知识图谱是机器理解世界的基础，看这三位专家如何玩转知识图谱技术!

瑞士再保险数据科学家王冠

知识图谱构建：数据、算法和架构

知识图谱在保险行业有很多应用，王冠列举了四大应用场景：一是智能交互，在客户理赔时，想知道自己的保险能不能获赔，这背后不是罗列保单上的条款就能答复的，更多的是需要将保险产品、客户数据、对话记录、医疗票据各种信息整合成知识图谱，然后通过智能客服快速反馈给客户。二是精准推荐，通过知识图谱掌握客户的数据，就可以精准推荐给客户匹配的产品。三是自动理赔，现在理赔大多是人工操作，尤其是大额保单需要人工做调查，但是通过知识图谱技术，可以查到一些历史数据得出结论，从而实现自动化理赔。四是反欺诈，面对诈保现象，用知识图谱就可以方便地找到诈保人的诈骗轨迹，写一些相应的查询语句，就可以找出常见的欺诈模式。

那么如何建立一个保险行业的知识图谱呢?这是一个非常复杂的流程，涉及到知识体系构建、知识库获取、融合、存储、推理、应用等多个环节。王冠在现场重点讲述了实体与关系的抽取算法，从非结构化、半结构化的文本数据中，通过抽取实体和抽取实体之间关系的方法构建知识图谱。王冠强调，在抽取算法中，词嵌入非常重要，实现了文本到向量的转化，只要训练出了一个向量就可以非常好地表现出中文的语义，并自动抓取到相关的词语。

信息提取工具架构

文本标准工具架构

实体识别和关系提取都是自然语言处理中非常重要的任务，王冠没有多加赘述。他表示，根据不同的场景有不少构建知识图谱的方法，实体就是节点，关系就是边，通过最短路径挖掘找到背后的关系。“目前知识图谱的应用主要集中在三大方面，分别是可视化/探索、图算法、图数据库 (关系型和NoSQL)。”演讲中他还给出了非常实用的信息提取工具和文本标注工具的架构。他特别强调有了这些设计之后，人机交互将变得更加智能，知识图谱成为数据管家，成为全流程的机器学习工具。

美团点评资深算法专家潘路

基于知识图谱的问答在O2O智能交互场景中的应用和演进

潘路首先回顾了人机交互的演进历程、智能交互的种类，然后他重点谈到，在美团实际生活场景中，如果要进行信息获取、资源查询，甚至任务型交互，那么问答系统必然离不开知识图谱。本文摘取了受限场景下的问答内容。

潘路表示，传统KBQA(基于知识图谱的问答)主要分为两大技术流派：semantic parsing和information retrieval。Semantic parsing就是将原始问句转换为机器可以理解的逻辑形式，这种形式更贴近知识图谱的存储结构，可以直接或间接进行查询。而Information retrieval则直接通过有效信息的抽取，定位候选答案，之后又有两种做法，一是利用三元组生成自然语言，和原始问句比较实现查询;一是把候选答案以及周围的路径进行编码，和原始问句编码后进行比较得出答案。

在美团的受限场景下(以点餐为例，菜品范围是限定的，供餐地点和时间也是限定的)，应该选择怎样的技术路径呢?潘路表示，美团涉及的领域较多，领域之间关联较弱，并且没有足够的标注数据，还必须满足快速的领域迁移需求。是否可以借鉴information retrieval的思路，但同时又可以构造查询语句来查询图谱呢?于是美团提出了information retrieval+semantic parsing的方案，通过实体链接确定子图，之后是关系识别、槽位识别、最终生成SparQL来执行查询，每一步都可以用简单的规则冷启动，也可以上无监督或者有监督模型。

潘路强调，在受限场景中，美团面临的问题特征主要是意图空间有限、资源有限、交互轮数有限、知识外延有限。因此在这个基础上，他们提出的KBQA具备四大能力：基础属性问答、带约束的资源查询、资源信息比较以及动态属性值计算。

中国科学院自动化研究所模式识别国家重点实验室副研究员何世柱

基于知识图谱的问答关键技术

何世柱从信息表示发展历程开始讲起，他表示知识图谱是机器理解世界的基础，语言系统&知识图谱也是知识应用的奠基石，问答系统将是下一代搜索引擎的基本形态。

他介绍到，知识问答通常有两类方法：一是语义解析方法，这种方法准确率高，召回率低，能解决复杂问题，适合限定领域、限定语言表达，而且可以经验性地解决，不需要训练机器学习方法，更便于控制，便于干预。二是自然问答方法，它有更友好的交互接口，可以实现知识驱动与数据驱动的融合，但是需要较高质量原始数据和配套知识资源。