Kris_chen的论坛回复_云社区-华为云

问题：讨论话题：你认为哪些知识图谱自动化构建技术是关键？华为云账号：kris_chen首先，简单get一下知识图谱技术。知识图谱，是结构化的语义知识库，可反映物理世界中的概念及相互关系。进一步讲，从数据粒度大小的角度出发，该技术实现了document级至data级的知识映射，从而，当外界给予指令，可实现知识的快速响应。其次，切入主题，知识图谱自动化构建技术。在这里，需要上个逻辑，就是根据知识迭代过程中的主要步骤，去分析其所需方法。知识图谱自动化构建，是一个知识自动迭代更新的过程，主要包括数据获取、信息提取、知识融合、知识表示、知识加工、知识推理及更新等阶段。简单了解一下，· 数据获取，是通过不同渠道，获取需要处理的数据（结构、半结构、非结构）；方法：爬虫等。· 信息提取，是从不同类型的数据库中提取实体（含属性）及实体间的关系；方法：基于规则与词典、基于机器学习、面向开放域等。· 知识融合，是以某种标准，消除歧义，对获取的知识进行整合；方法：指代消解、实体链接、实体消歧、基于传统概率模型、基于机器学习等。· 知识表示，是用以表示知识要素；方法：基于机器学习。· 知识加工，是在知识的基础本原上，提高知识数据的层次架构；方法：人工等。· 知识推理及更新，是在已有知识的基础上，深入挖掘知识中的隐含关系及内容。并将通过评估，质量良好的数据加入库中，实现迭代更新。方法：逻辑推理和图的推理等。其实，以上所讲，是知识图谱的基础，但也是回答“讨论话题：你认为哪些知识图谱自动化构建技术是关键？”的硬性逻辑所在。只要搞清楚有几个阶段，才能针对每个阶段，去思考相应的解决方法。而这些方法，就构成了知识图谱自动化构建技术。所谓关键，即考虑技术的可用性，是否从真正意义上解决了某个阶段的具体问题。由于个人还是个小渣渣，还在前行的路上，所以不敢随意发言。自己略加了解过的方法，包括符号和向量两个角度，基于符号的表示方法包括RDF、RDFS、OWL，基于向量的表示方法包括来源于word2vec的翻译模型、组合模型、神经网络模型（单层线性SME、单层非线性MLP、多层NAM）。目前，机器学习、深度学习盛行，所以像Word2vec更倾向于去学习，也主要落地到自然语言处理领域。关键技术有很多，主推神经网络方面的模型，毕竟，自己喜欢机器学习、深度学习方面的内容，并且正在努力学习。个人愚见，不喜勿喷。