作者小头像 Lv.1
45 成长值

个人介绍

这个人很懒,什么都没有留下

感兴趣或擅长的领域

人工智能
个人勋章
TA还没获得勋章~
成长雷达
0
45
0
0
0

个人资料

个人介绍

这个人很懒,什么都没有留下

感兴趣或擅长的领域

人工智能

达成规则

发布时间 2021/01/21 15:40:09 最后回复 Zootopia 2021/04/27 18:29:18 版块 网络人工智能
10313 81 1
发布时间 2021/02/26 14:33:48 最后回复 lucyandlily 2022/04/29 14:58:34 版块 网络人工智能
14906 130 1
他的回复:
1、 你认为知识图谱有哪些高价值应用场景?知识图谱在学术界还没有统一的定义,根据维基百科,知识图谱2012年首先由谷歌公司提出,是一个提供智能搜索服务的大型知识库。因此,这里我们可以将知识图谱理解为,对语义知识的一种形式化描述框架。知识图谱作为一种语义网络拥有极强的表达能力和建模灵活性。首先,知识图谱是一种特殊的图数据。具体来说,知识图谱是一种带标记的有向属性图。知识图谱中每个结点都有若干个属性和属性值,实体与实体之间的边表示的是结点之间的关系,边的指向方向表示了关系的方向,而边上的标记表示了关系的类型。其次,知识图谱是一种人类可识别且对机器友好的知识表示。知识图谱采用了人类容易识别的字符串来标识各元素;同时,图数据表示作为一种通用的数据结构,可以很容易地被计算机识别和处理。再次,知识图谱自带语义,蕴涵逻辑含义和规则。知识图谱中的结点对应现实世界中的实体或者概念,每条边或属性也对应现实中的一条知识。作为一种应用型技术,知识图谱支撑了很多行业中的具体应用。用在了如下高价值的应用场景中:推荐系统:将知识图谱作为一种辅助信息集成到推荐系统中以提供更加精准的推荐选项;电子商务:构建商品知识图谱来精准地匹配用户的购买意愿和商品候选集合;信息检索:搜索引擎中对实体信息的精准聚合和匹配、对关键词的理解以及对搜索意图的语义分析等;自然语言理解:知识图谱中的知识作为理解自然语言中实体和关系的背景信息;专家问答系统:匹配问答模式和知识图谱中知识子图之间的映射;教育医疗:提供可视化的知识表示,用于药物分析、疾病诊断等;金融风控:利用实体之间的关系来分析金融活动的风险以提供在风险触发后的补救措施(如联系人等);公安刑侦:分析实体和实体之间的关系以获得线索等;司法辅助:法律条文的结构化表示和查询来辅助案件的判决等;总的来说,知识图谱的核心就在于利用知识图谱进行知识泛化,关联知识的知识,应用的场景和领域越来越多,将来大有可为。2、 知识推理的技术形态有哪些?所谓“知识推理”(Knowledge Inference)是指在计算机或智能机器中,在知识表达的基础上,即利用形式化的知识模式一一达与间题有关知识的符号体系,进行及其思维、求解间题、实现知识推理的智能操作过程。一句话,知识推理就是运用知识求解间题。知识推理的过程就是间题求解的过程,知识推理技术就是使间题从初始状态转移到目标状态的方法和途径。研究人工智能的知识推理技术,目的是寻求间题、实现状态转移的智能操作序列,以便从初始状态,沿着最优或最经济的途径,有效她转移到所要求的目标状态,实现间题求解过程的智能机化或计算机化。关于知识推理的技术形态,一图概之。从不同角度看待其技术形态。                       3、 你认为知识库应该存储哪些内容?知识库(Knowledge base)是用于知识管理的一种特殊数据库的,以便于有关领域知识的采集、整理以及提取。知识库中的知识源于领域专家,它是求解问题所需领域知识的集合,包括基本事实、规则和其它有关信息。知识库的存储内容可遵循以下四种方式:        1.知识库中的知识根据它们的应用领域特征、背景特征(获取时的背景信息)、使用特征、属性特征等而被构成便于利用的、有结构的组织形式。知识片一般是模块化的。  2.知识库的知识是有层次的。最低层是“事实知识”,中间层是用来控制“事实”的知识(通常用规则、过程等表示);最高层次是“策略”,它以中间层知识为控制对象。策略也常常被认为是规则的规则。因此知识库的基本结构是层次结构,是由其知识本身的特性所确定的。在知识库中,知识片间通常都存在相互依赖关系。规则是最典型、最常用的一种知识片。  3.知识库中可有一种不只属于某一层次(或者说在任一层次都存在)的特殊形式的知识——可信度(或称信任度,置信测度等)。对某一问题,有关事实、规则和策略都可标以可信度。这样,就形成了增广知识库。在数据库中不存在不确定性度量。因为在数据库的处理中一切都属于“确定型”的。  4.知识库中还可存在一个通常被称作典型方法库的特殊部分。如果对于某些问题的解决途径是肯定和必然的,就可以把其作为一部分相当肯定的问题解决途径直接存储在典型方法库中。这种宏观的存储将构成知识库的另一部分。在使用这部分时,机器推理将只限于选用典型方法库中的某一层体部分。4、 你认为哪些知识图谱自动化构建技术是关键?大规模知识库的构建与应用需要多种技术的支持。通过知识提取技术,可以从一些公开的半结构化、非结构化和第三方结构化数据库的数据中提取出实体、关系、属性等知识要素。知识表示则通过一定有效手段对知识要素表示,便于进一步处理使用。然后通过知识融合,可消除实体、关系、属性等指称项与事实对象之间的歧义,形成高质量的知识库。知识推理则是在已有的知识库基础上进一步挖掘隐含的知识,从而丰富、扩展知识库。分布式的知识表示形成的综合向量对知识库的构建、推理、融合以及应用均具有重要的意义。个人认为知识提取和知识推理是关键。理由如下:知识抽取主要是面向开放的链接数据,通常典型的输入是自然语言文本或者多媒体内容文档(图像或者视频)等。然后通过自动化或者半自动化的技术抽取出可用的知识单元,知识单元主要包括实体(概念的外延)、关系以及属性3个知识要素,并以此为基础,形成一系列高质量的事实表达,为上层模式层的构建奠定基础。知识推理是在知识表达的基础上,利用形式化的知识模式一一达与间题有关知识的符号体系,进行及其思维、求解间题、实现知识推理的智能操作过程。一句话,知识推理就是运用知识求解间题。知识推理的过程就是间题求解的过程,知识推理技术就是使间题从初始状态转移到目标状态的方法和途径,也成为了知识图谱构建的关键技术。