【知識圖譜】關(guān)于知識圖譜,我們接下來該研究什么?斯坦福教授們給...
文 |?舒意恒（南京大學(xué)碩士生，知識圖譜方向）
編 |? 北大小才女小軼
本文整理了斯坦福大學(xué) CS 520 知識圖譜研討會課程的第 10 集的內(nèi)容，主要是關(guān)于知識圖譜未來的研究方向，推薦給研究知識圖譜的同學(xué)們～
1 使用強化學(xué)習(xí)進行多跳知識圖譜推理
第一位演講者：Richard Sochar
Richard 認(rèn)為知識圖譜未來的一個重要研究方向是使用強化學(xué)習(xí)進行多跳知識圖譜推理。
知識圖譜的缺陷之一是不完整性，即知識圖譜能存儲的事實是有限的。對于知識圖譜的重要應(yīng)用——聊天機器人（Chatbot），也就是對話系統(tǒng)或者問答系統(tǒng)，其交互形式可以是文本或是圖像。在對話過程中需要根據(jù)知識圖譜進行推理，但知識圖譜關(guān)于目標(biāo)問題的知識可能是殘缺或者有噪音的，所以算法應(yīng)當(dāng)具有一定的魯棒性。對于知識圖譜的不完整性，有以下解決方案：
知識圖譜嵌入
知識圖譜嵌入是一種發(fā)現(xiàn)缺失事實的有效方法。它將知識圖譜中的所有實體或關(guān)系嵌入到連續(xù)向量空間中。采用強化學(xué)習(xí)進行推理時，可以使用知識圖譜嵌入，便于神經(jīng)網(wǎng)絡(luò)對實體進行處理。但是知識圖譜嵌入通常缺少可解釋性。
多跳推理模型
現(xiàn)有的多跳推理模型通常采用序列決策的思路。從問題中提取實體，然后在知識圖譜中學(xué)習(xí)如何在實體間進行推理。
強化學(xué)習(xí)框架
強化學(xué)習(xí)中需要關(guān)注五個要素：
- 環(huán)境 environment：在該任務(wù)中，環(huán)境是一個知識圖譜
- 狀態(tài) state：例如，當(dāng)前已經(jīng)遍歷過的一個子圖
- 動作 action：例如，選擇一個結(jié)點進行擴展
- 轉(zhuǎn)換 transition：采取一個動作后，狀態(tài)發(fā)生改變，直到一個定義的推理終點
- 獎勵 reward：在推理正確時獲得獎勵
使用強化學(xué)習(xí)進行推理可解釋性較強，可以從算法給出的推理路徑中分析結(jié)果的產(chǎn)生原因。
多跳推理是可解釋的，但是準(zhǔn)確較低。常常將知識圖譜嵌入與強化學(xué)習(xí)框架結(jié)合使用，從而兼顧可解釋性和準(zhǔn)確性。
該方法還可以推廣到聯(lián)合知識圖譜和文本的多跳推理上。
2 知識圖譜到底知道什么？
第二位演講者：Mark A. Musen 博士
Mark 想討論的是非常根本的一個問題——我們知道了什么是圖，但什么是知識？我們?nèi)绾未_保知識被存儲到了圖中？關(guān)于這個問題的答案，Mark從早年的研究歷史開始談起。
上世紀(jì)中葉，Stanford 想要開發(fā)一個專家系統(tǒng)，幫助醫(yī)生做臨床決策。他們先是考慮用語義網(wǎng)絡(luò)來實現(xiàn)這一任務(wù)。還有一個早期用于幫助決策的專家系統(tǒng)，叫做MYCIN，出現(xiàn)于 70~80 年代。它是包含大量復(fù)雜的規(guī)則供專家進行決策。在這個年代，符號化的人工智能也被認(rèn)為是醫(yī)療健康行業(yè)的未來。但是，對這類方法的質(zhì)疑逐漸顯現(xiàn)。包含大量規(guī)則的系統(tǒng)真的是可以維護的嗎？語義網(wǎng)絡(luò)（知識圖譜）能夠支持查找之外的任何形式的推理嗎？什么樣的知識表示可能可以支持一個最智能的系統(tǒng)呢？
