2018知识图谱发展报告

知识图谱发展报告（2018）总结

核心内容

知识图谱是人工智能的重要分支——知识工程在大数据环境下的成功应用。本报告系统梳理了知识图谱的发展历程、技术体系及应用方向，涵盖从图灵测试、专家系统、语义网到当前知识图谱的演变过程，并深入探讨了知识图谱的构建、查询推理及应用技术。

主要观点

• 知识图谱的发展经历了五个标志性阶段：前知识工程时期、专家系统时期、万维网1.0时期、群体智能时期以及知识图谱时期。
• 知识图谱以结构化方式描述客观世界中的概念、实体及其关系，是语义Web、自然语言处理和机器学习的交叉领域。
• 知识图谱技术主要包括构建技术、查询与推理技术以及应用技术。
• 知识图谱的构建涉及知识表示、实体识别与链接、实体关系学习、事件知识学习等关键环节。
• 知识图谱的查询与推理技术以RDF三元组模型为基础，支持SPARQL查询，分为基于符号的推理和基于统计的推理。
• 知识图谱应用涵盖通用知识图谱与领域知识图谱，广泛应用于语义搜索、问答系统、智能推荐等场景。

关键信息

知识图谱发展历程

知识图谱表示方法

• 符号表示：以RDF、OWL等为基础，强调语义结构和逻辑推理。
• 向量表示：通过深度学习和表示学习，将实体和关系映射为低维稠密向量，便于与神经网络集成。

知识图谱构建技术

• 知识表示与建模：将现实世界知识形式化，如语义网络、框架语言、描述逻辑等。
• 知识表示学习：通过深度学习模型实现对实体和关系的分布式表示，如TransE、TransH、TransR、DistMult等。
• 实体识别与链接：识别文本中的实体并将其与知识库中的实体进行链接。
• 实体关系学习：自动识别实体间关系，包括预定义和开放关系抽取。
• 事件知识学习：将自然语言描述的事件转化为结构化形式，支持动态知识表示。

知识图谱查询与推理

• 知识存储与查询：基于RDF三元组模型，支持SPARQL查询。
• 知识推理：分为基于符号和基于统计的方法，用于推导新关系和检测逻辑冲突。

知识图谱应用

• 通用知识图谱：如谷歌知识图谱、DBpedia、Wikidata等，覆盖广泛。
• 领域知识图谱：如医疗、金融、电商等，具有更严格的结构和更高的准确性。
• 语义集成：通过本体匹配、实例匹配和知识融合，实现多知识图谱的统一。
• 语义搜索：基于实体和关系的检索，提升搜索效率和准确性。
• 基于知识的问答：通过知识图谱提供精准答案，而非相关网页链接。

技术展望与发展趋势

• 知识类型划分：结合认知科学，探索更细粒度的知识类型划分，如树状关系、二维网格关系等。
• 多源信息融合：融合文本、图像、音频等多模态信息，提升知识表示的全面性与准确性。
• 复杂推理模式：引入一阶逻辑进行分布式表示，增强推理能力。
• 在线学习与快速学习：应对大规模稀疏知识图谱，设计高效的在线学习方法。
• 基于知识的分布式表示应用：在信息抽取、问答系统、推荐系统等领域进一步拓展。

结论

知识图谱已成为人工智能和大数据领域的重要技术，其发展从依赖人工构建到自动化获取，经历了显著的技术演进。未来，知识图谱技术将在多源信息融合、复杂推理建模、大规模知识图谱的高效处理等方面持续发展，推动智能化应用的深入。