領域知識圖譜快速構建和應用框架

于皓，張杰，吳明輝，吳信東

（明略科技集團，北京 110000）

近年來，無論是政府或是企業對于數據處理和數據價值挖掘都十分重視，但由于數據總量大且呈現類型多樣化等特點，使許多關鍵數據背后的隱性知識并不能很好地被發現以及利用。知識圖譜是連接大數據和人工智能的技術紐帶，是從感知智能到認知智能的基石，在復雜度高的行業場景中，領域知識圖譜將借助于其天然的知識可解釋性和推理等技術方向的優勢，在解決實際業務問題、輔助智能決策方向上發揮巨大作用。知識圖譜技術在產業界正經歷著應用的高速增長。然而，研發領域知識圖譜，并在實際應用場景中部署和使用仍面臨著：1)構建前，復雜領域場景涉及到的知識維度廣，業務專家短時間內難以構建出完備的領域schema；2)構建中，業務專家和技術專家深度耦合，圖譜構建緩慢，難以適應業務快速發展需求；3)構建后，圖譜應用嚴重依賴技術人員開發，業務專家無法自主進行領域知識圖譜在業務問題解決方案中的探索。

本文立足于將知識圖譜相關前沿技術成果應用落地，設計開發了面向領域的知識圖譜快速構建和應用框架，主旨是利用知識圖譜相關技術，從異構多源數據中提取知識，快速構建出領域知識圖譜，并持續將碎片化知識融合到領域知識圖譜，形成體系化的領域知識。通過知識圖譜向量化方法對領域知識進行豐富和深層次的領域語義表示，突破傳統的基于字符串匹配的淺層語義，更加高效地輔助用戶發現潛在領域知識價值，在應用于搜索、推薦、推理等傳統任務之外，其將在領域流程優化、輔助決策、預測分析等應用服務發揮更大空間。該框架已成功應用在公共安全、金融、工業、廣告營銷等領域，發揮出巨大的商業價值和社會價值，在該框架中集成了KBQA的快速構建落地方法，以對話的形式降低人工智能產品使用門檻，高效提供業務決策支持，有效降低知識勞動力成本，提高知識轉化為企業競爭力的效率。

1 相關工作

1.1 HAO智能理論

HAO(human intelligence, artificial intelligence,organizational intelligence)智能理論[1]是大數據到大智慧的理論框架，如圖1所示，通過對人類智能(human intelligence，HI)、機器智能(artificial intelligence，AI)和組織智能(organizational intelligence，OI)三位一體的集成，構建了新的人工智能理論。在未來萬物互聯的時代，只有打通感知智能與認知智能，將深度學習與行業知識圖譜相結合，才能擴大行業人工智能的應用領域，加速人工智能技術商業化落地。行業人工智能的應用領域，加速人工智能技術商業化落地。

圖1 HAO智能Fig.1 HAO intelligence

HAO智能通過打通感知、認知、行動系統，幫助組織進行分析決策，實現AI閉環落地，其中機器智能需要人類智能進行大量的語料標注，以使機器智能不斷地學習，提升機器智能的水平，機器智能為人類提供的知識而非數據，標注的語料作為人類智能的載體傳遞給機器，機器通過對標注數據的學習產生機器智能，然后分析挖掘新的知識輸出給人類進行學習，以優化人類智能，從而產生人類智能和機器智能的協同優化升級，人和機器通過該框架打造成一個統一的有機組織，通過將專家知識和使用者的知識數字化，使最終的人類智能和機器智能在組織中不斷迭代優化，將目前人工智能模型無法解決的復雜問題，通過人類的智慧在組織智能中協同解決，形成最終AI閉環，從而產生最大化的應用價值。

