知识图谱中的推理技术及其在高考机器人中的应用
本文来自东南大学教授漆桂林在携程技术中心主办的深度学习Meetup中的演讲内容，介绍了知识图谱中的推理技术及其在高考机器人中的应用。
随着信息化、互联网化，如何在海量的信息中获取核心的知识体系、知识图谱，并基于知识图谱理清海量信息的关系及结构，显得越来越重要。
本文简明地讲述了知识图谱的概念，回顾了知识图谱的历史，研究了知识图谱中的推理技术及其在高考机器人中的应用，希望能做出辅助学生学习的智能机器人。
什么是知识图谱
知识图谱是一种图数据模型组织的知识库，节点为实体或者概念，边为实体或者概念间各种关系。知识图谱为实现人工智能提供了常识知识和领域知识。
知识图谱的历史
知识图谱来源于知识工程。知识工程的历史回顾，可以追溯到六十年代Semantic Nets。到了八十年代专家系统，但由于知识瓶颈问题，在90年代受到的关注越来越小。Yahoo前首席科学家Ronald J. Brachman研究的KL－One系统是为了把Semantic Nets形式化。
Semantic Nets重新红火是2000年左右，随着Semantic Web的提出，智能化的搜索——语义搜索被认为是下一代搜索引擎，而Semantic Nets是语义搜索的关键。从2010年开始，Google提出Knowledge Graph，使得知识工程受到了业界和学术界的广泛关注。
知识图谱的逻辑推理
知识图谱的推理跟本体是相关的。什么是本体？形式化的，对于共享概念体系的明确而又详细的规范说明。本体提供的是一种共享词表。或者说，就是一种特殊类型的术语集。只有把概念形式化，机器和人才能互动和理解。
比如，心脏是一种肌肉组织，是血液循环系统的一部分。心脏和肌肉组织是一种上下位的关系，和循环系统是部分与整体的关系。
本体的定义，有点像数据库schema的定义，但更灵活。本体间的关系可以用类表示。比如独奏音乐艺术家与艺术家之间有上下位的关系。上下位关系有传递性。另外我们有不相交的关系，一种东西不能既是火车又是汽车。蕴含的关系可以通过推理得出。
另外一个比较重要的逻辑推理是基于规则的推理，比如说产生式规则的推理。
基于统计的推理
结合统计推理，我们可以发现有些百科中的矛盾，大豆食心虫既是动物，又是植物。另外，与深度学习比较紧密的是表示学习（Representation Learning）。
表示学习的基本思想：用低维的向量空间将每个实体都表示到空间里面的某一个位置，从而可以利用空间中的距离来衡量实体之间的语义关系。E1,E2, … En代表所有实体，R1,R2, … Rn代表所有关系，故可以使用三维矩阵（张量）表示知识图谱。还有Path Ranking Algorithm，根据路径，预测人物之间的关系是否成立。
高考解题的应用
以空间推理为例。对于目前的大部分试题的图片，现有的单一的空间推理模型（RCC、CSD、ICD）不足以表达足够的空间关系。比如，美国与加拿大之间既存在拓扑关系，也存在方位关系。需将多种的空间推理模型结合，得到新的空间关系表示和推理模型。新的模型的表示、推理能力？应强于原有单一模型，但仍有待调研、测试。
空间推理模型需要扩展。
- 扩展表示方法。引入距离模型和其他空间模型（如上下左右的表示）。
- 扩展表示对象。动态对象的表示，线、点线面关系的表示，模糊对象的表示。
比如说，我们要分析地理岩层。我们要了解事实：石灰岩属于沉积岩，页岩属于沉积岩，规则：沉积岩越往下形成年代越早，同层沉积岩形成年代一致。用来预测分析岩层属于什么岩。
最后强调，知识图谱中的本体和规则是相当重要的。
演讲PPT下载：
携程技术中心深度学习Meetup系列：
本文由携程技术中心（微信公号ctriptech）童兰利整理，并经过演讲者本人确认和授权发布。 责编：周建丁（zhoujd@csdn.net）
腾讯云开发者
