清华大学人工智能研究院-人工智能之认知图谱-2020.8-239页_10mb

报告摘要

认知图谱（Cognitive Graph）是一种融合知识图谱、认知推理和逻辑表达的新一代认知引擎，旨在实现人工智能从感知智能向认知智能的演进。它通过大规模知识的表示、获取、推理与计算，支持机器理解和解释现实世界，从而实现更高级的智能行为。

认知图谱的概念
认知图谱结合了认知心理学、脑科学和人类知识，致力于构建支持认知推理和逻辑表达的知识体系，实现可解释、鲁棒性的第三代人工智能。
认知图谱的产生历程
- 1968年，Edward Feigenbaum提出专家系统DENDRAL，为知识表示和推理奠定基础。
- 1999年，Tim Berners-Lee提出语义网，强调通过语义数据构建智能网络。
- 2012年，Google推出知识图谱，以结构化方式描述概念、实体及关系，提升搜索质量。
- 2018年，阿里巴巴发布电商认知图谱，结合用户行为与语义信息进行推荐优化。
- 2020年，清华大学唐杰教授提出“认知图谱=知识图谱+认知推理+逻辑表达”的概念。
认知图谱的机遇与挑战
- 机遇：智能时代催生了对认知智能的需求，知识图谱成为实现认知智能的重要基础。
- 挑战：
  - 模型鲁棒性差，难以兼顾准确性和稳定性。
  - 可解释性不足，限制其在高可靠性任务中的应用。
  - 缺乏积累知识的能力，难以与人类知识体系有效关联。
  - 复杂应用场景（如智能运维、医疗诊断）需要深度知识驱动。
  - 大规模知识图谱的构建和推理面临数据异构性、碎片化等问题。

概念：知识图谱以结构化方式表示概念、实体、事件及其关系，是语义网络的延伸。
发展历程：
- 1968年，语义网络概念提出。
- 1991年，本体（Ontology）成为知识表示的重要工具。
- 2012年，Google发布知识图谱，标志着其广泛应用。
关键技术：
- 知识图谱表示：将实体和关系映射到向量空间，便于推理和计算。
- 知识图谱构建：分为自底向上（自动抽取）和自顶向下（规则构建）两种方法。
- 信息抽取：包括实体抽取、关系抽取和属性抽取，是知识图谱构建的基础。

电商平台：
- 认知推荐：通过用户行为和语义信息，实现更精准的个性化推荐。
- 基础数据层：整合用户行为和语义信息，构建多模态知识图谱。
- 推理引擎层：利用知识图谱进行多跳推理，提升推荐质量。
- 用户交互的文本和视觉智能：结合文本和图像，提升用户交互体验。
其他行业应用：
- 智慧城市：通过知识图谱实现城市信息的智能管理。
- 司法行业：支持法律推理和案例分析。
- 金融行业：用于风险预测和投资决策。
- 安防行业：提升视频监控和行为识别能力。
- 智能解释：为用户展示推理路径，提升系统的透明度和可解释性。
- 自然人机交互：通过自然语言理解和生成，提升人机交互体验。

技术研究趋势：
- 大规模知识图谱：构建和维护大规模、高质量的知识图谱。
- 多粒度自学习：支持不同粒度的知识推理和逻辑表达。
- 知识演化模型：实现知识的动态更新和推理规则的自学习。
创新热点：
- 知识图谱嵌入技术：如TransE、TransH、TransR、KG2E等。
- 自然语言生成技术：如BERT、GPT、XLNet等。
- 逻辑推理技术：如Tableaux、产生式规则系统等。
专利数据：中国在认知图谱相关专利申请数量逐年增长，显示出对技术的重视。
国家自然科学基金：支持认知图谱相关研究，推动其在多个领域的应用。