1.2 知識抽取

1) 實體識別

命名實體識別(named entity recognition，NER)旨在從預定義好語義類型(例如人、位置、組織等)的文本中識別出相應實體類型的提及詞[2]。1996年在第6次信息理解會議[3]上NER作為從文本中提取人員、地名、貨幣、時間和百分比等信息的任務而被首次使用。自此，人們對NER的興趣不斷增加，投入了大量的精力進行研究。早期的NER采用基于規則和字典的方法，隨著機器學的發展，人們開始嘗試將一些機器學習的方法用于NER中，例如：隱馬爾可夫模型(hidden markov model，HMM)[4]、決策樹[5]、最大熵模型(maximum entropy models，ME)[6]、支持向量機[7]、條件隨機場(conditional random field， CRF)[8]，其中，CRF是最有效的NER算法之一。后來，隨著深度學習的快速發展，很多工作都提出利用神經網絡完成NER任務，Lample[9]提出了提出了長短時記憶神經網絡（long short-term memory networks, LSTM）和CRF組合的神經網絡模型LSTM-CRF，利用雙向LSTM對輸入文本進行表征學習，然后將其輸入到CRF中，對句子中的每個詞進行分類，最終輸出分類結果，完成實體識別。Zhang[10]對LSTM做了進一步的改進，提出了Lattice-LSTM以融合詞匯信息。Devlin等[11]提出了基于Transformer的預訓練模型BERT(bidirectional encoder representations from transformers)，刷新了多項NLP（natural language processing）任務的記錄，并在CoNLL-2003 的NER數據集僅僅通過fine-tuning就得到了接近state-of-the-art的成績。在此之后，很多研究都是基于Transformer來展開的。Zhang[12]將知識庫信息與Bert語言模型進行融合，使得模型掌握更多的先驗知識，提高模型表達效果。Li等[13]提出了FLAT（flat-lattice transformer for Chinese NER）模型，基于Transformer設計了一種巧妙位置編碼結構來融合Lattice結構，從而引入詞匯信息，在MSRA（microsoft research）-NER任務中，FLAT+BERT實現了最新的SOTA(state of the art)。

2) 關系抽取

在缺少標注數據的場景下，半監督的方法能夠取得一定的效果。Ye等[14]提出一種Intra-Bag&Inter-Bag Attention的遠程監督方法，在bag內的句子以及每個bag都添加Attention機制，來減少錯誤標注數據對關系分類模型的影響。Qin等[15]提出度強化學習方法識別遠程監督方法中錯誤的樣本，他們認為Attention機制并不是最優的選擇，標注樣本的錯誤數據始終是模型的瓶頸。Alt等[16]提出將預訓練模型應用到遠程監督中，預訓練模型能夠更好地捕捉句子的語義和語法信息，以解決在關系分類中的長尾現象，但是預訓練模型對硬件要求高，在工業場景下落地較困難。Ye等[17]提出了MLMAN(multi-level matching and aggregation network)結構的小樣本學習方法，該方法采用原型網絡[18]思想，分別計算查詢實例的嵌入向量和各支持集的原型向量。但是在實際應用場景中，每個關系類別的標注實例很可能是極度不均勻的，少樣本典型的N-way Kshot場景可能并不完全適用。

1.3 實體鏈指

實體鏈接任務旨在研究如何將文本中對實體有歧義的“提及”鏈接到目標知識庫所對應的實體上。在研究方法上，實體鏈接任務經歷了從傳統的基于特征工程的方法到目前基于神經網絡的端到端方法的過渡。Shen等[19]梳理了深度學習時代當中基于傳統機器學習算法的實體鏈指技術，包括候選實體生成、候選實體排序等。伴隨著神經網絡的發展，實體鏈指技術引入了基于大規模預訓練語言模型的表征算法以及注意力網絡來捕捉提及、實體以及二者的相似度，繼而大幅提高鏈指精度[20]。而近年來，鏈指當中的不可鏈接預測NIL、標準數據不足的問題成為當下的研究熱點，Gu等[21]提出利用多輪閱讀理解MRC(machine reading comprehension)框架，并設計不可鏈接預測驗證和門控機制，通過輪詢已識別提及對應的實體描述信息優化對后續提及的判別，設計新穎；Wu等[22]提出兩步的zero-shot模型，提出cross-encoder將提及上下文和候選描述融合，并實現知識蒸餾，驗證了低資源鏈指的可行性。

