科學知識圖譜在不同領域的應用

崔茜 國家知識產權局專利局專利審查協作天津中心

1 科學知識圖譜的發展歷程

科學知識圖譜，是顯示科學知識的發展進程與結構關系的一種圖形，是以科學知識為計量研究對象的，是用定量統計方法發現科學知識指數增長規律的科學。隨著計量學的發展，科學知識圖譜從簡單的二維模型開始發展到三維空間模型。在中國，最先命名和引入科學知識圖譜的是在《科學學研究》上發表的一篇文章，開啟了科學知識圖譜在國內的研究與傳播。

60-70 年代語義網絡逐漸興起，語義網絡其實就是一個網絡，類似于一種生物鏈的結構。所有的節點和邊組成了一個網絡，節點代表某一種動物，邊構成了動物之間的食物鏈關系。到了80-90 年代，描述邏輯日漸成熟，學者們一直在尋找如何讓計算機更好的執行邏輯的推理，因此，越來越多的知識圖譜用于構造描述邏輯語言，計算機解決某些問題的研究也從此開始。1995 年前后，知識圖譜被真正用于互聯網語言的邏輯描述上，從HTML、XML 到DAML+OIL 以及后來的OWL2 都見證了知識圖譜從弱語義到強語義的發展過程。

到2006 年的時候，語義網絡的技術堆棧已經變得十分復雜，“語義網蛋糕模型”對語義網絡的不同技術做了羅列，同時，人們逐漸意識到必須將知識語義擴展到一個更高的維度，即我們所稱的“關聯數據”，一個三維的語義網絡。

知識圖譜在醫療、金融、法律、智能制造、通信等各個領域被廣泛應用，在檢索、編輯、校驗、推理、開發等各個工具鏈上完美契合，知識圖譜本質上來說可以看做一種程序，它讓計算機能夠理解真實的世界，同樣人們也能夠利用它去開發真實世界的資源。

2 科學知識圖譜的原理

知識圖譜以語義分析為基礎，以模型為核心，基于數據，利用深度卷積網絡、NLP 框架語義理解等技術對查詢詞進行深層次的分析，提供了實體、關系、屬性抽取等算法的服務，從而達到構建多領域知識圖譜平臺，服務不同行業、不同應用。

知識圖譜的構建過程是一個迭代更新的過程，包括信息抽取、知識融合和知識加工三個階段。信息抽取階段，用于從數據源中抽取出實體、屬性以及實體間的相互關系，以此形成知識表達。知識融合階段需要對不同數據源獲得的知識進行整合，消除語義矛盾；知識融合一般包括本體對齊和實體匹配兩個步驟。知識加工階段對于融合后的新知識進行評估和衡量，確保知識庫的質量。

針對知識加工階段來說，其具體包括本體構建、知識推理和質量評估三個方面：本體構建實際上是構建知識圖譜上下層級或隸屬度的過程，即網絡的初步構建過程；知識推理技術能夠發現知識圖譜中殘缺的關系，從而使網絡實體的關系更加完善；質量評估的意義在于對知識的可信度進行量化，舍棄置信度低的知識保障整體網絡質量。

知識圖譜中的實體、屬性以及關系不可能一成不變，因此，當有新的元素加入到圖譜時，需要對圖譜進行更新。圖譜的更新包括全面更新和增量更新，全面更新即從零開始重新構建圖譜結構，方法簡單，但計算量大；增量更新僅以新增知識為輸入添加到網絡中，資源消耗小，但是實施起來又十分困難。

3 科學知識圖譜在行業中的應用

3.1 搜索引擎

搜索引擎本身是一個匹配的過程，通過用戶輸入的查詢返回搜索結果，搜索引擎的后臺來源于互聯網，通過爬蟲技術將互聯網的信息獲取到本地。傳統的搜索引擎返回的僅僅是與查詢詞對應的結果，而引入知識圖譜后，搜索的結果發生了巨大變化，例如在搜索某個明星時，其對應的相關明星以及各自的作品都能夠作為結果展示。

類似的搜索產品有如百度知心、搜狗知立方等等。

3.2 基于知識圖譜的推薦

知識圖譜的推薦主要是通過實體與實體之間的關系，通過一系列的算法將熱點進行排序，從而使用戶獲得更加準確、多樣的推薦結果。其實現的過程與搜索引擎類似。

3.3 與人工智能的關系

隨著人工智能的不斷發展，知識圖譜在聊天機器人、問答系統等智能決策系統有了一定的應用。機器人通過對知識圖譜的學習能夠獲得模擬人的行為，并達到舉一反三的能力，機器學習能力不再單一，學習內容更加廣泛、豐富。

3.4 對宏觀經濟事件的影響

通過知識圖譜能夠得到公司股東、競爭對手、競爭產品、合作伙伴、分紅等一系列經濟數據，研究人員能夠從此圖譜中進行更深層分析，從而為市場提供更優競爭力的咨詢和決策。

4 結語

知識圖譜對于大數據的分析、數學模型的建立以及風險預測評估等都發揮著重要的作用，其使抽象的、處于不同維度的數據以直觀的、有聯系的形式展示出來。但是知識圖譜的應用絕不僅限于此，隨著科技的進步，越來越多的技術將通過知識圖譜的方式融合發展。