常识图谱在产业剖析畛域的运行 李春华 (知识图谱在日常生活中的应用)

本文目录导航：

• 李春华：常识图谱在产业剖析畛域的运行
• 常识图谱基础（一）-什么是常识图谱
• 百分点的灵活常识图谱有什么长处？

李春华：常识图谱在产业剖析畛域的运行

基于常识图谱的智能产业剖析工具，能辅佐咨询、常识产权服务、投资融资及产业投资基金等客户极速生成行业态势、相关与未来开展趋向报告，提供高效率咨询服务。本文引见常识图谱在智能产业剖析的四大运行维度：

1. 智能工具运行逻辑：从企业文本数据等底层消息登程，迅速生成剖析报告，面向直接及直接客户，处置实践疑问。

2. 产品外围性能：万因（VentureSights）智能剖析工具基于第二代产业图谱技术，整合四大模块：产业剖析、商机开掘、融资剖析和并购剖析。

3. 经常使用流程：该工具以预装产业链，经过企业或专利搜查挑选企业，构建产业剖析模型，最终生成企业清单，便于剖析。

4. 对于VentureSights外围模块的深度解析：

五局部重点探讨产业原子，解析构建产业常识图谱的关键。

1. 产业原子概述：定义、规范化、处置的疑问、示意方式及其在向量空间中的个性。

2. 外围算法：产业原子称号NER算法，经过规定、模型成功产业原子智能提取与识别。

3. 结构化与表白：产业原子的示意与特点，基于Heterogeneous网络的常识图谱系统架构。

4. 产业图谱构建：系统全体架构引见，常识图谱的运行示例与总结。

本文旨在提供常识图谱在智能产业剖析畛域运行的关键见地，经过实证剖析、案例钻研和系统架构形容，展现常识图谱在产业剖析中的共同长处和运行价值。

为了便于后续查阅和深入学习，特提供各类在线资源链接和官网平台账号关注，激励技术喜好者添加交换与学习。

常识图谱基础（一）-什么是常识图谱

笔者是一只曾经离任的AI产品经理，重要长于的方向是常识图谱与人造言语处置，写这些文章是为了总结演绎目前曾经搭建的常识体系，也在于科普。

如有不对，请斧正。

常识图谱在国际属于一个比拟新兴的概念，国际目前paper都比拟少，运行方重要集中在BAT这类手握海量数据的企业，这个概念是google在2012年提出的，过后重要是为了将传统的keyword-base搜查模型向基于语义的搜查更新。

常识图谱可以用来更好的查问复杂的关联消息，从语义层面了解用户用意，改良搜查品质。

团体以为，常识图谱最大的长处是在于对数据的形容才干十分弱小，各种机器学习算法只管在预测才干上很不错，然而在形容才干上十分弱，常识图谱刚好填补了这局部空缺。

常识图谱的定义十分多，我这里提供一局部我自己的了解： 1.常识图谱重要指标是用来形容实在环球中存在的各种实体和概念，以及他们之间的强相关，咱们用相关去形容两个实体之间的关联，例如姚明和火箭队之间的相关，他们的属性，咱们就用“属性--值对“来描写它的外在个性，比如说咱们的人物，他有年龄、身高、体重属性。

2.常识图谱可以经过人为构建与定义，去形容各种概念之间的弱相关，例如：“忘了订单号”和“找回订单号”之间的相关 常识库目前可以分为两种类型：Curated KBs 和 Extracted KBs Curated KBs：以yago2和freebase为代表，他们从维基百科和WordNet等常识库抽取了少量的实体及实体相关，可以把它了解城一种结构化的维基百科。

Extracted KBs：重要是以Open Information Extraction (Open IE), Never-Ending Language Learning (NELL)为代表，他们直接从上亿个网页中抽取实体相关三元组。

