关于知识图谱的几个问题

1.为什么知识图谱对于机器实现人工智能如此重要呢？

• 知识图谱实现机器认知智能的两个核心能力：“理解”和“解释”。
• 机器理解数据的本质是建立起从数据到知识库中的知识要素（包括实体、概念和关系）映射的一个过程。
• 将知识库中的知识与问题或者数据加以关联的过程。有了知识图谱，机器完全可以重现我们的这种理解与解释过程。

2.自然语言的理解为什么需要知识图谱?

• 人类语言理解是建立在人类的认知能力基础之上的，人类的认知体验所形成的背景知识是支撑人类语言理解的根本支柱。我们人类彼此之间的语言理解就好比是根据冰山上浮出水面的一角来揣测冰山下的部分。我们之所以能够很自然地理解彼此的语言，是因为彼此共享类似的生活体验、类似的教育背景，从而有着类似的背景知识。冰山下庞大的背景知识使得我们可以彼此理解水面上有限的几个字符
• 不同的背景知识决定了我们对幽默有着不同的理解。所以语言理解需要背景知识，没有强大的背景知识支撑，是不可能理解语言的。要让机器理解我们人类的语言，机器必需共享与我们类似的背景知识。
• 实现机器自然语言理解所需要的背景知识是有着苛刻的条件的：规模足够大、语义关系足够丰富、结构足够友好、质量足够精良。
• 自然语言处理走向自然语言理解的必经之路是知识，以上观点表达为NLP+KB=NLU的公式

3.知识图谱为什么商业前景很好？

• 它能解释现在深度学习不能解释的缺点，比如你运用了推荐算法，但它不会给你解释为什么推荐这个东西，有了知识图谱做解释之后，商业能力会增加很多。
• 解释概念，自动存储，是机器最终超过人类的基础。
• 用户对使用统计模型来解决问题的效果越来越不满意了，统计模型的效果已经接近“天花板”，要想突破这个“天花板”，需要知识引导。实体指代这样的文本处理难题，没有知识单纯依赖数据是难以取得理想效果的。当前机器缺乏这些知识，所以无法准确识别代词的准确指代。很多任务是纯粹的基于数据驱动的模型所解决不了的，知识在很多任务里不可或缺。比较务实的做法是将这两类方法深度融合。

4.和传统机器学习相比有哪些优点？

• 增强机器学习的能力 机器学习与人类学习的根本差异可以归结为人是有知识的且能够有效利用知识的物种。我相信，未来机器学习能力的显著增强也要走上知识的充分利用的道路。

image.png

• 知识将成为比数据更为重要的资产。前几年大数据时代到来的时候，大家都说“得数据者得天下”。去年，微软研究院的沈向阳博士曾经说过“懂语言者得天下”。而我曾经论述过，机器要懂语言，背景知识不可或缺。因此，在这个意义下，将是“得知识者得天下”。“knowledge is the power in AI”