1.4 知識補全

受限于業務語料規模，領域知識圖譜存在不完備性問題。知識補全方法通過預測三元組缺失部分，可對領域知識圖譜進行有效補充。基于平移距離的方法TransE[23], TransH[24]和TransR[25]等，僅依賴于網絡結構，對于只有少量關系的實體表現不佳。Shi[26]提出了ConMask算法，將實體描述信息嵌入到模型，豐富了語義表示。知識表示無法解決復雜路徑問題，為此Gardner[27]基于路徑排序算法PRA(path ranking algorithm)[28]，提出了將向量相似性計算與隨機游走結合。然而隨機游走的搜索空間過大，DeepPath[29]首次將強化學習應用于鏈接預測中。知識補全的另一大痛點是長尾問題，許多關系出現的頻次很低，卻更需要補全。GMatching[30]結合實體嵌入式表示和局部網絡結構信息，提出了基于度量的小樣本學習方法。

1.5 KBQA

傳統的KBQA(knowledge base question answering)模型可以大致分為兩種類別，即基于語義分析[31-33]和基于信息檢索[34-36]的方法。之前的模型著重于將問題映射到其形式邏輯表達形式以便于在知識圖譜上進行查詢。相反，近些年的模型主要研究問題文本與知識圖譜中三元組的語義相似性。例如：Dong等[35]使用多列卷積神經網絡嵌入文本而無需使用任何人工特征和詞典，利用CNN(convolutional neural networks)模型捕捉問句與答案屬性間的字面關聯性，驗證了字面關聯性能帶來效果上的提升。Zhang等[36]提出了利用注意力(Attention)機制來解決字符級別的語義匹配問題，通過對候選答案的不同維度表示增強了對問題的動態表示能力。隨著深度學習能力的提高，基于SimpleQuestions數據集的回答性能已接近上限，此后的研究向基于多條件、多跳推理的復雜問題轉移[37-38]，多元關系推理和知識庫的結構表示被逐漸重視起來。

2 領域知識圖譜構建框架

為解決復雜業務問題構建的領域知識圖譜，需要建立在業務知識的框架下，否則很難將領域知識圖譜應用到實際的問題解決中，自上而下的schema設計和自下而上的知識抽取相融合的模式是構建領域知識圖譜重要方法。復雜領域場景涉及到的知識維度廣，需要業務各方向的專家參與制定領域schema，一方面，行業專家對構建知識圖譜的技術了解較少，需要時間進行學習，另一方面，需要行業專家協同構建體系化的領域schema。目前缺少有效工具幫助其協同開發，因此導致領域專家短時間內難以構建出完備的領域schema。為了有效提高領域專家系統構建領域schema的效率，本文在領域知識圖譜構建框架中，設計了多人協作構建領域schema方法。

2.1 多人協作構建領域schema

多人協作構建領域schema存在諸多問題：schema術語多樣性難以統一、領域專家構建的schema存在業務邊界難以融合體系化、構建的領域schema存在缺失、領域schema和底層數據無關聯性難以維護。基于以上問題，在該框架中，設計了權限管理、協作模式、schema融合、schema推理、融合日志和抽取器功能模塊。

1)權限管理

根據不同的領域知識圖譜角色，在協同開發領域schema的過程中，分配角色不同的協同權限，其目的是保證全域的schema具有權威性，從而保證底層的數據可以較準確地映射到業務層面的知識體系中。

2)協作模式

在協作構建過程中，設計的概念實體需要滿足規范性、完全性、一致性、可擴展性和語義區分性，領域專家可以獨立構建其領域schema子圖，再通過schema融合，形成全域的行業知識圖譜，也可在一個領域schema圖中構建全域知識schema。

3) schema融合

為了提高協同構建概念圖譜的效率，框架中預設通用域和特定域的知識圖譜，用戶可以檢索相應的本體概念，將相應的子分支下的概念體系融合到正設計的概念維度，也可在已有的概念圖譜中申請協作開發，形成最新的圖譜schema。

