人工智能技术下的知识图谱

人工智能重新火起来之后，谈到AI技术，人们首先会联想到深度学习、机器学习技术；谈到AI应用，人们很可能会马上想起语音助理、自动驾驶等等，但是如果你一直关注AI的话，会发现，知识图谱在不知不觉中被越来越多的谈起。这也的确是AI不能不提的依托技术。我们在进行人工智能探索的道路上，需要了解其本质，在其基础上衍生出各种上层的智能应用。知识图谱正是起到了这样一个作用。

知识图谱不难理解，就是通过不同知识的关联性形成一个网状的知识结构，形成知识图谱的过程本质是在建立认知。知识图谱最能体现人工智能的特色——像人类大脑一样思考！因为人类最擅长的思考方式就是将点和线关联起来并由点及面，然后抽丝剥茧，慢慢理清其中的逻辑推理关系。

在国外，谷歌最早提出知识图谱这个词，作为谷歌的两大重要技术储备，一个是深度学习，另一个就是知识图谱，用来支撑下一代搜索和在线广告业务。在国内，百度最近明显加大了对知识图谱的宣传，其实力我们不得而知，但其应用方式和谷歌有类似之处。从现在来看，将知识图谱实现行业垂直应用的凤毛麟角。

既然知识图谱如此重要，如此具有价值，那为什么应用案例几乎没有呢？我想被誉为AI领域宗师的加州大学伯克利分校计算机教授、美国国家科学院院士 Michael I. Jordan的一句话多少能说明一些问题。他说："如果有10亿美金的话，自然语言的理解是我最想研究的问题"。自然语言理解，这一知识图谱的依托技术之一是非常重要，但同时也是非常难做的一件事。

除了NLP技术本身存在难度外，还在于建立行业知识图谱，要对行业建立起深厚的认知，需要长时间的行业积淀，这是知识图谱垂直应用少的另外一个原因。因为只有理解了行业和场景，才能真正智能化。比如我们可能认为很简单的零售行业，如果真要实现个性化的商品推荐，机器必须理解不同商品的特性，以及商品与销售场景（如季节、地区、时段）、与促销行为、与用户需求之间的关系，才能推荐满足用户需求的产品。这也是一个优秀的推销员或商场导购的思考逻辑。针对不同的零售细分领域，可能又要建立完全不同的知识图谱。

一些信息化走在前面的公司，其中有一家大型能源集团公司，他们目前正在做这件事情，他们把自己做的叫"知识管理、知识工程"，但背后的支撑就是知识图谱。

这家公司通过知识管理项目建成了专业知识网。业务人员可以通过基于知识图谱的一站式搜索，快速查找到所需资料及专业知识，可以基于知识图谱进一步对这些知识进行分析挖掘，支撑解决科研与生产中的问题。业务人员工作过程和交流过程中所产生的新知识又回归到知识库，进一步通过知识图谱进行推送、共享和复用。

他们提出的企业知识网解决方案分三步：第一步，先把企业开展工作需要哪些关键知识识别出来，找到源头，不管是企业内部的还是外部的，不管是数据库、文档库还是网页，都汇聚起来；第二步，是通过知识图谱，让系统能"认识理解"这些数字和文字代表的含义，把各个源头的知识抽取出来，把知识和人都关联起来，形成一张知识网；第三步，让知识围绕业务转起来，实现智能化应用，包括语义搜索、个性化推荐、智能问答、协同研究、决策支持等等。

总之，知识图谱是未来AI发展的必经之路，行业化知识图谱的构建有难度，更有价值。