知识图谱的行业落地实现

2019 年 9 月 16 日 竹间智能Emotibot

什么是知识图谱

01

知识图谱(Knowledge Graph)是以结构化的形式,描述客观世界中的实体(entity)及其相关属性(property)及属性值(value)或者是实体及其与其他实体的关系。


所谓的实体,一般指的是现实中存在的实物,比如人、组织、产品等等;而属性用于描述实体的特征;用“属性--值”来刻画该实体与其他实体的差异,比如某个产品,他有尺寸大小、价格、用途、制造商等属性,65寸、2000元等是属性值;而关系则是实体间的某种联系。比如公司A 有一款产品 B,我们也可以认为公司A与产品 B的关系即是公司A是产品 B的制造商这个属性,而A 是B 的制造商这个属性对应的属性值。A 及 B 在知识图谱上代表不同的 “节点”,彼此有联结。这些节点和联结将知识建立成图谱,构成了更好组织、管理和理解海量信息的网状知识结构。

我们可以把知识图谱看成是对物理世界的一种符号表达,它的应用在于,改变了我们原先的信息检索方式。于是我们可以查询 “制造B产品的公司还有其他哪些产品”,在图谱里找到B,从制造商找到A,再查询A的所有产品,于是信息检索可以进行推理,而传统搜索只能从知识中筛选符合条件的。


知识图谱的实现容易联想到搜索引擎公司谷歌,为了建立 “世界知识的数据库”,追求的是广泛而全面的。其中的核心技术包含从网页或文件中提取结构化的知识实体及属性、以及建立大规模的平台,来支持知识的累积以及查询。用户搜索时,除了有包含关键字条件的多个网页,右边还显示从知识图谱查询而得到的知识点、图片、属性、关联信息。


知识图谱的行业落地

02

行业垂直领域也有知识图谱的实现,尤其是金融行业。一部分应用是作为投资人教育的目的,将行业知识建立百科,包含金融百科、信息科技、生物医疗、服务制造产业的各种知识点,协助投资人理解行业及公司报告或产业新闻,掌握投资热点。


另一部分是把经济及金融的产品交易信息建立知识图谱,并建立联动的网络关系,进而构建复杂的预测模型。行业垂直领域虽然不像搜索引擎追求广泛而全面的知识,由于其追求的是大量且深厚的垂直领域信息,不是作为知识理解的百科,其规模并不会输给搜索引擎的知识图谱,尤其知识百科的更新不频繁,但是产品交易相关信息的更新频繁,保留历史信息在知识图谱是必须的。这样大规模的知识图谱,只有少数大公司才有足够财力及诱因搭建。



AI 在金融、零售等行业中,智能客服对话机器人是一个大众普遍能联想到的应用。智能客服最快能上线的实施方案,是将客户常问的问题,梳理出标准的回答,再训练出对话模型,能将客户的新问题,对应到适合的标准回答。这些标准回答,由于人工维护的效率有限,往往被设计成能尽量回答多种角度不同问法,而且答案文字尽量不会需要更新,这样可以降低人工客服维护智能客服系统的成本,于是给客户的回答就不能做到个性化,不能针对客户自己的情况提供解答。


竹间智能科技的智能客服解决方案,包含了知识图谱建设的能力,这是在标准问答这种非结构形式的知识之上,提供了结构化形式的知识,而且具备知识图谱的推理能力,让智能客服能做到个性化的信息查询。而且这种知识图谱的建立成本,远低于搜索引擎或行业知识图谱的成本,满足一般企业服务客户所需的知识体系规模。



智能客服知识推理解决方案

03

竹间智能科技的智能客服知识推理解决方案,其特色是发挥自然语言理解技术的优势,让企业客户能对智能客服做复杂的咨询问题,比如 “给我推荐一下有哪些电视机,是65寸的,液晶的,但是不要超过三千块”,或是 “我要找基金,最近一年回报超过5%的,安全点的“,这类的复杂问句,如果透过标准问题模型回答一个链接,要客户自己从官网产品清单自己筛选,这个智能客服就不具备售前导购的能力。而售前导购能力,可以让智能客服从降低客服成本的价值,升级到帮企业带来新商机的价值。


典型的应用场景,是将企业的产品及服务,导入知识图谱中。包含金融商品或民生消费类型具有标准规格的电子产品、旅行产品、车辆等等,有多种商品属性是民众可以理解,会用来查询的。竹间解决方案将这些商品知识存起来方便查询。


知识图谱的查询需要支持复杂的推理能力。比如说,下表是一个公司的商品知识图谱: 

这个知识图谱,可以支持这些问句做推理: 