Allen Newell 在 1980 年提出：我們應(yīng)該停止?fàn)幷撊绾伪硎局R，真正重要的是系統(tǒng)中有怎樣的知識，而不是如何用計算機進行表示。知識是觀察者賦予智能體的。知識是解決問題的能力。
- 我們無法“看見”知識，或?qū)⑺鼘懴聛?。所謂“道可道，非常道。名可名，非常名?！?/li>
- 我們永遠(yuǎn)無法得知智能體到底懂得了什么。所謂“子非魚，安知魚之樂。子非我，安知我不知魚之樂?！?/li>
- 我們只能認(rèn)為智能體有知識的條件是：
- 似乎有目標(biāo)
- 似乎能選擇行為能實現(xiàn)目標(biāo)
- 似乎能理智地選擇行為
語義網(wǎng)被認(rèn)為有希望在 Web 級別的數(shù)據(jù)上解決問題。但Mark 認(rèn)為相關(guān)研究者似乎忽視了本體論和 Web 服務(wù)的作用，只顧玩弄鏈接數(shù)據(jù)的概念。日益增長的鏈接數(shù)據(jù)被表示為知識圖譜。正如上個世紀(jì)那樣，我們又開始過分關(guān)注知識表示的狀態(tài)，而越來越少地討論如何利用它解決問題。只有圖，我們?nèi)匀蛔霾涣巳魏问虑椤?/p>
我們又重新開始研究如何將知識表示為圖。如今，龐大的知識圖譜相比當(dāng)年的語義網(wǎng)絡(luò)，擁有更加豐富的信息。我們已經(jīng)知道一些表示和生成智能行為的方法了，但還有很多應(yīng)用沒有開始研究，有很多行為還沒有想到如何去建?！@是我們未來可以努力的方向。
3 Data Commons
第三位演講者：RV Guha
數(shù)據(jù)正在驅(qū)動很多應(yīng)用，政策、新聞、健康、科學(xué)等。目前的問題不在于數(shù)據(jù)的缺乏，而是數(shù)據(jù)有太多的格式和規(guī)范。我們搜尋數(shù)據(jù)源、清洗數(shù)據(jù)、搞定數(shù)據(jù)存儲……在這個過程中存在啟動成本高昂，生態(tài)系統(tǒng)不完整，工具較少的問題。我們?nèi)绾问箶?shù)據(jù)的使用變得更加簡單？
Data Commons 是一個 Google 發(fā)起的項目，嘗試解決知識圖譜構(gòu)建中的上述問題，從不同數(shù)據(jù)源合成一個開放知識圖譜。Guha 團隊想要做的是，從原本搜索數(shù)據(jù)集、下載、清洗、歸一化、融合的繁瑣流程，簡化到直接搜索谷歌即可獲得數(shù)據(jù)集。
該項目的優(yōu)勢在于，通過清洗、歸一化和將多個數(shù)據(jù)集進行融合的方式，輕松構(gòu)建一個知識圖譜，無需清理和加入數(shù)據(jù)。
目前通過 Data Commons 構(gòu)建的知識圖譜包括按地理區(qū)域的美國人口普查公報、美國國家海洋和大氣管理局提供的天氣歷史與預(yù)報、美國勞工統(tǒng)計局的就業(yè)與失業(yè)統(tǒng)計等。
以上是對課程的簡單的筆記，并不足以涵蓋課程中的細(xì)節(jié)，感興趣的同學(xué)們可以刷起來啦～往期精彩回顧
獲取一折本站知識星球優(yōu)惠券，復(fù)制鏈接直接打開：
https://t.zsxq.com/yFQV7am
本站qq群1003271085。
加入微信群請掃碼進群：