你不得不看的六篇知识图谱落地好文

2017 年 11 月 19 日 AI前线 注重品质

编辑 | Tina & Vincent

知识图谱 (Knowledge Graph) 是当前的研究热点。自从 2012 年 Google 推出自己第一版知识图谱以来,它在学术界和工业界掀起了一股热潮。各大互联网企业在之后的短短一年内纷纷推出了自己的知识图谱产品以作为回应。比如在国内,互联网巨头百度和搜狗分别推出”知心“和”知立方”来改进其搜索质量。

知识图谱本质上是语义网络,是一种基于图的数据结构,由节点 (Point) 和边 (Edge) 组成。在知识图谱里,每个节点表示现实世界中存在的“实体”,每条边为实体与实体之间的“关系”。知识图谱是关系的最有效的表示方式。通俗地讲,知识图谱就是把所有不同种类的信息(Heterogeneous Information)连接在一起而得到的一个关系网络。知识图谱提供了从“关系”的角度去分析问题的能力。

知识图谱是基于图的数据结构,它的存储方式主要有两种形式:RDF 存储格式和图数据库 (Graph Database)。事实上,大部分开放的知识图谱,都是以 RDF 形式对外开放。那么什么是 RDF?RDF 有什么优点?这篇 AI 前线的公开课总结解答了这些问题。

告诉你一个搜索服务优化方案:基于 RDF 的知识图谱管理 

说道问答系统大家都不陌生,从 2011 年 Siri 诞生,到 Google Now,再到 Cortana 和 Alexa,作为语音助手,其实它们本质上都是问答系统。这几个都是面向公开领域的问答系统,在我们的日常生活中帮我们定闹钟、打电话、导航、搜索问题,偶尔还能讲讲笑话,也正让我们的生活越来越方便。

而对于工作场景,一些行业的迅速崛起和发展,企业中员工每天面对的信息、数据、行业和业务知识都在不断的更新迭代,以前“师傅带徒弟”的方式,已经很难满足将大量行业知识迅速学习并转换为实际工作,从而符合企业增长需要的过程,所以,对于企业来说,快速让员工迭代行业知识,迅速应用于实际工作中,企业员工也需要一个“懂行”的“智能助手”,它“懂得”内部大量的数据和知识,融合公网领域的数据和知识,形成行业问答系统,帮助员工迅速掌握行业知识,迅速上手工作。

这样的行业问答系统雏形早在 Siri 之前就已经出现,2011 年 9 月,由 IBM 研发的 Watson 机器人参加智力问答节目“Jeopardy!”,就是一个计算知识引擎,相比搜索引擎其创新之处,在于能够马上理解问题,并给出答案。实际上 watson 在落地具体某个行业客户的时候,就是做的行业问答系统。而现在,Alpha-sense 和 Kensho 也是现在 AI 领域相对成熟的行业问答系统。

那么基于知识图谱的问答系统的优势、核心问题在哪儿?

基于知识图谱的问答系统浅析 

明略数据技术合伙人黄桦在 ArchSummit 深圳 2016 大会上和我们分享了:

  1. 企业级大数据简析;

  2. 构建大数据知识图谱产品;

    • 知识图谱是什么?

    • 一个简单的工商企业的知识图谱;

    • 如何落地知识图谱产品?

    • 图数据库及其选型;

  3. 应用浅谈。

这篇分享,总结了落地技术应用的关键。

企业级大数据知识图谱产品构建与应用

在很多其他的应用上,知识图谱仍然可以发挥它潜在的价值,知识图谱在互联网金融行业中的应用主要是反欺诈、不一致性验证、组团欺诈、异常分析、失联客户管理、智能搜索和精准营销。

知识图谱究竟怎么落地?

一直是困扰着金融机构的一个问题。 本文希望通过阐述知识图谱概念本身的要素以及与金融行业结合的特点,帮助大家更好的认识、规划和落地知识图谱,以及介绍如何通过知识构建、知识计算、知识存储、知识应用四个步骤让知识图谱技术真正落地。

知识图谱技术落地金融行业的关键四步

知识图谱在学术界和工业界受到越来越多的关注。这是一篇“一文看懂知识图谱”的文章!

