常识图谱 一 (常识知识图谱)

本文目录导航：

• 常识图谱（一）
• 常识图谱在运行畛域有什么价值？
• 人造言语解决钻研对象有哪些

常识图谱（一）

常识图谱技术是人工智能的关键组成局部，其钻研的是对人类常识的失掉、示意、推理、运行等技术。

常识图谱于2012年5月17日被Google正式提出，其初衷是为了提高搜查引擎的才干，增强用户的搜查品质以及搜查体验。

目前，随着智能消息服务运行的始终开展，常识图谱已被宽泛运行于智能搜查、智能问答、共性化介绍等畛域。

常识图谱代表的是人工智能认知层面的疑问，而深度学习很大水平上解决感知层面的疑问，未来的技术大趋向是深度学习与常识图谱的联合，成功数据统计与常识驱动的联合，推进人工智能的开展。

1.1 常识图谱的定义 在维基百科的官网词条中:常识图谱是Google用于增强其搜查引擎配置的常识库 。

实质上，常识图谱是一种提醒实体之间相关的语义网络，可以对事实环球的事物及其相互相关启动方式化地形容。

如今的常识图谱已被用来泛指各种大规模的常识库。

三元组是常识图谱的一种通用示意方式，即 G=(E,R,S)，其中E={e1,e2,……,e|E|}是常识库中的 实体汇合，共蕴含|E|种不同实体;R={r,r,……,r } 12 |E|是常识库中的相关汇合，共蕴含 | R | 种不同相关; S ⊆ E × R × E 代表常识库中的三元组汇合。

三元组 的基本方式关键包括实体1、相关、实体2和概念、属性、属性值等，实体是常识图谱中的最基本元素， 不同的实体间存在不同的相关。

概念关键指汇合、 类别、对象类型、事物的种类，例如人物、天文等; 属性关键指对象或者具备的属性、特色、特性、特 点以及参数，例如国籍、生日等;属性值关键指对 象指定属性的值，例如中国、1988-09-08等

常识图谱在运行畛域有什么价值？

常识图谱是一种结构化的常识示意方法，它经过实体、属性和相关等元历来形容事实环球中的事物及其之间的咨询。

常识图谱在运行畛域具备很高的价值，关键体如今以下几个方面：1. 提高消息检索的准确性和效率：常识图谱中的实体和相关可以协助用户更准确地找到所需的消息。

经过对常识图谱的查问，用户可以极速失掉到与查问相关的实体及其属性，从而提高消息检索的准确性和效率。

2. 辅佐决策允许：常识图谱可认为企业和政府部门提供有价值的决策允许。

经过对常识图谱的剖析，可以发现潜在的法令和趋向，为决策者提供有力的依据。

此外，常识图谱还可以用于智能介绍系统，为用户提供共性化的服务。

3. 促成人工智能的开展：常识图谱是成功人工智能的关键基础设备之一。

经过对常识图谱的学习，人工智能系统可以更好天文解事实环球，从而在语音识别、人造言语解决、计算机视觉等畛域取得更好的性能。

4. 优化搜查引擎：常识图谱可以协助搜查引擎更准确天文解用户的查问用意，此外，常识图谱还可以用于搜查引擎的语义搜查配置，经常使用户能够更繁难地找到所需的消息。

5. 优化数据剖析才干：常识图谱可认为数据剖析提供丰盛的数据起源和新的剖析视角。

经过对常识图谱的剖析，可以开掘出暗藏在数据面前的法令和趋向，为企业和政府部门提供有价值的洞察。

6. 促成跨畛域的钻研和运行：常识图谱可以作为跨畛域钻研和运行的基础平台。

经过将不同畛域的常识整合到常识图谱中，可以成功常识的共享和交换，从而推进跨畛域的钻研和运行。

7. 提高教育品质：常识图谱可认为教育畛域提供丰盛的教学资源和共性化的学习打算。

经过对常识图谱的学习，在校生可以更好天文解常识点之间的相关，从而提高学习成果。

总之，常识图谱在运行畛域具备很高的价值，它可以协助企业、政府部门、钻研机构和团体更好天文解和应用常识，从而提高上班效率、促成翻新和开展。

人造言语解决钻研对象有哪些

人造言语解决(NLP)的钻研对象是计算机和人类言语的交互，其义务是了解人类言语并将其转换为机器言语。

在目前的商业场中，NLP 技术用于剖析源自邮件、音频、文件、网页、论坛、社交媒体中的少量半结构化和非结构化数据，市场前景渺小。

近年来，人造言语解决处于极速开展阶段。

互联网与移动互联网和环球经济社会一体化的潮流对人造言语解决技术的迫切需求，为人造言语解决钻研开展提供了弱小的市场能源。

纵观人造言语解决技术钻研开展的态势和现状，以下钻研方向或疑问将或者成为人造言语解决未来钻研必定攻克的堡垒：

1、词法和句法剖析方面：包括多粒度分词、新词发现、词性标注等；

2、语义剖析方面：包括词义消歧、非规范文本的语义剖析；

3、言语认知模型方面：比如经常使用深度神经网络解决人造言语，建设更有效、可解释的言语计算模型；

4、常识图谱方面：如何构建能够融合符号逻辑和示意学习的大规模高精度的常识图谱；

5、文本分类与聚类方面：经过有监视、半监视和无监视学习，能够准确启动分类和聚类；

6、消息抽取方面：关于多源异构消息，如何准确启动相关、事情的抽取等。

7、情感剖析方面：包括基于高低文感知的情感剖析、跨畛域跨言语情感剖析、基于深度学习的端到端情感剖析、情感解释、反讽剖析、立场剖析等；

8、智能文摘方面：如何表白要点消息？如何评价消息单元的关键性；

9、消息检索方面：包括用意搜查、语义搜查等，都将有或者出如今各种场景的垂直畛域，将以常识化推理为检索运转方式，以人造言语多媒体交互为手腕的智能化搜查与介绍技术；

10、智能问答方面：包括深度推理问答、多轮问答等各种方式的智能问答系统；

11、机器翻译方面：包括面向小数据的机器翻译、非规范文本的机器翻译和篇章级机器翻译等。