4) schema推理

在復雜的領域知識圖譜的schema設計中，容易遺漏概念間的隱性關系，在該框架中，設計了基于規則的推理技術，通過設定領域概念規則，可以通過推理的方式發現新的關系，對領域schema進行有效的知識補全。

5)日志

協同開發過程中面臨著對概念認知不一致的情況，從而導致在構建領域schema的過程中，存在概念實體的分歧，通過保存所有參與用戶的操作日志，可以幫助協同人員對分歧的概念實體進行討論確定，以達到共識，避免在下層的數據層面出現分歧點。

6)抽取器

在概念圖譜構建之后，就建立了從上層的業務到業務知識的映射，為了打通從底層的大數據到業務知識的映射，該框架設計了基于圖譜schema構建抽取器進行映射，通過在圖譜schema中構建相應的抽取器，實現從底層數據到業務知識的無縫隙映射。

2.2 基于抽取器的圖譜自動構建

在復雜業務場景中，構建領域知識圖譜周期較長，通常以半年周期倍數計算，具體建設周期和領域業務復雜度、底層數據質量和投入的資源等方面相關，而在一些特定領域，業務發展速度快，對領域圖譜的構建需要以周為周期，否則難以適應業務發展速度，構建的領域知識圖譜具有較大的延遲性，無法滿足對業務的支撐，為了解決企業對快速構建領域知識圖譜的需求，本文設計了基于抽取器的快速構建知識圖譜的框架，業務專家依據業務需求選擇相應的抽取器靈活構建知識圖譜，該框架有效降低了知識圖譜構建的技術門檻，大幅提升領域知識圖譜的構建效率。

在本文設計的框架中，將領域知識圖譜的構建進行模塊化，主要分為數據層、語料層、算法層、組件層、抽取器層，如圖2所示，對每層的功能點進行封裝，從而形成了從數據層到業務層的組裝式映射，為業務專家提供靈活的領域知識選擇，快速生成滿足業務需求的精簡的領域知識圖譜，避免大而全的領域知識圖譜所產生的噪音、效率低等問題。

圖2 領域知識圖譜快速構建框架Fig.2 Construction framework for domain knowledge graphs

在企業內主要存在兩種數據類型：1) 業務相關的結構化數據；2) 從互聯網獲取的公開數據。業務數據在知識層面更深，開放數據在知識層面更廣，兩者可以互相補充，形成較完備的領域知識。通過將領域業務數據和公開數據融合構建領域知識圖譜，是目前行業通用的模式，企業積累的結構化數據是基于業務邏輯關聯的，可以和領域schema有效融合，通過簡單的映射，就可以將業務結構化數據映射到領域schema知識體系中，這部分的知識抽取相對簡單，而對于公開的非結構數據，如何映射到領域知識圖譜中是難點：1)可以在領域schema的規范下進行人工標注，生成領域的非結構化語料，優點是可以形成高質量的訓練數據，為后期算法訓練提供良好的數據條件，缺點是需要耗費大量的人力；2) 借助通用知識庫或者遠程監督等技術手段，半自動生成標注語料，優點是可以快速生成深度學習需要的語料，節省人力成本，缺點是標注的語料存在一定程度的錯誤，會影響后期算法訓練的模型效果。

從數據層到人機協同層，將數據的信息借助于人力智能，形成了機器可學習的語料。通過選擇相應的算法進行訓練，可以將數據空間映射到業務知識空間。在算法層中，框架集成了近幾年主流的監督、半監督和無監督的知識圖譜構建相關的技術體系，封裝算法接口，為構建知識圖譜的組件提供算法調用。

知識圖譜的構建流程主要分為知識抽取、知識融合、知識表示和知識優化，知識抽取主要是借助于算法層的實體抽取算法、關系抽取算法、屬性抽取算法或者聯合抽取算法，對標注好的語料數據進行模型訓練，生成相應知識抽取組件。知識融合主要解決在知識抽取過程后的知識對齊和屬性融合問題，形成一致性較好的領域知識圖譜，在知識構建之后建立符號化和向量化的表述組件，滿足不同的業務知識表示需求。知識優化則為了在構建的領域知識圖譜進行知識質量的優化提升，挖掘領域知識圖譜中隱漏的領域知識，發現知識沖突并對領域知識進行更新，從而形成了一整套的知識圖譜構建組件。

