隨著大數(shù)據(jù)的應(yīng)用越來越廣泛，人工智能也終于在幾番沉浮后再次煥發(fā)出了活力。除了理論基礎(chǔ)層面的發(fā)展以外，本輪發(fā)展最為矚目的是大數(shù)據(jù)基礎(chǔ)設(shè)施、存儲(chǔ)和計(jì)算能力增長(zhǎng)所帶來的前所未有的數(shù)據(jù)紅利。

人工智能的進(jìn)展突出體現(xiàn)在以知識(shí)圖譜為代表的知識(shí)工程以及以深度學(xué)習(xí)為代表的機(jī)器學(xué)習(xí)等相關(guān)領(lǐng)域。

未來伴隨著深度學(xué)習(xí)對(duì)于大數(shù)據(jù)的紅利消耗殆盡，如果基礎(chǔ)理論方面沒有新的突破，深度學(xué)習(xí)模型效果的天花板將日益迫近。而另一方面，大量知識(shí)圖譜不斷涌現(xiàn)，這些蘊(yùn)含人類大量先驗(yàn)知識(shí)的寶庫卻尚未被深度學(xué)習(xí)有效利用。

融合知識(shí)圖譜與深度學(xué)習(xí)，已然成為進(jìn)一步提升深度學(xué)習(xí)效果的重要思路之一。以知識(shí)圖譜為代表的符號(hào)主義，和以深度學(xué)習(xí)為代表的聯(lián)結(jié)主義，日益脫離原先各自獨(dú)立發(fā)展的軌道，走上協(xié)同并進(jìn)的新道路。

大規(guī)模知識(shí)圖譜的構(gòu)建

知識(shí)圖譜自上世紀(jì)60年代從語義網(wǎng)絡(luò)發(fā)展起來以后，分別經(jīng)歷了1980年代的專家系統(tǒng)、1990年代的貝葉斯網(wǎng)絡(luò)、2000年代的OWL和語義WEB，以及2010年以后的谷歌的知識(shí)圖譜。谷歌目前的知識(shí)圖譜已經(jīng)包含了數(shù)億個(gè)條目，并廣泛應(yīng)用于搜索、推薦等領(lǐng)域。

知識(shí)圖譜的存儲(chǔ)和查詢語言也經(jīng)歷了歷史的洗滌，從RDF到OWL以及SPARQL查詢，都逐漸因?yàn)槭褂蒙系牟槐慵案甙旱某杀荆还I(yè)界主流所遺棄。圖數(shù)據(jù)庫逐步成為目前主要的知識(shí)圖譜存儲(chǔ)方式。

目前應(yīng)用比較廣泛的圖數(shù)據(jù)庫包括Neo4J、graphsql、sparkgraphx（包含圖計(jì)算引擎）、基于hbase的Titan、BlazeGraph等，各家的存儲(chǔ)語言和查詢語言也不盡相同。實(shí)際應(yīng)用場(chǎng)景下，OrientDB和postgresql也有很多的應(yīng)用，主要原因是其相對(duì)低廉的實(shí)現(xiàn)成本和性能優(yōu)勢(shì)。

由于大規(guī)模知識(shí)圖譜的構(gòu)建往往會(huì)有眾多的實(shí)體和關(guān)系需要從原始數(shù)據(jù)（可以是結(jié)構(gòu)化也可以是非結(jié)構(gòu)化）中被抽取出來，并以圖的方式進(jìn)行結(jié)構(gòu)化存儲(chǔ)，而我們依賴的原始數(shù)據(jù)往往存在于多源異構(gòu)的環(huán)境中，所以進(jìn)行海量知識(shí)抽取和融合，就成了首要的無法回避的嚴(yán)峻問題。

對(duì)于結(jié)構(gòu)化的數(shù)據(jù)轉(zhuǎn)換為圖結(jié)構(gòu)是比較容易和相對(duì)輕松的工程，所以建議這一步應(yīng)該首先被完成。

對(duì)于復(fù)雜的非結(jié)構(gòu)化數(shù)據(jù)，現(xiàn)階段進(jìn)行知識(shí)圖譜構(gòu)建的主要方法有傳統(tǒng)NLP和基于深度學(xué)習(xí)模型兩類方法，而目前越來越多傾向于使用深度學(xué)習(xí)來抽取AVP（屬性-值對(duì)）。

