知識(shí)圖譜丨行業(yè)應(yīng)用廣泛，未來(lái)發(fā)展前景好，參與學(xué)習(xí)勢(shì)在必行

龍騰亞太

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

多領(lǐng)域發(fā)揮重要作用

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

知識(shí)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廣告業(yè)務(wù)。2013年以后知識(shí)圖譜開始在學(xué)術(shù)界和業(yè)界普及，并在搜索、智能問答、情報(bào)分析、金融等領(lǐng)域應(yīng)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(fèi)較高，醫(yī)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放藥品平臺(tái)Open Phacts項(xiàng)目，就是利用來(lái)自實(shí)驗(yàn)室的理化數(shù)據(jù)、各種期刊文獻(xiàn)中的研究成果以及各種開放數(shù)據(jù)，包括Clinical Trials.org，美國(guó)開放數(shù)據(jù)中的臨床實(shí)驗(yàn)數(shù)據(jù)，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(duì)各種行業(yè)進(jìn)行認(rèn)知突破。其中在醫(yī)療方面，IBM啟動(dòng)了登月計(jì)劃（moon shot），通過(guò)整合大量醫(yī)療文獻(xiàn)和書籍以及各種EMR（電子病歷）來(lái)獲取海量高質(zhì)量的醫(yī)療知識(shí)，并基于這些知識(shí)向醫(yī)護(hù)人員提供輔助臨床決策和用藥安全等方面的應(yīng)用。

金融：識(shí)別及預(yù)防欺詐

金融僅次于醫(yī)療，是知識(shí)圖譜應(yīng)用最廣泛的領(lǐng)域，在反欺詐、搜索和營(yíng)銷方面均有深入應(yīng)用。

國(guó)外的Datafox和Spiderbook，國(guó)內(nèi)的通聯(lián)數(shù)據(jù)等，通過(guò)從互聯(lián)網(wǎng)提取上市公司的相關(guān)數(shù)據(jù)，包括產(chǎn)品、公司供應(yīng)鏈關(guān)系、競(jìng)爭(zhēng)對(duì)手關(guān)系等，整合為知識(shí)圖譜幫助企業(yè)或投資機(jī)構(gòu)進(jìn)行全網(wǎng)數(shù)據(jù)的關(guān)聯(lián)分析、影響傳播和預(yù)測(cè)。

反欺詐在金融風(fēng)控中舉足輕重，但基于大數(shù)據(jù)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(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)，并有效地識(shí)別出身份造假、團(tuán)體欺詐、代辦包裝等欺詐案件。二是不少欺詐案件涉及復(fù)雜的關(guān)系網(wǎng)絡(luò)，如組團(tuán)欺詐。

知識(shí)圖譜是基于關(guān)系的表達(dá)方式，可輕松解決以上兩個(gè)問題，因此在反欺詐中獲得廣泛應(yīng)用。首先，知識(shí)圖譜可以提供非常便捷的方式來(lái)添加新的數(shù)據(jù)源。其次，知識(shí)圖譜本身是直觀的關(guān)系表達(dá)方式，可以幫助更有效地分析復(fù)雜關(guān)系中存在的特定的潛在風(fēng)險(xiǎn)。

農(nóng)業(yè)：多媒體知識(shí)指導(dǎo)

大量的農(nóng)業(yè)資料以不同格式分散存儲(chǔ)，傳統(tǒng)的關(guān)系數(shù)據(jù)庫(kù)模式不適用于復(fù)雜多變的領(lǐng)域，無(wú)法實(shí)現(xiàn)定義所有可能的知識(shí)點(diǎn)并構(gòu)建關(guān)鍵數(shù)據(jù)庫(kù)模式，而知識(shí)圖譜這種更加靈活的知識(shí)表示模型可以實(shí)現(xiàn)管理。利用抽取挖掘技術(shù)從各種多源異構(gòu)數(shù)據(jù)中獲取相應(yīng)的知識(shí)，并用統(tǒng)一圖譜進(jìn)行表示，形成完整的知識(shí)庫(kù)，刻畫作物知識(shí)、土壤知識(shí)、肥料知識(shí)、疾病知識(shí)和天氣知識(shí)等。通過(guò)圖譜關(guān)聯(lián)到圖片信息，形成多媒體知識(shí)圖譜，病變圖片信息相比專業(yè)知識(shí)更加直觀，也更方便農(nóng)民使用。

賦能認(rèn)知智能

知識(shí)圖譜對(duì)于人工智能的價(jià)值在于讓機(jī)器具備了認(rèn)知能力。機(jī)器認(rèn)知智能在應(yīng)用方面是廣泛、多樣的，體現(xiàn)在精準(zhǔn)分析、智慧搜索、智能推薦、智能解釋、更自然的人機(jī)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(shí)圖譜此類背景知識(shí)，各類工具理解大數(shù)據(jù)的手段有限，限制了基于大數(shù)據(jù)的精準(zhǔn)與精細(xì)分析，大大降低了大數(shù)據(jù)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(guī)模可觀的數(shù)據(jù)，但這些數(shù)據(jù)非但未能創(chuàng)造價(jià)值，甚至可能因消耗大量的運(yùn)維成本而成為負(fù)資產(chǎn)。

