知識圖譜丨行業(yè)應(yīng)用廣泛，未來發(fā)展前景好，參與學(xué)習(xí)勢在必行

多領(lǐng)域發(fā)揮重要作用

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

知識圖譜（Knowledge Graph）的概念最先是由谷歌于2012年正式提出，主要用來支撐下一代搜索和在線廣告業(yè)務(wù)。2013年以后知識圖譜開始在學(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Open Phacts項(xiàng)目，就是利用來自實(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，美國開放數(shù)據(jù)中的臨床實(shí)驗(yàn)數(shù)據(jù)，來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），對各種行業(yè)進(jìn)行認(rèn)知突破。其中在醫(yī)療方面，IBM啟動了登月計(jì)劃（moon shot），通過整合大量醫(yī)療文獻(xiàn)和書籍以及各種EMR（電子病歷）來獲取海量高質(zhì)量的醫(yī)療知識，并基于這些知識向醫(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：識別及預(yù)防欺詐

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

國外的Datafox和Spiderbook，國內(nèi)的通聯(lián)數(shù)據(jù)等，通過從互聯(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、競爭對手關(guān)系等，整合為知識圖譜幫助企業(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。

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源的結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)，并有效地識別出身份造假、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，知識圖譜可以提供非常便捷的方式來添加新的數(shù)據(jù)源。其次，知識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)：多媒體知識指導(dǎo)

大量的農(nóng)業(yè)資料以不同格式分散存儲，傳統(tǒng)的關(guān)系數(shù)據(jù)庫模式不適用于復(fù)雜多變的領(lǐng)域，無法實(shí)現(xiàn)定義所有可能的知識點(diǎn)并構(gòu)建關(guān)鍵數(shù)據(jù)庫模式，而知識圖譜這種更加靈活的知識表示模型可以實(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，并用統(tǒng)一圖譜進(jìn)行表示，形成完整的知識庫，刻畫作物知識、土壤知識、肥料知識、疾病知識和天氣知識等。通過圖譜關(guān)聯(lián)到圖片信息，形成多媒體知識圖譜，病變圖片信息相比專業(yè)知識更加直觀，也更方便農(nóng)民使用。

賦能認(rèn)知智能

知識圖譜對于人工智能的價(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

由于缺乏諸如知識圖譜此類背景知識，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)。

知識圖譜的發(fā)展提供了強(qiáng)大的背景知識支撐，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。知識圖譜構(gòu)建關(guān)于汽車評價(jià)的背景知識，如汽車的車型、車飾、動力、能耗等，提取消費(fèi)者對汽車的褒貶態(tài)度、消費(fèi)者改進(jìn)建議、競爭品牌等評價(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)交互將會變得更簡單自然。自然人機(jī)交互包括自然語言問答、對話、體感交互、表情交互等，需要機(jī)器能夠理解人類的自然語言，要求其具有較高認(rèn)知智能水平及強(qiáng)大的背景知識。會話式(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，Google NOW、siri、amazon Alexa等語音助手及下一代對話機(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，并帶來新科技、商業(yè)和社會新紀(jì)元—認(rèn)知時(shí)代的黎明。

對于人類而言，知識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。

審核編輯 黃昊宇