知识图谱资料放送！

2019年知识图谱很火，在搜索、问答、推荐系统、工业设备、物联网等领域获得了相关应用。最近，In特尔发布的《机器人4.0白皮书》，对知识图谱在机器人应用方面进行了概念性讲解，提出了"自适应机器人交互"的理念。

不同于通常的百科知识类的知识图谱，机器人应用的知识图谱有一些不同的需求：

（1）需要动态和个性化的知识。机器人往往需要对所在的环境和人进行更深入的理解才 能进行更好的服务，而且不仅仅是当前的情况，要对过去发生的一些情况进行记录（例如要了 解老人通常什么时候起床，某个物体一般放在什么位置)。因此，机器人需要记录环境里不同 时间的人和物、发生的事件等相关信息，这些都是通用知识图谱所不能事先提供的，必须在环 境里去获取。这些动态的个性化知识能很好的对人进行个性化的服务，例如通过对某用户的观 察，机器人可以观察到该用户的一些喜好，或者一些行为模式，这些信息可以帮助对该用户提 供更好的服务。

（2）知识图谱需要和感知、决策紧密结合, 并帮助实现更高级的持续学习能力。从人工智 能发展的历史看，单一方法很难彻底解决 AI 问题，前面的介绍也提到不论符号方法还是统计 方法都已经显现了瓶颈，而且目前在单一方法里都没有很好的方法解决这些瓶颈问题。按照明 斯基的分析，未来需要多种方法结合的 AI 系统。从最近几年的研究进展看，这也是未来人 工智能取得进一步突破的必经之路。所以不同于以往知识图谱和计算机视觉等统计方法基本是 独立运作的做法，知识图谱必须和感知决策更深入、有机的结合。具体来说，知识图谱的信息 是从感知中获取的，通过基础的感知，加上场景理解，获得的信息可以存入知识图谱，然后这 些知识可以进一步进行模式的挖掘（比如时间空间相关的模式）来获得更高层的知识。知识图谱的一些知识又可以作为环境上下文信息提供给感知算法来进行连续学习，从而实现自适应的 感知算法。从某种意义来说，这已经不是传统意义上的纯符号方法的知识图谱，而是一种混合 的知识图谱，即符号方法和统计方法结合的知识图谱。这也是未来很有潜力取得突破的一个方向。

由于云-边-端融合的需要，知识图谱会分别存放在机器人侧，边缘侧和云侧，其接口可以 采用统一的接口以利于系统对知识图谱进行统一的调用。由于协同学习和实时处理的需要，知识和其他相关信息（如数据，模型等）还可以通过云侧、边缘侧来进行共享，通过一定的冗余备份来达到更高的实时性。这类似于计算机架构中的高速缓存机制(Cache), 比如部分存储在云端的知识经常被调用，可以缓存到边缘端或机器人端提高其存取的速度。在5G 网络下，延迟本身不是大问题，主要考虑更充分的利用边缘端和机器人端的计算能力，达到整体资源的最优利用。

由于机器人面向的场景具有复杂性、多样性，要构建一个个性化的知识图谱具有很大的难度，可以考虑面向具体场景的专业机器人，但也面临通用知识的融合问题，否则难免沦为工业设备的专家系统。

鉴于知识图谱的应用扩展，前期整理的了一些资料，这里放送给关注该公号的小伙伴，希望大家一起进步！

关注公众号：