有很多深度學(xué)習(xí)模型可以用來完成端到端的包括命名實(shí)體識(shí)別NER、關(guān)系抽取和關(guān)系補(bǔ)全等任務(wù)，從而構(gòu)建和豐富知識(shí)圖譜。

命名實(shí)體識(shí)別（Named Entity Recognition, NER）是從一段非結(jié)構(gòu)化文本中找出相關(guān)實(shí)體（triplet中的主詞和賓詞），并標(biāo)注出其位置以及類型，它是NLP領(lǐng)域中一些復(fù)雜任務(wù)（如關(guān)系抽取、信息檢索等）的基礎(chǔ)。

NER一直是NLP領(lǐng)域的熱點(diǎn)，從早期基于字典和規(guī)則的方法，到傳統(tǒng)機(jī)器學(xué)習(xí)的方法，再到近年來基于深度學(xué)習(xí)的方法，NER方法的大致演化如下所示。

在機(jī)器學(xué)習(xí)中，NER被定義為序列標(biāo)注問題。不同于分類問題，序列標(biāo)注問題中的預(yù)測(cè)標(biāo)簽不僅與輸入特征有關(guān)，還與之前的預(yù)測(cè)標(biāo)簽有關(guān)，也就是預(yù)測(cè)標(biāo)簽之間存在相互依賴和影響。

條件隨機(jī)場(chǎng)（Conditional Random Field，CRF）是序列標(biāo)注的主流模型。它的目標(biāo)函數(shù)不僅考慮輸入的狀態(tài)特征函數(shù)，還包含了標(biāo)簽轉(zhuǎn)移特征函數(shù)。在訓(xùn)練的時(shí)候可以使用SGD學(xué)習(xí)參數(shù)。在預(yù)測(cè)時(shí)，可以使用Vertibi算法求解使目標(biāo)函數(shù)最大化的最優(yōu)序列。

目前常見的基于深度學(xué)習(xí)的序列標(biāo)注模型有BiLSTM-CNN-CRF。它主要由Embedding層（詞向量、字向量等）、BiLSTM、tanh隱藏層以及CRF層組成（對(duì)于中文可以不需要CNN）。我們的實(shí)驗(yàn)表明BiLSTM-CRF可以獲得較好的效果。在特征方面，由于秉承了深度學(xué)習(xí)的優(yōu)點(diǎn)，所以無需特征工作的鋪墊，使用詞向量及字向量就可以得到不錯(cuò)的效果。

近幾個(gè)月來，我們也在嘗試使用Attention機(jī)制，以及僅需少量標(biāo)注樣本的半監(jiān)督來進(jìn)行相應(yīng)的工作。

在BiLSTM-CRF的基礎(chǔ)上，使用Attention機(jī)制將原來的字向量和詞向量的拼接改進(jìn)為按權(quán)重求和，使用兩個(gè)隱藏層來學(xué)習(xí)Attention的權(quán)值，這樣使得模型 可以動(dòng)態(tài)地利用詞向量和字向量的信息。同時(shí)加入NE種類的特征，并在字向量上使用Attention來學(xué)習(xí)關(guān)注更有效的字符。實(shí)驗(yàn)效果優(yōu)于BiLSTM-CRF的方法。

這里之所以用了大量篇幅來說NER的深度學(xué)習(xí)模型，是因?yàn)殛P(guān)系抽取模型也是采用同樣的模型實(shí)現(xiàn)的，其本質(zhì)也是一個(gè)序列標(biāo)注問題。所以這里不再贅述。

知識(shí)圖譜構(gòu)建中的另外一個(gè)難點(diǎn)就是知識(shí)融合，即多源數(shù)據(jù)融合。融合包括了實(shí)體對(duì)齊、屬性對(duì)齊、沖突消解、規(guī)范化等。對(duì)于Open-domain這幾乎是一個(gè)舉步維艱的過程，但是對(duì)于我們特定旅游領(lǐng)域，可以通過別名舉證、領(lǐng)域知識(shí)等方法進(jìn)行對(duì)齊和消解，從技術(shù)角度來看，這里會(huì)涉及較多的邏輯，所以偏傳統(tǒng)機(jī)器學(xué)習(xí)方法，甚至利用業(yè)務(wù)邏輯即可覆蓋大部分場(chǎng)景。