在組件層通過算法構建了從底層數據中學到業務語義知識識別模型，將模型進行服務化的封裝生成抽取器。將模型的輸入、輸出以及對輸入數據的預處理等功能模塊封裝為可獨立運行的抽取器。抽取器配置相應的業務功能說明，業務專家在這個層面可以根據業務問題，選擇相應的抽取器自主構建領域知識圖譜。這樣做的優點是借助于業務專家對業務的了解，生成實際可解決業務問題的知識圖譜，防止技術人員缺乏業務知識，生成的領域知識圖譜難以和業務有效結合的缺點，技術人員和業務人員在構建領域知識圖譜的過程中分工明確，各司其職，減少兩者協調工作的復雜度。

本文框架設計主旨是為業務專家提供高效的領域知識圖譜構建方法，將企業中業務專家和技術專家既聯合又分割，在對數據分析時技術專家需要業務專家協助，在構建領域知識圖譜時，業務專家需要技術專家指導。在領域知識圖譜構建的整個流程，兩種角色相對獨立，技術專家負責從數據到抽取器的構建，而業務專家負責從業務問題選擇相應的抽取器構建領域知識圖譜。詳細的領域知識圖譜構建流程如圖3所示。

圖3 領域知識圖譜構建流程Fig.3 Construction processes for domain knowledge graphs

2.3 SA-KBQA

目前，領域知識圖譜構建之后，主要應用于搜素、推薦、問答和以可視化方式進行人機交互，為解決業務問題提供可解釋和輔助決策的支撐，這個過程需要AI工程師的深度參與，難以以統一的形式賦能下游的實際業務問題。業務專家無法獨立完成領域知識圖譜到業務應用的轉化，本文提出了SA-KBQA幫助業務專家自主構建領域知識圖譜之后，可配置將領域知識圖譜應用到對話，用來解決業務問題，詳細的構建流程如圖4所示。首先業務專家根據要解決的業務問題，依據設計的領域schema進行業務問題配置，框架根據配置文件，自動生成問題模式集合，然后將問題集合自動生成標準化的查詢語句，從而構建了從業務問題到領域知識圖譜查詢的完整流程，在這個過程中完全由業務專家進行操作和制定。在問答系統應用階段，通過業務專家配置的命名實體識別和實體鏈指等抽取器將問句中的關鍵實體映射到領域知識圖譜中的標準實體，然后通過圖譜schema結構對當前關鍵實體的所有路徑生成候選的查詢語句，對部分不符合查詢規范或者無查詢結果的語句進行剪枝，最后將問句、查詢語句和結果進行排序，獲得最佳結果輸出。通過schema結構對實體查詢語句的召回方式可以實現多跳問題的查詢，提升了解決領域問題的難度。

圖4 SA-KBQA構建流程Fig.4 Construction processes for SA-KBQA

3 應用案例

3.1 線上美妝營銷

美妝行業品牌眾多、品類豐富、產品繁雜，對于消費者面臨琳瑯滿目的產品，無法選擇合適產品，而對于化妝品銷售員，無法對所有產品清晰熟知，面對消費者具有多條件和深層跨域知識維度的提問時，銷售顧問無法給出令消費者滿意的答案，而知識圖譜可以將美妝領域的所有品牌、品類、產品、成分、功效等實體有機關聯，形成系統化、全域性的美妝知識體系，再借助于知識圖譜在推理方面的優勢，可以有效解決上述的業務痛點問題。除此之外，基于網絡社交場景美妝營銷數據，分析用戶對美妝行業的品牌、產品的評價，從而幫助企業對產品進行改進，提高用戶的滿意度，另外通過大數據分析用戶的需求，給產品研發提供客觀的數據支撐，幫助企業更全面了解消費者的需求。

