知识图谱的“五大价值”应用场景

　　知识图谱最早的应用是提升搜索引擎的能力。随后，知识图谱在辅助智能问答、自然语言理解、大数据分析、推荐计算、物联网设备互联、可解释性人工智能等多个方面展现出丰富的应用价值。

　　辅助搜索

　　互联网的最终形式是万物的互联，而搜索的最终目的是直接搜索万物。传统的搜索引擎依靠网页之间的超链接来实现网页搜索，而语义搜索则是直接搜索诸如人物、机构、地点等。

　　这些东西可能来自各种信息资源，例如文本，图片，视频，音频，IoT设备等。知识图和语义技术提供了有关这些事物的分类，属性和关系的描述，以便搜索引擎可以直接索引和搜索事物。

　　2.辅助问答

　　人与机器通过自然语言进行问答与对话是人工智能实现的关键标志之一。除了辅助搜寻，知识图谱也被广泛用于人机问答交互中。

　　随着机器人和物联网设备的智能化浪潮，基于知识图的问答对话已被应用于智能驾驶，智能家居和智能厨房等领域。基于知识图的典型问答技术或方法包括：基于语义分析，基于图的匹配，基于模板的学习，基于表示的学习和深度学习以及基于混合模型。在这些方法中，知识图不仅用于帮助实现语义解析，还用于匹配问题实体，还用于训练神经网络和排名模型。知识图谱是实现人机交互问答的必不可少的模块。

　　3.辅助大数据分析

　　知识图和语义技术还用于协助数据分析和决策。例如，大数据公司Palantir基于本体融合和整合来自多个来源的数据，通过知识图和语义技术来增强数据之间的关联性，从而使用户可以使用更直观的图方式来挖掘和分析数据。

　　知识图谱在文本数据的处理和分析中也能发挥独特的作用。例如，知识图谱被广泛用来作为先验知识从文本中抽取实体和关系，如在远程监督中的应用。知识图谱也被用来辅助实现文本中的实体消歧（EntityDisambiguation）、指代消解和文本理解等。

　　4.辅助语言理解

　　背景知识，尤其是常识知识，被认为是实现深度语义理解（例如阅读理解，人机问答等）的必不可少的组成部分。一个典型的例子是Winograd SchemaChallenge（WSC竞赛）。 WSC由著名的人工智能专家Hector Levesque教授提出。 2016年，首届WSC竞赛在IJCAI国际人工智能大会上举行。

　　这个看似非常容易的问题，机器却毫无办法。正如自然语言理解的先驱Terry Winograd所说的，当一个人听到一句话或看到一段句子的时候，会使用自己所有的知识和智能去理解。这不仅包括语法，也包括其拥有的词汇知识、上下文知识，更重要的是对相关事物的理解。

　　5.辅助设备互联

　　人机对话的主要挑战是语义理解，即让机器理解人类语言的语义。另一个问题是机器之间的对话，这也需要技术手段来表示和处理机器语言的语义。语义技术还可以用于辅助设备之间的语义互连。

　　OneM2M是2012年成立的全球最大的物联网国际标准化组织，其主要是为物联设备之间的互联提供“标准化黏合剂”。OneM2M关注了语义技术在封装设备数据的语义，并基于语义技术实现设备之间的语义互操作的问题。

　　举报/反馈