自演化 ；知识图谱；知识图谱补全；关系路径推理；表示学习；强化学习；元学习；联合学习；生成式模型；

什么是自演化？

是指知识图谱的自动更新迭代，需要对需更新的相关实体进行自动发掘，完成知识收集与融合等步骤，并在添加或更新实体、关系、属性后，对不直接与该实体相关但需要更新的三元组进行推断与更新、对图谱中原本不存在的关系、实体进行自动补全。对此我们可以将其拆分为两个子问题，对需要进行自演化的实体进行挖掘，及对知识图谱中缺失的部分进行预测与补全。

为什么需要自演化？

  • 知识库中的知识具有时效性，并非一成不变，而是处在动态更新中。例如美国总统从特朗普变成了拜登，詹姆斯哈登从火箭去了篮网；与我们的专业工作结合，例如某武器装备研制阶段发生变化、某项技术在某某型号得到新的应用、美军开展了某新项目的研究等。我们需要对知识图谱进行持续更新与维护，保持其先进性和正确性。
  • 知识图谱的构建过程中会出现大量的实体和关系，如Knowledge Vault中的实体已达到4500万，关系有4469种，三元组数量达到2.7亿个。尽管数据体量已经如此之大，但具体进行分析会发现许多实体间本应存在的关系并未建立。如超过一半以上的人不具备出生地关系或国籍属性等。究其原因是用于构建知识库的文档或信息提取算法中含有噪声，产生无用信息；文档本身所含信息量有限；许多常识性信息不会给出明显描述等。因此知识补全技术对于构建正确、完整的知识图谱尤为重要。
  • 当前的知识图谱更新手段分为全量更新与增量更新，前者以更新后的全部数据作为输入，开销很大；而后者需要大量的人工干预（如定义规则），难以实施。为节省人力物力，实现知识图谱的智能化更新迭代，需要研究知识图谱的自演化技术。

对需要进行自演化的实体进行挖掘

知识图谱的自演化 - 图1

对知识图谱进行自动补全

知识图谱的概念与实体

知识图谱的结构可以分为两个层面。通常我们所说的是其底层逻辑，即表示为（实体1，实体2，关系）的三元组。如（姚明，叶莉，妻子）。对此类三元组进行补全与预测是我们主要所研究的内容，即研究两个已知实体的关系（姚明，叶莉，？），或已知头/尾实体及关系，推测尾/头实体（姚明，？，妻子），即实体层次的知识图谱补全。

在此之上是知识图谱的概念层级，是对一类实体的概念级抽象。如下图所示，奥巴马是人、政治家、艺术家、作家、演员。对实体的概念缺失进行补全也是一个研究方向，即概念层次的知识图谱补全。

知识图谱的自演化 - 图2

实体层次知识图谱补全的主要方法

知识图谱的自演化 - 图3

未来的发展与挑战

  • 长尾实体与稀疏关系：很多实体，如总统、明星等，关于他们的文章、报道十分丰富，而对于数量庞大的普通民众实体，出现频率很低，导致他们的关系示例十分稀疏。可能需要信息检索、关系发现、实体链接等多种技术的结合进行解决。
  • 实体关系的一对多、多对多问题：针对许多领域知识，如生命科学领域，某一种基因会和几百甚至上千种蛋白质相关, 某一反应路径会重复出现在成千上万组反应序列中。现有方法难以应对这成百上千数量级的关系学习问题，需要增加新的控制变量和约束，或提出全新的思路或模型。
  • 三元组的动态变化与增加：新的知识不断产出，基于旧的知识建立和补全的知识图谱的更新过程将变得十分复杂。该领域的研究尚未引起足够的重视。
  • 关系预测的路径在不断边长： PRA 等方法中我们会看到从一个实体到另一个实体的路径长度往往超过 1，而现有的主要方法中该路径长度一般不会超过 4，但实体间的关系路径很可能不断增加，如某种疾病与基因的关系长度很可能在5以上。知识图谱补全过程需要更高效的模型来描述更复杂的关系预测模型。

参考文献

  1. 漆桂林, 李丞, 李林,等. 一种知识图谱动态更新方法:, CN109033160A[P].
  2. 王策. 一种知识图谱中实体更新的方法,装置和服务器:, CN110019840A[P]. 2019.
  3. 刘颖, 朱连宏, 关礼安,等. 一种面向知识图谱的大规模数据增量处理方法:, CN111382320A[P]. 2020.
  4. Jiaqing Liang, Sheng Zhang, Yanghua Xiao: How to Keep a Knowledge Base Synchronized with Its Encyclopedia Source, Proceedings of the Twenty-Sixth International Joint Conference on Artificial Intelligence Main track. Pages 3749-3755
  5. Jizhi Tang, Yansong Feng, Dongyan Zhao：Learning to Update Knowledge Graphs by Reading News，
  6. Schlichtkrull, M., Kipf, T., Bloem, P., Berg, R.V., Titov, I., & Welling, M. (2018). Modeling Relational Data with Graph Convolutional Networks. ESWC.
  7. 知识图谱简介 https://www.cnblogs.com/huangyc/p/10043749.html
  8. Ji S , Pan S , Cambria E , et al. A Survey on Knowledge Graphs: Representation, Acquisition and Applications[J]. 2020.
  9. 王硕,杜志娟,孟小峰.大规模知识图谱补全技术的研究进展[J].中国科学:信息科学,2020,50(04):551-575.
  10. 知识图谱补全技术综述 http://www.360doc.com/content/20/1223/22/7673502_953113159.shtml