以往構建領域知識圖譜需要經過業務專家和技術專家數周甚至數月時間構建領域schema，借助于本文提出的多人協作構建領域schema的方法，在實際項目中僅用7天時間完成全部美妝領域schema的構建。

1)多人協作快速構建美妝schema

構建美妝知識圖譜的業務目標，是將大數據底層的信息抽取出美妝產品知識，幫助企業進行產品運營和創新，業務專家從領域問題出發多人協作快速構建美妝概念：品牌、品類、產品、成分、包裝、場景等29類，如圖5所示。AI工程師結合專家上層設計對網絡社交數據例如微博、小紅書等數據分析，確定底層數據對美妝實體和關系抽取的可行性，最終確定美妝領域知識圖譜的schema，美妝業務專家和技術專家分別從業務頂層和數據底層兩個角度協同開發，即確保從底層數據到頂層的業務知識可以無縫隙打通，又加快了美妝schema的構建效率。

圖5 美妝schema設計Fig.5 Makeup schema design

2)美妝知識圖譜快速構建流程

首先美妝行業知識官和AI工程師兩種角色多人協同快速完成美妝領域知識圖譜的schema設計，然后AI工程師從兩個方面構建底層的數據映射到美妝的業務知識層面的抽取器。對于結構化數據進行知識映射，而對于非結構化數據，通過調用框架集成知識抽取算法pipeline進行知識抽取，構建知識圖譜組件，封裝成美妝知識抽取器。基于社交數據提取的美妝知識缺乏大量知識，例如產品的功效，社交對產品的功效的交互主要集中在產品功效的優缺點，對于沒有鮮明對比優勢的功效很少提及，因此需要通過知識補全技術。對產品的功效等知識進行補全，構建了美妝知識補全抽取器，從而形成了從美妝數據到美妝領域schema的語義空間映射，AI工程師負責將底層數據構建成美妝抽取器，美妝業務專家根據業務需要，可靈活、快捷選擇相應的美妝抽取器，快速建立美妝領域知識圖譜，其詳細流程如圖6所示。

圖6 美妝知識圖譜構建流程Fig.6 Construction processes for makeup knowledge graphs

3)知識管理

在自動化構建的美妝知識圖譜中，無法保證抽取的美妝知識的完全準確性，在框架中集成人機交互的模式對美妝知識進行修正和補充，美妝知識官通過知識管理模塊對知識圖譜進行管理，如圖7所示，即可以幫助其從美妝整體維度審查領域知識的完備性，又可以輔助其進行局部的知識管理以及在解決業務問題方面的輔助洞察功能，例如幫助行業知識官了解其產品的受眾群體的用戶畫像等。

圖7 美妝知識管理Fig.7 Makeup knowledge management

4)美妝知識圖譜快速應用

為了提高美妝行業知識圖譜的快速構建和落地，降低行業知識圖譜構建的技術門檻，框架集成了基于對話問答模式的行業知識圖譜模式，通過輸入“打開知識流程”對話，如圖8所示，問答機器人會提供完整的行業知識圖譜構建流程，行業專家可以按照標準化的流程創建領域知識圖譜，具體的后臺構建流程如圖9所示。

圖8 美妝知識圖譜構建Fig.8 Construction makeup knowledge graph

圖9 美妝知識圖譜構建流程Fig.9 Construction processes for makeup knowledge graph

美妝知識圖譜構建完成后，基于SA-KBQA框架，可以迅速構建領域的知識問答，針對領域知識圖譜已有知識，對用戶提出的問題進行回答，同時該框架中集成了推理功能，對用戶的問題，給出相應的答案推理路徑如圖10所示。

圖10 美妝知識圖譜問答案例Fig.10 Case of makeup KBQA

若回答的問題錯誤，同時提供人機交互的方式，以完善行業知識圖譜的知識。通過該框架，實際美妝知識圖譜項目落地應用周期縮短40%，客戶對銷售顧問的滿意度提升23%，同時在營銷洞察方面有效提升企業對消費者的痛點感知，在優化美妝產品和提升企業產品質量方面發揮了較大作用。

