肖仰华 | SIGIR 2018——WWW2018 知识图谱研究综述

提纲

智能时代催生智能应用需要认知智能依赖知识图谱
计算智能 、 感知智能 、 认知智能

认知智能

数据红利的消耗殆尽，以深度学习为代表的感知智能遇到天花板
徐宗本院士“数据不够模型补”；作者：“数据不够知识补” -> “数据足够了，知识也不能缺失”

认知智能的应用需求

• 精确分析
  1. 精准化数据分析：
     舆情分析、热点分析、军事情报分析、商业情报分析；
  2. 精细化数据分析：
     酒店评论抽取、个性化制造
• 智慧搜索
  1. 精准搜索意图理解：
     精准分类、语义理解、个性化
     难题例子：搜索“toys kids”或者“kids toys”
  2. 复杂多元对象搜索：
     表格、文本、图片、视频、文案、素材、代码、专家
  3. 多粒度搜索
     篇章级、段落级、语句级
  4. 跨媒体搜索
     不同媒体数据联合完成搜索任务
• 智能推荐
  1. 场景化推荐
     历史记录，消费意图
  2. 任务型推荐
     特定任务
  3. 冷启动环境下推荐
     传统推荐是基于统计信息；如何利用外部知识解决
  4. 跨领域推荐
     跨领域背景知识
  5. 知识型推荐
     相关知识推荐，关乎信任与接收度
     推荐趋势：精准感知任务与场景，想用户之未想
• 智能解释
  事实解释、关系解析、过程解释、结果解释
  可解释是智能系统决策结果被采信的前提
• 人机交互
  一切皆可问答
• 深层关系推理
  深层关系发现与推理能力

知识图谱

知识图谱是实现机器智能的使能器（Enabler）

知识图谱 作为一种语义网络 是 大数据时代知识表示
知识图谱 作为一种技术体系 是 大数据时代的知识工程

知识规模上的量变带来了知识效用的质变
知识工程到了上世纪八十年代之后就销声匿迹了。根本原因在于传统知识库构建主要依靠人工构建、代价高昂、规模有限。

互联网应用的特点:

1. 规模巨大
2. 精度要求相对不高
3. 简单知识推理

知识是普遍关联的，当然关联也是有条件的；领域知识的领域性通常是个伪命题
领域知识库的深度应用势必涉及通用知识库
通用知识库的研究是在抢占知识库研究的战略制高点，对于领域知识库能够形成战略俯冲。

简单的公式表明传统知识工程与以知识图谱为代表的新一代知识工程的联系与区别：Small knowledge + Bigdata=Big knowledge

本质是建立起从数据到知识库中的知识要素（包括实体、概念和关系）映射的一个过程

机器理解自然语言需要类似知识图谱这样的背景知识

NLP + KB = NLU NLU(natural language understanding)

知识图谱让可解释人工智能成为可能

可解释性是不能回避符号知识的

可解释推荐将是未来推荐研究的重要领域，将是具有巨大商业价值的研究课题

数据驱动转变为知识驱动；ML + KB = ML^2

总结：
Small knowledge + Bigdata=Big knowledge
NLP + KB = NLU NLU(natural language understanding)
ML + KB = ML^2

肖仰华 | SIGIR 2018——WWW2018 知识图谱研究综述

原文：https://www.cnblogs.com/DanielOwen/p/11816065.html