与freebase相比，这样失掉的实体常识更具备多样性，而它们的实体相关和实体更多的则是人造言语的方式，如“姚明出世于上海。

” 可以被示意为(“Yao Ming”, “was also born in”, “Shanghai”)。

直接从网页中抽取进去的常识，也会存在必定的噪声，其准确度低于Curated KBs。

a)“姚明出世于上海”b)“姚明是篮球静止员” c)“姚明是现任中国篮协主席” 以上就是一条条常识，把少量的常识会聚起来就成为了常识库（Knowledge Base）。

咱们可以从wikipedia，网络百科等百科全书失掉到少量的常识。

然而，这些百科全书的常识是由非结构化的人造言语组建而成的，这样的组织方式很适宜人们浏览但并不适宜计算机处置。

为了繁难计算机的处置和了解，咱们须要愈加方式化、繁复化的方式去示意常识，那就是三元组（triple）。

“姚明出世于中国上海” 可以用三元组示意为(Yao Ming, PlaceOfBirth, Shanghai)[1]。

这里咱们可以繁难的把三元组了解为(实体entity,实体相关relation,实体entity)。

假设咱们把实体看作是结点，把实体相关（包括属性，类别等等）看作是一条边，那么蕴含了少量三元组的常识库就成为了一个宏大的常识图。

有些时刻会将实体称为topic，如Justin Bieber。

实体相关也可分为两种，一种是属性property，一种是相关relation。

如下图所示，属性和相关的最大区别在于，属性所在的三元组对应的两个实体，经常是一个topic和一个字符串，如属性Type/Gender，对应的三元组（Justin Bieber, Type, Person），而相关所在的三元组所对应的两个实体，经常是两个topic。

如相关PlaceOfBrith，对应的三元组（Justin Bieber, PlaceOfBrith, London）。

（图中蓝色方块示意topic，橙色椭圆包括属性值，它们都属于常识库的实体；蓝色直线示意相关，橙色直线示意属性，它们都统称为常识库的实体相关，都可以用三元组描写实体和实体相关）这里只是繁难引见一下数据结构，常识表白这一块会在《常识图谱基础（二）-常识图谱的常识表白系统》中具体解说。

读者只需记住，freebase的基础常识表白方式：(实体)-[相关]-(实体)，(实体)-[相关]-(值)即可，参考图3，姚明和叶莉的相关。

经过常识图谱，不只可以将互联网的消息表白成更凑近人类认知环球的方式，而且提供了一种更好的组织、治理和应用海量消息的方式。

下图是笔者整顿的常识图谱无关的运行，接上去的一些文章笔者会对上方的运前启动剖析。

从图4上看，常识图谱的运行重要集中在搜查与介绍畛域，robot（客服机器人，公家助理）是问答系统，实质上也是搜查与介绍的加长。

或者是由于常识图谱这项技术（特指freebase）降生之初就是为了处置搜查疑问的。

常识存储这一块或者是企查查和启信宝这些企业发现经常使用图结构的数据比拟好荡涤加工。

在语义搜查这一块，常识图谱的搜查不同于惯例的搜查，惯例的搜查是依据keyword找到对应的网页汇合，而后经过page rank等算法去给网页汇合内的网页启动排名，而后展现给用户；基于常识图谱的搜查是在已有的图谱常识库中遍历常识，而后将查问到的常识前往给用户，通常假设门路正确，查问进去的常识只要1个或几个，相当精准。

问答系统这一块，系统雷同会首先在常识图谱的协助下对用户经常使用人造言语提出的疑问启动语义剖析和语法剖析，进而将其转化成结构化方式的查问语句，而后在常识图谱中查问答案。

百分点的灵活常识图谱有什么长处？

易用性，基于本体实践基础， 聚合后的常识(图谱)让业务人员直观了解和经常使用。

领有裁减性，运转中的常识图谱亦可更改结构，自顺应新增数据源需求，降落经常使用、保养老本。

高性能，散布式地构建客户大规模常识图谱，缩短构建常识图谱期间。

可视化，性能化构建灵活常识图谱、构建环节进展可视，降落构建常识图谱老本微危险。