知識圖譜中的推理技術及其在高考機器人中的應用

本文來自東南大學教授漆桂林在攜程技術中心主辦的深度學習Meetup中的演講內容，介紹了知識圖譜中的推理技術及其在高考機器人中的應用。

隨著資訊化、網際網路化，如何在海量的資訊中獲取核心的知識體系、知識圖譜，並基於知識圖譜理清海量資訊的關係及結構，顯得越來越重要。

本文簡明地講述了知識圖譜的概念，回顧了知識圖譜的歷史，研究了知識圖譜中的推理技術及其在高考機器人中的應用，希望能做出輔助學生學習的智慧機器人。

什麼是知識圖譜

知識圖譜是一種圖資料模型組織的知識庫，節點為實體或者概念，邊為實體或者概念間各種關係。知識圖譜為實現人工智慧提供了常識知識和領域知識。

知識圖譜的歷史

知識圖譜來源於知識工程。知識工程的歷史回顧，可以追溯到六十年代Semantic Nets。到了八十年代專家系統，但由於知識瓶頸問題，在90年代受到的關注越來越小。Yahoo前首席科學家Ronald J. Brachman研究的KL－One系統是為了把Semantic Nets形式化。

Semantic Nets重新紅火是2000年左右，隨著Semantic Web的提出，智慧化的搜尋——語義搜尋被認為是下一代搜尋引擎，而Semantic Nets是語義搜尋的關鍵。從2010年開始，Google提出Knowledge Graph，使得知識工程受到了業界和學術界的廣泛關注。

知識圖譜的邏輯推理

知識圖譜的推理跟本體是相關的。什麼是本體？形式化的，對於共享概念體系的明確而又詳細的規範說明。本體提供的是一種共享詞表。或者說，就是一種特殊型別的術語集。只有把概念形式化，機器和人才能互動和理解。

比如，心臟是一種肌肉組織，是血液迴圈系統的一部分。心臟和肌肉組織是一種上下位的關係，和迴圈系統是部分與整體的關係。

本體的定義，有點像資料庫schema的定義，但更靈活。本體間的關係可以用類表示。比如獨奏音樂藝術家與藝術家之間有上下位的關係。上下位關係有傳遞性。另外我們有不相交的關係，一種東西不能既是火車又是汽車。蘊含的關係可以通過推理得出。

另外一個比較重要的邏輯推理是基於規則的推理，比如說產生式規則的推理。

基於統計的推理

結合統計推理，我們可以發現有些百科中的矛盾，大豆食心蟲既是動物，又是植物。另外，與深度學習比較緊密的是表示學習（Representation Learning）。

表示學習的基本思想：用低維的向量空間將每個實體都表示到空間裡面的某一個位置，從而可以利用空間中的距離來衡量實體之間的語義關係。E1,E2, … En代表所有實體，R1,R2, … Rn代表所有關係，故可以使用三維矩陣（張量）表示知識圖譜。還有Path Ranking Algorithm，根據路徑，預測人物之間的關係是否成立。

高考解題的應用

以空間推理為例。對於目前的大部分試題的圖片，現有的單一的空間推理模型（RCC、CSD、ICD）不足以表達足夠的空間關係。比如，美國與加拿大之間既存在拓撲關係，也存在方位關係。需將多種的空間推理模型結合，得到新的空間關係表示和推理模型。新的模型的表示、推理能力？應強於原有單一模型，但仍有待調研、測試。

空間推理模型需要擴充套件。

1. 擴充套件表示方法。引入距離模型和其他空間模型（如上下左右的表示）。
2. 擴充套件表示物件。動態物件的表示，線、點線面關係的表示，模糊物件的表示。

比如說，我們要分析地理岩層。我們要了解事實：石灰岩屬於沉積岩，頁岩屬於沉積岩，規則：沉積岩越往下形成年代越早，同層沉積岩形成年代一致。用來預測分析岩層屬於什麼巖。

最後強調，知識圖譜中的本體和規則是相當重要的。

演講PPT下載：

知識圖譜中的推理技術及其在高考機器人中的應用

攜程技術中心深度學習Meetup系列：

• 使用者線上廣告點選行為預測的深度學習模型
• 深度學習在攜程攻略社群的應用
• 深度學習在搜狗無線搜尋廣告中的應用

本文由攜程技術中心（微信公號ctriptech）童蘭利整理，並經過演講者本人確認和授權釋出。
責編：周建丁（zhoujd@csdn.net）

---

CCAI 2016中國人工智慧大會將於8月26-27日在京舉行，AAAI主席，多位院士，MIT、微軟、大疆、百度、滴滴專家領銜全球技術領袖和產業先鋒打造國內人工智慧前沿平臺，6+重磅大主題報告，4大專題論壇，1000+高質量參會嘉賓，探討人機互動、機器學習、模式識別及產業實戰。門票限時八折優惠中。