技术关键词

  • knowledge Graph
  • Inductive reasoning with embedding or representation learning
  • 系统图进行迭代增强，embedding（方法） & rule learning
  • 图是否相似的规律Ontology,Has child, Has parent.
  • 搜索空间（rule learning 效率不高）
  • 运营小二 -> 人工规则增强算法模型；算法工程师 -> 预测解释性
  • 需求：商品与场景挂载，知识图谱

可解释电商场景举例

商品和场景挂载应用

  • 商品和场景挂载不全。

同款商品发现

  • 方案一：标签与属性
  • 方案二：图片相似度
  • 方案三：商品决策树（规则）
  • 方案四：机器学习 【X trans E】，Rules生成
  • 方案五：强化学习利用
  • 利用神经网络模拟推理过程

Abox vs TBox

  • 123

知识图谱为什么火，扮演什么样的角色

  • 工程化还是算法问题：
    • 学术界：贴近AI，能发论文。
    • 工业界：做一下schema建模，实现查询，风控利用图分析算法。
  • 知识图谱在Google搜索中应用：
    • 工业界：应用在了搜索结果中（更快，更准，相似度）
    • 人工智能对知识的表示和对知识的研究
  • KG是新型数据管理：
    • 带有语义，真正解决数据孤岛问题。
  • 知识图谱门槛：
    • 算法低门槛，但需要大量工程和人工梳理知识。

知识图谱（语义网）重要突破 & 瓶颈

  • 挑战：可拓展性、如何表示知识、迁移成本。
  • 知识层、挖掘层、Domain、不同领域对NLP算法结构化融合算法、规则。
  • 落地：GNN能力有突破，蚂蚁用在保险理赔，企业风控，机器人理财顾问。
  • 突破：语音助手落地（知识），瓶颈：如何表示知识，让常识可以自学习。
  • 挑战：自然语言支持、数据挖掘支持、算法支持（科学的建模，表示方法），应用到何处发挥价值。
  • 变化：知识图谱在小样本、零样本处理。不是网络表示学习，不是Graph本身的区别。