联手自然语言处理专委会：“知识图谱”术语发布 | CCF术语快线

InfoBox：

中文名：知识图谱

外文名：Knowledge Graph

简写：KG

学科：自然语言处理、知识工程、人工智能、万维网

实质：利用图结构建模、识别和推断事物之间的复杂关联关系和沉淀通用或领域知识，本质上可以看作是一种世界模型。

基本简介：

知识图谱并没有统一的定义，一种常用的定义为“知识图谱是一种语义网络(semantic network)；网络中的结点代表实体(entity)或者概念(concept)，边代表实体/概念之间的各种语义关系”。一种更为宽泛的定义为“使用图(graph)作为基础表示模型来组织与利用大规模不同类型的数据，并表达明确的通用或领域知识。”

背景与动机：

知识图谱是大数据时代的知识工程集大成者，是符号主义与连接主义相结合的产物，是实现认知智能的基石（如图1）。

图1 人工智能金字塔

知识图谱并非全新技术和概念，而是多个相关领域不断发展融合的结果（如图2所示），其两个核心基因为人工智能（语义网络、本体）和万维网（语义网、链接数据）。

图2 知识图谱相关概念演变

从技术角度而言，知识图谱是人工智能、自然语言处理、（图）数据库、万维网与信息检索等多技术的交叉与融合（如图3所示）；其中核心的两个要素为语义化表示的知识和图结构的数据；具体涉及的技术要素则可以分为表示、存储、抽取、融合、推理、问答、分析等七个方面。

图3 知识图谱相关技术

知识图谱的典型应用场景包括语义搜索、智能问答、智能推荐、辅助大数据分析、语言理解、视觉理解、设备互操作等，目前已经在电商、医疗、工业、金融、农业、政府、军事、公共安全等行业得到的广泛应用。做知识图谱一定要有系统工程的思维，若仅把握其中某一方面的技术来做知识图谱会犹如盲人摸象（如图4）；知识图谱技术与工程涉及数据、算法、工具和系统四个维度。

图4 知识图谱系统工程观

研究概况：

随着知识图谱在各行业的应用落地，知识图谱技术的相关研究得到了大量学者的持续关注，主要包括以下几方面：1）知识表示学习；2）知识获取与补全；3）知识融合；4）知识存储与图计算；5）知识推理；6）基于知识图谱的问答[2]。

知识表示学习

知识表示学习可以分为基于翻译距离模型(translational distance models)的方法和基于语义匹配模型(semantic matching models)的方法[3]。

知识获取与补全

知识获取的主要任务包括实体识别、关系抽取、属性抽取及事件抽取等。近十年来知识获取相关研究主要聚焦于基于深度学习的方法，尤其是近三年以来，基于大规模预训练语言模型的方法取得了STOA效果[4]；关系抽取还经常使用远距离监督学习的方法自动进行语料生成。知识图谱补全包括基于嵌入的排序补全算法、关系路径推理算法、基于深度强化学习的算法和基于规则的推理算法等[5]。

知识融合

知识融合相关研究内容包括开源知识融合、知识图谱内部知识融合、多知识图融合、多语言知识融合以及多模态知识融合[6]。

知识存储与图分析计算

知识存储与图分析计算相关研究主要侧重于RDF图谱数据管理、图数据查询、图谱计算框架等方面[7]。

知识推理

面向知识图谱的知识推理通常可以分为基于规则的推理、基于知识表示学习的推理，基于神经网络的推理和混合推理[8]

知识应用

知识图谱应用方面的研究包括基于知识图谱的语义检索、智能推荐、知识问答等[1][9]。

知识图谱的研究趋势包括：（1）深度知识的表示与获取；（2）数据稀疏场景下的知识自动获取；（3）多模态知识图谱；（4）语言预训练与小样本学习；（5）事件与事理图谱。

参考文献：