知識(shí)圖譜的發(fā)展提供了強(qiáng)大的背景知識(shí)支撐，可以賦能輿情分析、商業(yè)洞察、軍事情報(bào)分析和商業(yè)情報(bào)分析此類基于大數(shù)據(jù)的精準(zhǔn)分析。

知識(shí)圖譜和基于此的認(rèn)知智能為精細(xì)分析提供了可能。如汽車制造廠商等制造企業(yè)都希望實(shí)現(xiàn)個(gè)性化制造運(yùn)用于精細(xì)分析案例。知識(shí)圖譜構(gòu)建關(guān)于汽車評(píng)價(jià)的背景知識(shí)，如汽車的車型、車飾、動(dòng)力、能耗等，提取消費(fèi)者對(duì)汽車的褒貶態(tài)度、消費(fèi)者改進(jìn)建議、競(jìng)爭(zhēng)品牌等評(píng)價(jià)與反饋，并以此為據(jù)實(shí)現(xiàn)按需與個(gè)性化定制。

自然人機(jī)交互

人機(jī)交互將會(huì)變得更簡(jiǎn)單自然。自然人機(jī)交互包括自然語(yǔ)言問答、對(duì)話、體感交互、表情交互等，需要機(jī)器能夠理解人類的自然語(yǔ)言，要求其具有較高認(rèn)知智能水平及強(qiáng)大的背景知識(shí)。會(huì)話式(Conversational UI)、問答式(QA)交互將逐步代替?zhèn)鹘y(tǒng)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(duì)話機(jī)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)心的任何問題。

深刻影響社會(huì)結(jié)構(gòu)

以深度學(xué)習(xí)為代表的人工智能獲得巨大進(jìn)展，但深度學(xué)習(xí)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(zhàn)，而知識(shí)圖譜為“可解釋的人工智能”提供了全新的視角和機(jī)遇，并帶來(lái)新科技、商業(yè)和社會(huì)新紀(jì)元—認(rèn)知時(shí)代的黎明。

對(duì)于人類而言，知識(shí)圖譜賦能人工智能之后，將增強(qiáng)人類的能力，讓我們可以理解和運(yùn)作社會(huì)中復(fù)雜的系統(tǒng)，提升我們駕馭科技的能力，改善人類的生存環(huán)境，人類與機(jī)器的交互將更加自然、有預(yù)見性、有情感性。

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

目標(biāo)：緊密結(jié)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(gòu)建方法和技術(shù)的轉(zhuǎn)化思路，幫助學(xué)員系統(tǒng)性的掌握知識(shí)圖譜的核心技術(shù)原理�；�于百科知識(shí)進(jìn)行各項(xiàng)核心技術(shù)的實(shí)例訓(xùn)練，并結(jié)合數(shù)字圖書館、醫(yī)療、金融、電商、農(nóng)業(yè)、法律等行業(yè)應(yīng)用幫助學(xué)員快速積累知識(shí)圖譜工程項(xiàng)目經(jīng)驗(yàn)。

具體安排：

一、知識(shí)圖譜概論

1.1知識(shí)圖譜的起源和歷史

1.2知識(shí)圖譜的發(fā)展史——從框架、本體論、語(yǔ)義網(wǎng)、鏈接數(shù)據(jù)到知識(shí)圖譜

1.3知識(shí)圖譜的本質(zhì)和價(jià)值

1.4知識(shí)圖譜VS傳統(tǒng)知識(shí)庫(kù)VS關(guān)系數(shù)據(jù)庫(kù)

1.5經(jīng)典的知識(shí)圖譜

1.5.1經(jīng)典的CYC, WordNnet, WikiData, DBpedia, YAGO, NELL等知識(shí)庫(kù)

1.5.2行業(yè)知識(shí)圖譜：

Google知識(shí)圖譜，微軟實(shí)體圖，阿里知識(shí)圖譜，醫(yī)學(xué)知識(shí)圖譜，基因知識(shí)圖譜等知識(shí)圖譜項(xiàng)目

二、知識(shí)圖譜應(yīng)用

2.1知識(shí)圖譜應(yīng)用場(chǎng)景

2.2知識(shí)圖譜應(yīng)用簡(jiǎn)介

2.2.1知識(shí)圖譜在數(shù)字圖書館上的應(yīng)用  

2.2.2知識(shí)圖譜在國(guó)防、情報(bào)、公安上的應(yīng)用

2.2.3知識(shí)圖譜在金融上的應(yīng)用        

2.2.4知識(shí)圖譜在電子商務(wù)中的應(yīng)用

2.2.5知識(shí)圖譜在農(nóng)業(yè)、醫(yī)學(xué)、法律等領(lǐng)域的應(yīng)用

2.2.6知識(shí)圖譜在制造行業(yè)的應(yīng)用

2.2.7知識(shí)圖譜在大數(shù)據(jù)融合中的應(yīng)用  

2.2.8知識(shí)圖譜在人機(jī)交互（智能問答）中的應(yīng)用

三、知識(shí)表示與知識(shí)建模

3.1知識(shí)表示概念

3.2 知識(shí)表示方法

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

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

i.Json-LD、RDFa、HTML5 MicroData等新型知識(shí)表示

3.3典型知識(shí)庫(kù)項(xiàng)目的知識(shí)表示

3.4知識(shí)建模方法學(xué)