12

小结

知识图谱是一个在学术界及行业广泛知道的一个技术名词,而且在国内外各大搜索引擎实现可以被容易使用。企业也可以利用知识图谱技术来实现知识累积及数据分析的应用场景。竹间智能科技的智能客服解决方案,提供知识图谱存取及知识推理的能力,让企业在搭建智能客服平台,协助坐席快速查到客户问题的答案,或是让机器人自动回复客户的问题。竹间智能累积的自然语言理解技术,支持复杂的知识推理,并且开发成本低、部署成本低,能提高客服中心的工作效率及服务质量。




EMOTIBOT

AIBotFactoryAI+AICCAI+AI+AI+AI+RPA


AICCAI Contact CenterAIAI使AI


AI+AI


 Bot FactoryAI


西寿广AI


Powered By Emotibot



2

登录查看更多
51

相关内容

知识图谱(Knowledge Graph),在图书情报界称为知识域可视化或知识领域映射地图,是显示知识发展进程与结构关系的一系列各种不同的图形,用可视化技术描述知识资源及其载体,挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。 知识图谱是通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合,并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代理论。它能为学科研究提供切实的、有价值的参考。

知识荟萃

精品入门和进阶教程、论文和代码整理等

更多

查看相关VIP内容、论文、资讯等
2020年中国《知识图谱》行业研究报告,45页ppt
专知会员服务
233+阅读 · 2020年4月18日
KGCN:使用TensorFlow进行知识图谱的机器学习
专知会员服务
80+阅读 · 2020年1月13日
【阿里技术干货】知识结构化在阿里小蜜中的应用
专知会员服务
95+阅读 · 2019年12月14日
知识图谱更新技术研究及其应用,复旦大学硕士论文
专知会员服务
100+阅读 · 2019年11月4日
中文知识图谱构建技术以及应用的综述
专知会员服务
305+阅读 · 2019年10月19日
医疗知识图谱构建与应用
专知会员服务
370+阅读 · 2019年9月25日
如何构建行业知识图谱(以医疗行业为例)
领域应用 | NLP 和知识图谱:金融科技领域的“双子星”
开放知识图谱
21+阅读 · 2018年8月12日
干货 | 知识图谱的技术与应用
深度学习与NLP
17+阅读 · 2018年6月15日
领域应用 | 知识图谱的技术与应用
开放知识图谱
17+阅读 · 2018年6月14日
刘志明 | 知识图谱及金融相关
开放知识图谱
13+阅读 · 2017年12月18日
【知识图谱】医学知识图谱构建技术与研究进展
产业智能官
44+阅读 · 2017年11月16日
漆桂林 | 知识图谱的应用
机器学习研究会
12+阅读 · 2017年9月26日
【知识图谱】CCKS-2017 行业知识图谱构建与应用-下篇
领域应用 | CCKS-2017 行业知识图谱构建与应用-上篇
开放知识图谱
18+阅读 · 2017年9月4日
Arxiv
99+阅读 · 2020年3月4日
Arxiv
91+阅读 · 2020年2月28日
Arxiv
20+阅读 · 2019年9月7日
Arxiv
9+阅读 · 2018年10月18日
VIP会员
相关VIP内容
2020年中国《知识图谱》行业研究报告,45页ppt
专知会员服务
233+阅读 · 2020年4月18日
KGCN:使用TensorFlow进行知识图谱的机器学习
专知会员服务
80+阅读 · 2020年1月13日
【阿里技术干货】知识结构化在阿里小蜜中的应用
专知会员服务
95+阅读 · 2019年12月14日
知识图谱更新技术研究及其应用,复旦大学硕士论文
专知会员服务
100+阅读 · 2019年11月4日
中文知识图谱构建技术以及应用的综述
专知会员服务
305+阅读 · 2019年10月19日
医疗知识图谱构建与应用
专知会员服务
370+阅读 · 2019年9月25日
相关资讯
如何构建行业知识图谱(以医疗行业为例)
领域应用 | NLP 和知识图谱:金融科技领域的“双子星”
开放知识图谱
21+阅读 · 2018年8月12日
干货 | 知识图谱的技术与应用
深度学习与NLP
17+阅读 · 2018年6月15日
领域应用 | 知识图谱的技术与应用
开放知识图谱
17+阅读 · 2018年6月14日
刘志明 | 知识图谱及金融相关
开放知识图谱
13+阅读 · 2017年12月18日
【知识图谱】医学知识图谱构建技术与研究进展
产业智能官
44+阅读 · 2017年11月16日
漆桂林 | 知识图谱的应用
机器学习研究会
12+阅读 · 2017年9月26日
【知识图谱】CCKS-2017 行业知识图谱构建与应用-下篇
领域应用 | CCKS-2017 行业知识图谱构建与应用-上篇
开放知识图谱
18+阅读 · 2017年9月4日
Top
微信扫码咨询专知VIP会员