知识图谱在互联网金融中的应用 

http://www.infoq.com/cn/articles/Application-of-Knowledge-Graph

今天,我们非常幸运地处在第四次工业革命之中,这其中最核心的科技就是人工智能。我们看到,人工智能已经在影响我们生活的方方面面,渗透到各行各业。无论是我们想搜索信息还是浏览信息,还是根据地图导航出行,或者翻译……各行各业都在大量地应用人工智能。

而知识图谱是 AI 非常重要的基石。

百度王海峰:知识图谱是 AI 的基石 

http://www.infoq.com/cn/news/2017/11/Knowledge-map-cornerstone-AI

为了让大家更好地掌握知识图谱相关技术和典型落地案例,AICon 特设了会前为期 2 天的深度培训,并邀请了 明略数据 SCOPA 技术顾问邵蓥侠 围绕知识图谱相关技术,展开从入门到实践的落地分享,让你从 0 到 1 系统掌握。

课程简介:

本课程首先介绍知识图谱的基本概念,包括知识图谱的组织方式、标准以及它的应用场景和能够解决的问题,同时简析知识图谱与人工智能应用的关系;接着,讲解知识图谱的存储方案,并以图数据库为例进行详细介绍,内容涉及经典的图数据库类型和内部的数据组织方式;进而,介绍一种新颖的基于人机对话的方式进行知识图谱分析的手段,重点阐述此场景下的技术调整和可能的解决方案;最后,介绍并剖析利用知识图谱在多个领域解决实际问题的不同案例。

更多培训详情可点击阅读原文进行了解,目前大会 8 折倒计时报名中,购票页面输入优惠码:AIfront 还可享受特别优惠,数量有限,先到先得!详情咨询:18510377288(同微信)


登录查看更多
点赞 0

The potential of graph convolutional neural networks for the task of zero-shot learning has been demonstrated recently. These models are highly sample efficient as related concepts in the graph structure share statistical strength allowing generalization to new classes when faced with a lack of data. However, knowledge from distant nodes can get diluted when propagating through intermediate nodes, because current approaches to zero-shot learning use graph propagation schemes that perform Laplacian smoothing at each layer. We show that extensive smoothing does not help the task of regressing classifier weights in zero-shot learning. In order to still incorporate information from distant nodes and utilize the graph structure, we propose an Attentive Dense Graph Propagation Module (ADGPM). ADGPM allows us to exploit the hierarchical graph structure of the knowledge graph through additional connections. These connections are added based on a node's relationship to its ancestors and descendants and an attention scheme is further used to weigh their contribution depending on the distance to the node. Finally, we illustrate that finetuning of the feature representation after training the ADGPM leads to considerable improvements. Our method achieves competitive results, outperforming previous zero-shot learning approaches.

点赞 0
阅读9+

We consider the problem of zero-shot recognition: learning a visual classifier for a category with zero training examples, just using the word embedding of the category and its relationship to other categories, which visual data are provided. The key to dealing with the unfamiliar or novel category is to transfer knowledge obtained from familiar classes to describe the unfamiliar class. In this paper, we build upon the recently introduced Graph Convolutional Network (GCN) and propose an approach that uses both semantic embeddings and the categorical relationships to predict the classifiers. Given a learned knowledge graph (KG), our approach takes as input semantic embeddings for each node (representing visual category). After a series of graph convolutions, we predict the visual classifier for each category. During training, the visual classifiers for a few categories are given to learn the GCN parameters. At test time, these filters are used to predict the visual classifiers of unseen categories. We show that our approach is robust to noise in the KG. More importantly, our approach provides significant improvement in performance compared to the current state-of-the-art results (from 2 ~ 3% on some metrics to whopping 20% on a few).

点赞 0
阅读8+
小贴士
Top