中科大王杰教授：基于表示学习的知识图谱推理技术作者|维克多编辑|青暮知识图谱

文章图片
作者|维克多
编辑|青暮
知识图谱蕴含丰富的人类先验知识，具有重要的学术价值和广泛的应用前景。知识图谱推理作为知识图谱领域的核心技术，能够极大地扩展现有知识的边界，有力地辅助人类进行智能决策。
2021年12月17日，中国科学技术大学教授，博士生导师，国家优青王杰在CNCC2021“知识为意，图谱为形--基于图机器学习的知识推理”专题论坛上做了《基于表示学习的知识图谱推理技术——从简单推理到复杂推理》的报告。
在报告中，王杰结合知识图谱近年来的研究趋势与应用场景，聚焦从单一图谱推理到联合外部信息推理、从结构化输入到自然语言输入的层次递进的推理场景，介绍基于表示学习的知识图谱推理方向取得的进展。最后，王杰展望了知识图谱推理技术未来发展所面临的若干挑战和机遇。
例如，他提到：“当前广泛使用的数据集无法准确地反映真实场景模型，现在的模型测试时基本采用封闭世界假设，不符合真实应用场景，会导致本该正确的结果被判断为错误……现有知识图谱只涉及文本信息，未来的发展趋势是扩展到多模态信息。多模态知识图谱依赖于多种模态数据的收集，其中关键问题是……”
以下是演讲全文， AI科技评论做了有删改的整理：
今天的演讲题目是《基于表示学习的知识图谱推理技术——从简单推理到复杂推理》，分为背景介绍、简单推理、复杂推理、未来展望等四个部分。

文章图片
知识图谱的本质是大规模的语义网络知识库，表示对客观世界实体的描述。如上图左下角人物知识图所示，每一个节点代表一个人物，边代表人物之间的关系。而在计算机中，知识图谱以三元组的形式存储，包含头实体、关系、尾实体。
我们总希望得到大型的知识图谱，因为在规模效应的作用下，会给应用效果带来质变。知识图谱可以分为两类，一类是通用知识图谱，面向通用领域的百科知识库，另一类是领域知识图谱，面向特定领域的行业知识库。

文章图片
通用知识图谱覆盖面较广，但所包含的知识层级体系较浅、粒度较粗、精度不高，领域知识图谱则相反，其覆盖面较窄，只面向某个特定领域，包含的知识深度和精度往往有更高的标准和质量。
知识图谱最早可以追溯到60年代的专家系统，当时主要是依靠专家知识，通过人工进行构建，所以成本较高。经过多年发展，知识图谱逐渐转向自动化构建， 1998年提出的语义网络和2006年提出的链接数据是“自动化”发展的关键节点。
2012年，谷歌发布知识图谱，并将其应用到搜索引擎当中。这时knowledgegraph词汇第一次被明确提出。目前，谷歌、百度等构建的知识图谱已经包含超千亿级别的三元组，其背后所依赖的是大数据驱动下的自动知识获取技术。

文章图片
知识图谱属于典型的交叉技术领域，包含众多的技术要素：存储、查询、构建、获取、推理、融合、问答、分析等等几个方面。在众多要素中，推理是核心的技术和任务。
一方面，知识图谱的存储、查询、构建与获取，不仅仅是为了能够描述客观世界、总结人类先验知识，更重要是为知识图谱推理服务。