起點課堂會員權益
職業體系課特權
線下行業大會特權
個人IP打造特權
30+門專項技能課
1300+專題課程
12場職場軟技能直播
12場求職輔導直播
12場專業技能直播
會員專屬社群
榮耀標識【知識圖譜系列01】初識知識圖譜：了解基礎原理、應用與價值
編輯導語：“無知識圖譜，不AI”，知識圖譜一直是AI領域不可不談的話題，各大公司都在搭建各自領域的知識圖譜，還有許多靠做知識圖譜起家的獨角獸公司。那么知識圖譜到底是什么？它為什么會被大家熱衷？它與傳統的數據庫存儲數據的方式有何不同？讓我們一起看看吧。
一、知識圖譜是什么？
如字面意思，知識圖譜可以拆解為“知識”和“圖譜”去理解。
知識，是人們在改造世界的實踐中所獲得的認識和經驗的總和。
圖譜，是一種強調鏈接的存儲方式。
知識圖譜其實就是存儲及表達知識的一種方式。
但一個知識的儲存方式為什么會被單獨提出來？甚至被Google作為一項技術項目單獨提出來？
首先得了解知識在認知中起到的作用。
其實在Google之前，知識圖譜的前身：語義網絡早在1960年代就被提出，當時是作為知識表示的一種方法被提出，主要應用于自然語言理解領域（讓機器能夠理解語言）。
知識圖譜演化的重要節點
正如人去理解一段話所表達的意思時，也用到了知識，比如“阿偉手上拿著剛發布的蘋果”，這句話要能被正確理解，離不開對應的知識，至少得知道蘋果除了是吃的，還可以是個手機牌子。
也就是說知識圖譜起源是為了讓機器更好的理解語言，通過建立起知識庫，這種方法企圖讓機器擁有更多的“知識點”，能進行更多的聯想及推理，對信息的理解更到位。
知識圖譜在人工智能中充當“記憶”的角色
知識的作用不僅限于文本，對圖片也一樣。
解讀出的感受是又油又土十分好笑，這其中也運用了知識聯想，聯想了演員在社交媒體中的人設形象，當前的表情及動作，聯想了發圖者與自己的關系，于是會心一笑。
二、為什么是圖譜？
為什么演化到目前階段，是通過圖譜去存儲知識，而不是傳統數據庫？
我認為有兩點：
第一是因為圖譜的存儲結構足夠簡單，圖譜通過“三元組”存儲知識，即頭實體、關系，尾實體組成；
比如：蘋果手機是蘋果公司旗下的產品，抽象成知識表達的三元組即是：
幾乎所有的能通過符號表示的知識都能用這個結構進行儲存。
第二是因為互聯思維的普及，在強調萬物互聯的時代，圖譜這種注重鏈接的存儲方式能串聯不同領域的知識，從而挖掘其中關系隱藏的價值。
三、知識圖譜有什么用？
目前知識圖譜應用主要有兩個大方向：
1. 輔助語言理解
知識圖譜在輔助語言理解方面起的作用有：
實體消歧：對文中提到的多義詞進行精準判斷，如上文提到的蘋果案例。
指代消解：對文中的代詞做出解釋，如他和它。
其中代表性的應用如下：
（1）搜索
傳統搜索只提供對網頁的搜索（紅框部分），圖譜提供了對事物本身的描述，讓結果更直觀，更符合查詢的語義。
圖譜搜索效果展示
（2）問答
垂直領域的問答系統會涉及到許多專業知識面的問題，舉個保險行業的例子：
比如當客戶問到：“xx保險能不能保障脊髓灰質炎？”
知識圖譜可以通過結合保險領域知識與醫療知識進行推理，從而給出精準答案。
知識推理簡化示意圖
2. 輔助大數據分析
圖譜可以結合各類領域的知識，打造領域型的知識圖譜，目前在大數據分析方面，工業落地主要應用如下：
（1）推薦
知識圖譜中包含了豐富的關聯性，可以為推薦系統提供部分信息來源；比如常見的推薦有電影推薦、音樂推薦。
加入圖譜推薦的好處主要是可解釋性強，能基于設定好的推薦路徑進行精準推送。
比如小丁喜歡聽《艾米莉》，《艾米莉》的樂隊是回春丹，那么同個樂隊的歌可以作為推薦。
（2）風控
圖結構能非常好的與SNA（社交網絡分析）理論相結合，對團伙欺詐這類型的風險能起到非常好的挖掘作用；如洗錢行為可以綜合多筆交易、企業信息等看是否出現資金匯集等。
圖的優勢在于能跨多度計算，能挖出埋藏較深度的風險關系，比起傳統的偵察手段對團伙作案的風險能摸查得更全面。
三、無圖譜，不AI？
這句話在現階段，大家當pr稿理解就好了，事實上很多的AI落地應用，并沒有用到知識圖譜，知識圖譜本身也存在著相當多的局限。
1. 工業落地視角
至少在目前階段，許多項目中知識圖譜的平替方案有很多，比如風控場景，通過傳統的數據分析也能抓出許多問題案件；問答場景，搭建簡單的問答知識庫比直接建立知識圖譜效率更高，投入更小。
究其原因還是在于這項技術需要非常大的資源投入，需要大量的具有豐富業務知識的專家，圖算法專家等。
實際的工業落地項目中，幾乎有70%的時間投入在圖譜數據的獲取、清洗、結構化上，而像知識框架的建設、圖應用只占了不到30%的時間。
2. 技術視角
上文提到，知識圖譜的三元組形式能表示幾乎所有的符號型知識，即能被很好表達的顯性知識，但現實中存在著很多知識是隱性的，比如一項技能，彈鋼琴光知道樂理但沒有熟練的指法也不行。
且知識圖譜對于數據的結構化程度要求十分之高，但現實中大部分業務數據是非結構化的，如何將非結構化數據轉為結構化，而這是一道還沒有被解決的業界難題，是NLP的瓶頸。
四、結語
對每項新技術，我們應看到技術未來的發展空間，同時也要看到技術在當下的局限性。
保持對技術的理解、思考與反思，才能將技術真正落地。
本文由 @產品哲思 原創發布于人人都是產品經理。未經許可，禁止轉載。
題圖來自Unsplash，基于 CC0 協議
寫的很好，希望能看到后續內容