知識(shí)圖譜schema是知識(shí)的分類體系的表現(xiàn)，還可以用于邏輯推理，也是用于沖突檢測(cè)的方法之一，從而提高知識(shí)圖譜的質(zhì)量。

總而言之，構(gòu)建知識(shí)圖譜沒有統(tǒng)一的方法，因?yàn)槠錁?gòu)建需要一整套知識(shí)工程的方法，需要用到NLP、ML、DL技術(shù)，用到圖數(shù)據(jù)庫技術(shù)，用到知識(shí)表示推理技術(shù)等。知識(shí)圖譜的構(gòu)建就是一個(gè)系統(tǒng)工程，而且知識(shí)的更新也是不可避免的，所以一定要重視快速迭代和快速產(chǎn)出檢驗(yàn)。

知識(shí)圖譜的推理

在知識(shí)圖譜構(gòu)建過程中，還存在很多關(guān)系補(bǔ)全問題。雖然一個(gè)普通的知識(shí)圖譜可能存在數(shù)百萬的實(shí)體和數(shù)億的關(guān)系事實(shí)，但相距補(bǔ)全還差很遠(yuǎn)。知識(shí)圖譜的補(bǔ)全是通過現(xiàn)有知識(shí)圖譜來預(yù)測(cè)實(shí)體之間的關(guān)系，是對(duì)關(guān)系抽取的重要補(bǔ)充。傳統(tǒng)方法TransE和TransH通過把關(guān)系作為從實(shí)體A到實(shí)體B的翻譯來建立實(shí)體和關(guān)系嵌入，但是這些模型僅僅簡(jiǎn)單地假設(shè)實(shí)體和關(guān)系處于相同的語義空間。而事實(shí)上，一個(gè)實(shí)體是由多種屬性組成的綜合體，不同關(guān)系關(guān)注實(shí)體的不同屬性，所以僅僅在一個(gè)空間內(nèi)對(duì)他們進(jìn)行建模是不夠的。

因此我們嘗試用TransR來分別將實(shí)體和關(guān)系投影到不同的空間中，在實(shí)體空間和關(guān)系空間構(gòu)建實(shí)體和關(guān)系嵌入。對(duì)于每個(gè)元組（h,r,t），首先將實(shí)體空間中的實(shí)體通過Mr向關(guān)系r投影得到hr和tr，然后是hr+r ≈tr。特定的關(guān)系投影能夠使得兩個(gè)實(shí)體在這個(gè)關(guān)系下真實(shí)地靠近彼此，使得不具有此關(guān)系的實(shí)體彼此遠(yuǎn)離。

知識(shí)圖譜推理中還經(jīng)常將知識(shí)圖譜表示為張量tensor形式，通過張量分解（tensor factorization）來實(shí)現(xiàn)對(duì)未知事實(shí)的判定。常用于鏈接預(yù)測(cè)（判斷兩個(gè)實(shí)體之間是否存在某種特定關(guān)系）、實(shí)體分類（判斷實(shí)體所屬語義類別）、實(shí)體解析（識(shí)別并合并指代同一實(shí)體的不同名稱）。

常見的模型有RESCAL模型和TRESCAL模型。

RESCAL模型的核心思想，是將整個(gè)知識(shí)圖譜編碼為一個(gè)三維張量，由這個(gè)張量分解出一個(gè)核心張量和一個(gè)因子矩陣，核心張量中每個(gè)二維矩陣切片代表一種關(guān)系，因子矩陣中每一行代表一個(gè)實(shí)體。由核心張量和因子矩陣還原的結(jié)果被看作對(duì)應(yīng)三元組成立的概率，如果概率大于某個(gè)閾值，則對(duì)應(yīng)三元組正確；否則不正確。

