常识图谱入门 (常识图谱入门教程)

本文目录导航：

• 常识图谱入门——意识常识图谱
• 《云上的中国》笔记：常识图谱与才干图谱
• 什么是常识图谱有什么运行场景

常识图谱入门——意识常识图谱

常识图谱是人工智能的关键分支技术，由谷歌在2012年提出，是结构化的语义常识库，用于以符号方式形容物理环球中的概念及其相互相关。

基本组成单位是“实体—相关—实体”三元组以及实体及其相关属性—值对，实体间经过相关相互结合，构成网状的常识结构。

常识图谱依照配置和运行场景可分为通用常识图谱和畛域常识图谱。

通用常识图谱强调常识的广度，畛域常识图谱则强调常识的深度，实用于特定行业。

常识图谱关键运行于搜查、问答和辅佐大数据剖析。

构建常识图谱需先取得数据，依据数据类型分为结构化、非结构化和半结构化数据，而后启动常识融合，最后经过常识推理始终完善常识图谱。

常识抽取包含实体识别、相关抽取和属性抽取，常识示意与建模驳回谓词逻辑示意法、框架示意法、基于语义网络的示意法和基于语义网的示意法等。

常识融合的目标在于将示意相反概念的实体启动兼并，构成一个常识库。

常识推理旨在识别失误并从现有数据中推断新论断，允许初级运行。

常识图谱是人工智能畛域的关键技术，具备宽泛运行前景，是未来搜查、问答和大数据剖析等畛域的关键技术。

经过构建常识图谱，可以更直观地形容物理环球中的概念及其相互相关，提供更准确、方便的消息搜查和问答服务，以及更深化的数据剖析与决策允许。

《云上的中国》笔记：常识图谱与才干图谱

书中提及了在线教育畛域的常识图谱与才干图谱。

所谓的“才干图谱”，实践上是指“深度常识跟踪”，它经过结合常识图谱，更准确地评价学习者对常识点的掌握水平，进而针对性地安顿学习义务和考核标题，成功了数千年前“因材施教”的理念。

常识图谱最后由谷歌提出，是人工智能畛域的一个关键钻研方向。

其目标是从文本中提取各类关键实体、属性和相关，启动结构化表白，构成一套机器能了解的符号系统，赋予计算机“了解”和“解释”人类常识的才干。

宣传片中的常识图谱是这样的：实践上，它长这个样子：只管看起来有些复杂，但显然比以后以“深度学习”为主的人工智能技术要高一个档次。

深度学习模拟神经网络，依赖大规模标注样本，在图像识别、语音识别、人造言语处置等方面取得了成功，但其才干仍局限于“感知”，即能听、能看、会说。

但要到达“了解”的高度，就很难了。

而且，深度学习的环节像是一个“黑箱”，对结果发生的环节难以解释。

就像东华水泥的案例，数据工程师经过算法推导出一套提升打算，但却不可解释这样做的要素，因此遭到业务人员的质疑。

常识图谱则是将暗藏在各类文本中的人类常识结构化、显性化，结算计算机的大规模处置才干，建设起数据之间的语义关联，为搜查引擎、机器问答、辅佐决策提供关键允许。

近年来，在线教育的极速开展，让各类教育平台积攒了少量数据，尤其是疫情要素造成的在线教育迸发式增长。

这些平台手中积攒了少量数据，但如何应用呢？有人提出可以应用盛行的大数据技术，启动“学习者画像”，即剖析学习者的在线学习数据，提取特性特色，打上少量标签，最后生成学习者画像。

但这种做法有两个关键疑问。

一是学习行为数据的精度较低，二是标签数据不可被计算机了解，难以成功智能化的资源婚配。

为了处置这些疑问，“深度常识跟踪”的概念被提出。

在斯坦福2015年宣布的一篇论文中，作者用循环神经网络（RNN）模型对在校生的答题记载启动剖析，不只可以推导出学习者对常识的掌握状况，还能智能捕捉到标题常识点之间隐含的关联相关，预测出学习者未来的答题状况。

这里最关键的才干是“智能捕捉”，作者说：“it does not need expert annotations (it can learn concept patterns on its own)”，即无需专家干预，计算机能智能提取出各类标题之间的关联相关。

这与深度学习在初期须要依赖人工标注有很大不同。

在这里，我最感兴味的是两点：一是单薄常识点的定位，二是常识结构的可视化。

要定位单薄常识点，须要少量练习、剖析、总结，对少量标题依照自己的规定启动分类整顿，才干准确针对自己的单薄点启动训练。

错题本其实就起这个作用。

假设经过深度常识跟踪技术能够推导出每团体的单薄点，并婚配上失当的学习资源，那么可以节俭学习者少量期间。

常识结构的可视化也十分有价值，有助于从全体上掌握常识之间的咨询。

只是如今各类常识的外在咨询十分复杂，而图的体现力总是有限的，更多的是从某一个正面来展现常识的外在咨询，作为辅佐工具来经常使用。

参考资料：

什么是常识图谱有什么运行场景

常识图谱简介：是经过将运行数学、图形学、消息可视化技术、消息迷信等学科的实践与方法与计量学引文剖析、共现剖析等方法结合，并应用可视化的图谱笼统地展现学科的外围结构、开展历史、前沿畛域以及全体常识架构到达多学科融合目标的现代实践。

运行场景：它把复杂的常识畛域经过数据开掘、消息处置、常识计量和图形绘制而显示进去，提醒常识畛域的灵活开展法令，为学科钻研提供实际的、有价值的参考。

迄今为止，其实践运行在兴旺国度曾经逐渐拓展并取得了较好的成果，但它在我国仍属钻研的起步阶段。