3.2 汽車銷售

汽車領域屬于知識密集型產業，汽車產品眾多、功能繁雜，消費者難以抉擇。而銷售顧問一方面無法掌握全域的汽車知識，另一方面對消費者的推薦產品往往存在一定的主觀意愿，無法從消費者的實際需求提供最佳的產品推介，從而降低了對消費者的服務質量，阻礙了汽車企業的快速發展。因此通過科技手段賦能汽車銷售顧問，幫助其對自己的銷售過程進行回盤，自動化分析其在銷售過程中的細節，借鑒優秀汽車銷售人員的整套服務過程細節，可以有效幫助其提升業務銷售能力，同時對消費者的深度洞察，幫助汽車企業進產品優化，滿足消費者對汽車的更高要求。

借助于本文提出的多人協作構建領域schema的方法，汽車銷售專家從領域問題出發，自上而下設計了汽車領域schema，AI工程師結合車企內部數據和互聯網公開數據，將底層數據抽取的實體和關系映射到業務專家設計的汽車schema中，并將知識抽取和知識補全兩個維度封裝為多個抽取器，企業銷售業務專家根據實際業務需求，快速構建了汽車領域知識圖譜，其目的是拓展汽車消費顧問的知識邊界，同時將銷售過程中的話題基于時間序列構建事理圖譜，幫助銷售顧問了解銷售過程的細節，以發現其銷售過程的缺點，進行銷售過程優化，銷售過程框架如圖11所示。

圖11 汽車銷售過程數字化Fig.11 Digital management platform for automobile sales

汽車銷售業務專家可自主、便捷選擇基于車企內部數據和網絡社交數據封裝的各類抽取器快速構建汽車領域知識圖譜，如圖12所示。該圖譜的目的是幫助汽車銷售顧問全面、細致了解汽車產品間在基本參數的差異以及消費者在社交平臺上對汽車的評價信息，從而幫助汽車銷售顧問熟悉產品在消費者中的真實感受，以幫助其在銷售過程對消費者進行個性化服務，不斷提升業務銷售能力，提高消費者對服務的滿意度。

圖12 汽車領域知識圖譜Fig.12 Automobile knowledge graphs

汽車銷售顧問對顧客的銷售，在整個汽車銷售過程中起到了非常重要的作用，通過事例圖譜將汽車銷售過程進行數字化，可以幫助銷售顧問對自己的銷售問題追因，幫助其改進銷售過程，在該事例圖譜中，將銷售過程進行話題標簽識別，在此基礎上基于時間序列，生成銷售話題標簽的轉移矩陣，形成完整的銷售過程話題事理圖譜如圖13所示，為后期企業對銷售過程的優化和新人培訓等業務場景問題提供科學的知識輔助。

圖13 汽車銷售事例圖譜Fig.13 Event evolutionary graph for automobile sales

該項目中的領域知識圖譜構建和銷售過程的話題實例圖譜的構建相比計劃提前30%，整個項目部署應用之后，銷售顧問的銷售技能得到有效提升，其表現在消費者的滿意度和銷售業績以良好的態勢在逐步提升。

4 結束語

知識圖譜已成為探索從感知智能到認知智能的重要途徑，為解決企業對領域知識圖譜的快速構建和應用需求，本文研發了領域知識圖譜快速構建和應用框架，設計了多人協作模式構建領域schema方法，解決行業知識的復雜性導致的圖譜構建過程緩慢問題，通過解耦合業務專家和技術專家，賦能業務專家依據業務問題靈活配置構建領域知識圖譜，通過建立基于行業schema的SAKBQA解決行業知識圖譜在知識問答方向的快速落地問題，最后通過美妝和汽車領域實際項目驗證了該框架可以有效加快行業知識圖譜的落地和應用。同時，在領域知識圖譜構建的過程中，如何將通用領域的知識圖譜和領域知識圖譜進行有效結合、基于小樣本的知識抽取以及領域間的知識圖譜的遷移是未來該框架繼續研究的方向。