而TRESCAL則是解決在輸入張量高度稀疏時(shí)所帶來的過擬合問題。

路徑排序算法也常用來判斷兩個(gè)實(shí)體之間可能存在的關(guān)系，比如PRA算法。本文不展開描述。

大規(guī)模知識(shí)圖譜的應(yīng)用

知識(shí)圖譜的應(yīng)用場(chǎng)景非常廣泛，比如搜索、問答、推薦系統(tǒng)、反欺詐、不一致性驗(yàn)證、異常分析、客戶管理等。由于以上場(chǎng)景在應(yīng)用中出現(xiàn)越來越多的深度學(xué)習(xí)模型，因此本文主要討論知識(shí)圖譜在深度學(xué)習(xí)模型中的應(yīng)用。

目前將知識(shí)圖譜用于深度學(xué)習(xí)主要有兩種方式，一種是將知識(shí)圖譜的語義信息輸入到深度學(xué)習(xí)模型中，將離散化的知識(shí)表示為連續(xù)化的向量，從而使得知識(shí)圖譜的先驗(yàn)知識(shí)能夠稱為深度學(xué)習(xí)的輸入；另外一種是利用知識(shí)作為優(yōu)化目標(biāo)的約束，指導(dǎo)深度學(xué)習(xí)模型的學(xué)習(xí)過程，通常是將知識(shí)圖譜中的知識(shí)表示為優(yōu)化目標(biāo)的后驗(yàn)正則項(xiàng)。

知識(shí)圖譜的表示學(xué)習(xí)用于學(xué)習(xí)實(shí)體和關(guān)系的向量化表示，其關(guān)鍵是合理定義知識(shí)圖譜中關(guān)于事實(shí)（三元組h,r,t）的損失函數(shù)fr(h,t)，其總和是三元組的兩個(gè)實(shí)體h和t的向量化表示。通常情況下，當(dāng)事實(shí)h,r,t成立時(shí)，期望最小化fr(h,t)。

常見的有基于距離和翻譯的模型。

基于距離的模型，比如SE模型，其基本思想是當(dāng)兩個(gè)實(shí)體屬于同一個(gè)三元組時(shí)，它們的向量表示在投影后的空間中也應(yīng)該彼此靠近。所以損失函數(shù)定義為向量投影后的距離。

其中矩陣Wr1和Wr2用于三元組中頭實(shí)體h和尾實(shí)體t的投影操作。

基于翻譯的模型可以參考前述的TransE, TransH和TransR模型。其通過向量空間的向量翻譯來描述實(shí)體與關(guān)系之間的相關(guān)性。

當(dāng)前的知識(shí)圖譜表示學(xué)習(xí)方法都還存在各種問題，這個(gè)領(lǐng)域的發(fā)展也非常迅速，值得期待。

知識(shí)圖譜的表示轉(zhuǎn)換后，根據(jù)不同領(lǐng)域的應(yīng)用，就可以和各種深度學(xué)習(xí)模型相結(jié)合，比如在自動(dòng)問答領(lǐng)域，可以和encoder-decoder相結(jié)合，將問題和三元組進(jìn)行匹配，即計(jì)算其向量相似度，從而為某個(gè)特定問題找到來自知識(shí)圖譜的最佳三元組匹配。也有案例在推薦系統(tǒng)中，通過網(wǎng)絡(luò)嵌入（network embedding）獲取結(jié)構(gòu)化知識(shí)的向量化表示，然后分別用SDAE（Stacked Denoising Auto-Encoder）和層疊卷積自編碼器（StackedConvolutional Auto-Encoder）來抽取文本知識(shí)特征和圖片知識(shí)特征，并將三類特征融合進(jìn)協(xié)同集成學(xué)習(xí)框架，利用三類知識(shí)特征的整合來實(shí)現(xiàn)個(gè)性化推薦。

隨著深度學(xué)習(xí)的廣泛應(yīng)用，如何有效利用大量先驗(yàn)知識(shí)，來大大降低模型對(duì)大規(guī)模標(biāo)注語料的依賴，也逐漸成為主要的研究方向之一。在深度學(xué)習(xí)模型中融合常識(shí)知識(shí)和領(lǐng)域知識(shí)，將是又一大機(jī)遇和挑戰(zhàn)。

來源：攜程技術(shù)中心