3.5知識(shí)表示和知識(shí)建模實(shí)踐

1.三國(guó)演義知識(shí)圖譜的表示和建模實(shí)踐案例

2.學(xué)術(shù)知識(shí)圖譜等

四、知識(shí)抽取與挖掘

4.1知識(shí)抽取基本問題

a.實(shí)體識(shí)別 b.關(guān)系抽取 c.事件抽取

4.2數(shù)據(jù)采集和獲取

4.3面向結(jié)構(gòu)化數(shù)據(jù)的知識(shí)抽取

a.D2RQ    b.R2RML

4.4面向半結(jié)構(gòu)化數(shù)據(jù)的知識(shí)抽取

  a.基于正則表達(dá)式的方法 b.基于包裝器的方法

4.5.面向非結(jié)構(gòu)化數(shù)據(jù)的知識(shí)抽取

a.實(shí)體識(shí)別技術(shù)（基于規(guī)則、機(jī)器學(xué)習(xí)、深度學(xué)習(xí)、半監(jiān)督學(xué)習(xí)、預(yù)訓(xùn)練等方法）

b.關(guān)系抽取技術(shù)（基于模板、監(jiān)督、遠(yuǎn)程監(jiān)督、深度學(xué)習(xí)等方法）

c.事件抽取技術(shù)（基于規(guī)則、深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)等方法）

4.6.知識(shí)挖掘

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

4.7知識(shí)抽取上機(jī)實(shí)踐

A.面向半結(jié)構(gòu)化數(shù)據(jù)的三國(guó)演義知識(shí)抽取

B.面向文本的三國(guó)演義知識(shí)抽取

C.人物關(guān)系抽取

五、知識(shí)融合

5.1知識(shí)融合背景

5.2知識(shí)異構(gòu)原因分析

5.3知識(shí)融合解決方案分析

5.4.本體對(duì)齊基本流程和常用方法

a.基于文本的匹配 b.基于圖結(jié)構(gòu)的匹配 c.基于外部知識(shí)庫(kù)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(guī)則或推理的實(shí)體匹配

c.基于機(jī)器學(xué)習(xí)的實(shí)例匹配 d.大規(guī)模知識(shí)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(guī)模實(shí)例匹配的分布式處理

5.6 知識(shí)融合上機(jī)實(shí)踐

1.百科知識(shí)融合

2.OAEI知識(shí)融合任務(wù)

六、存儲(chǔ)與檢索

6.1.知識(shí)圖譜的存儲(chǔ)與檢索概述

6.2.知識(shí)圖譜的存儲(chǔ)

  a.基于表結(jié)構(gòu)的存儲(chǔ)       b.基于圖結(jié)構(gòu)的存儲(chǔ)

6.3.知識(shí)圖譜的檢索

a.關(guān)系數(shù)據(jù)庫(kù)查詢：SQL語(yǔ)言 b數(shù)據(jù)庫(kù)查詢：SPARQL語(yǔ)言  

6.4.上機(jī)實(shí)踐案例：利用GraphDB完成知識(shí)圖譜的存儲(chǔ)與檢索

七、知識(shí)推理

7.1.知識(shí)圖譜中的推理技術(shù)概述

7.2.歸納推理：學(xué)習(xí)推理規(guī)則

  a.歸納邏輯程設(shè)計(jì)Øb.關(guān)聯(lián)規(guī)則挖掘 c.路徑排序算法

上機(jī)實(shí)踐案例：利用AMIE+算法完成Freebase數(shù)據(jù)上的關(guān)聯(lián)規(guī)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(xí)模型訓(xùn)練

7.5.上機(jī)實(shí)踐案例：利用分布式知識(shí)表示技術(shù)完成Freebase上的鏈接預(yù)測(cè)

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(kuò)展

8.3.知識(shí)圖譜搜索

a.實(shí)體搜索

b.關(guān)聯(lián)搜索

8.4.知識(shí)可視化 a.摘要技術(shù)

8.5.上機(jī)實(shí)踐案例：SPARQL搜索

九、知識(shí)問答

9.1.知識(shí)問答概述                     

9.2.知識(shí)問答基本流程

9.3.相關(guān)測(cè)試集：QALD、WebQuestions等

9.4.知識(shí)問答關(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(xí)的方法

9.5.上機(jī)實(shí)踐案例：DeepQA、TemplateQA