常識、醫(yī)療、金融、城市、出行等 15 個(gè)類目的開放知識圖譜。

圖5 中文開放知識圖譜聯(lián)盟

3.1 股票投研情報(bào)分析

通過知識圖譜相關(guān)技術(shù)從招股書、年報(bào)、公司公告、券商研究報(bào)告、新聞等半結(jié)構(gòu)化表格和非結(jié)構(gòu)化文本數(shù)據(jù)中批量自動抽取公司的股東、子公司、供應(yīng)商、客戶、合作伙伴、競爭對手等信息，構(gòu)建出公司的知識圖譜。在某個(gè)宏觀經(jīng)濟(jì)事件或者企業(yè)相關(guān)事件發(fā)生的時(shí)候，券商分析師、交易員、基金公司基金經(jīng)理等投資研究人員可以通過此圖譜做更深層次的分析和更好的投資決策，比如在美國限制向中興通訊出口的消息發(fā)布之后，如果我們有中興通訊的客戶供應(yīng)商、合作伙伴以及競爭對手的關(guān)系圖譜，就能在中興通訊停牌的情況下快速地篩選出受影響的國際國內(nèi)上市公司從而挖掘投資機(jī)會或者進(jìn)行投資組合風(fēng)險(xiǎn)控制（圖6）。

圖6 股票投研情報(bào)分析

2.2 公安情報(bào)分析

通過融合企業(yè)和個(gè)人銀行資金交易明細(xì)、通話、出行、住宿、工商、稅務(wù)等信息構(gòu)建初步的“資金賬戶-人-公司”關(guān)聯(lián)知識圖譜。同時(shí)從案件描述、筆錄等非結(jié)構(gòu)化文本中抽取人(受害人、嫌疑人、報(bào)案人)、事、物、組織、卡號、時(shí)間、地點(diǎn)等信息，鏈接并補(bǔ)充到原有的知識圖譜中形成一個(gè)完整的證據(jù)鏈。輔助公安刑偵、經(jīng)偵、銀行進(jìn)行案件線索偵查和挖掘同伙。比如銀行和公安經(jīng)偵監(jiān)控資金賬戶，當(dāng)有一段時(shí)間內(nèi)有大量資金流動并集中到某個(gè)賬戶的時(shí)候很可能是非法集資，系統(tǒng)觸發(fā)預(yù)警（圖7）。

圖7 公安情報(bào)分析

3.3 反欺詐情報(bào)分析

通過融合來自不同數(shù)據(jù)源的信息構(gòu)成知識圖譜，同時(shí)引入領(lǐng)域?qū)＜医I(yè)務(wù)專家規(guī)則。我們通過數(shù)據(jù)不一致性檢測，利用繪制出的知識圖譜可以識別潛在的欺詐風(fēng)險(xiǎn)。比如借款人張xx和借款人吳x填寫信息為同事，但是兩個(gè)人填寫的公司名卻不一樣, 以及同一個(gè)電話號碼屬于兩個(gè)借款人，這些不一致性很可能有欺詐行為 （圖8）。

圖8 反欺詐情報(bào)分析

知識圖譜是知識工程的一個(gè)分支，以知識工程中語義網(wǎng)絡(luò)作為理論基礎(chǔ)，并且結(jié)合了機(jī)器學(xué)習(xí)，自然語言處理和知識表示和推理的最新成果，在大數(shù)據(jù)的推動下受到了業(yè)界和學(xué)術(shù)界的廣泛關(guān)注。知識圖譜對于解決大數(shù)據(jù)中文本分析和圖像理解問題發(fā)揮重要作用。目前，知識圖譜研究已經(jīng)取得了很多成果，形成了一些開放的知識圖譜。但是，知識圖譜的發(fā)展還存在以下障礙。首先，雖然大數(shù)據(jù)時(shí)代已經(jīng)產(chǎn)生了海量的數(shù)據(jù)，但是數(shù)據(jù)發(fā)布缺乏規(guī)范，而且數(shù)據(jù)質(zhì)量不高，從這些數(shù)據(jù)中挖掘高質(zhì)量的知識需要處理數(shù)據(jù)噪音問題。其次，垂直領(lǐng)域的知識圖譜構(gòu)建缺乏自然語言處理方面的資源，特別是詞典的匱乏使得垂直領(lǐng)域知識圖譜構(gòu)建代價(jià)很大。最后，知識圖譜構(gòu)建缺乏開源的工具，目前很多研究工作都不具備實(shí)用性，而且很少有工具發(fā)布。通用的知識圖譜構(gòu)建平臺還很難實(shí)現(xiàn)。