知识图谱目前亟待的问题有哪些？

张发恩

作为谷歌知识图谱的一个开发工程师，说一点自己的看法。最难也最需要抓紧解决的是 如何将来自不同数据源的相同实体聚类。比如电影数据源里有刘德华，音乐数据源里也有刘德华，这两其实是一个人，从不同数据源构建图谱的时候，必须有自动化的算法将各处的刘德华聚类。这方面谷歌走过弯路，但现在已经走上正路了。大家可以慢慢的感受到谷歌搜索引擎正在变为谷歌知识引擎。Google now很重要的一个基石就是谷歌知识图谱。
知识图谱中还有很多其他挑战，比如文字到实体的映射，但这些都有较成熟的算法。
看到其他人说的存储方面的挑战，这在谷歌里真的不是什么挑战，sstable 和 bigtable轻松愉快。之上跑起 MapReduce, flume不要太爽

刘知远

知识图谱是谷歌对其所推出的大规模知识库产品的称呼。在此之前，已经有关于知识库的大量研究，其中有很多代表性工作，也相应提出了很多挑战性问题。

我认为知识图谱的主要挑战问题包括：1. 知识的自动获取；2. 多源知识的自动融合；3.面向知识的表示学习； 4. 知识推理与应用。

关于知识图谱最近写了一篇短文，可以参考：http://book.thunlp.org/knowledge_graph/ 。终于算把这个坑填好了。:)

李小瀚

智商是一生的痛

33 人赞同了该回答

这个坑略大啊。。
从知识库的构建开始：通常是从web上的非结构化数据中识别实体、挖掘关系，也就是knowledge extraction了。然后这中间涉及到另一个非常大的坑disambiguation，包括重名和别名，包括实体的消歧、关系的消歧、类别的消歧。当然获取知识的时候也可以借助一些已有的结构化数据，比如wordnet之类的一些ontology。。YAGO就是这么来的

库建好了，就得考虑怎么存了，这个问题比较偏DB和graph，比如直接搞个relational DB来把一个个的三元组存起来，比如搞个graph DB来存，比如搞个RDF engine来存，这方面关注得比较少。

好了，现在库建好了，存了存好了，问题就来了，号称“给计算机装上了大脑” 的knowledge base到底有什么用呢？？你搜个刘翔，它可以给你一堆刘翔的介绍。。这就是最简单的实体检索。。but这个太废了。。值不回巨头们的钞票啊。。。

于是有人说了。。我们可以把它用到搜索引擎上啊。。你搜一个刘翔。。我除了给你一个刘翔的百科主页，我还可以告诉你教练孙海平。。父母XXX。。前妻葛天。。做得好的话还能给你推荐个裤裆藏手榴弹的电视剧有木有！！这就是利用知识库来做recommendation

另外有人觉得这玩意儿可以拿来搞query understanding啊。。用来帮着消歧啊有木有！！比如有人搜apple的时候，google和度娘是不知道你想搜水果还是搜乔布斯的。。but当你搜 "microsoft apple"或者"乔大爷 apple"的时候它就兴奋的发现它派上用场了，它知道巨硬跟apple都是公司啊你肯定想找手机啊于是广告就来了啊钱就哗哗了啊

最后，也就是要隆重推出的，也是在本屌有限的知识背景下自认为很有前途很有情怀，当然也很难的，question answering over knowledge base. 说白了就是知识库上的自然语言查询。比如你输一句 "刘翔的前妻的裤裆藏手榴弹的电视剧的名字是什么呀~~"， 它能告诉你。。它叫XXX。。这个本质是一个NLP的问题，即如何将一个自然语言查询转换个kb上的结构化查询，这一步是无数指着kb捞钱的人们梦寐以求的。。你想啊有了这技术搜索引擎得多厉害啊。。你问啥告诉你啥。。微软小冰得多厉害啊。。你问啥告诉你啥。。智能机器人得多厉害啊。。你问啥告诉你啥。。。

当然还有很多很多其他。。个人了解有限。。也有很多不甚关注的东东。。想到再补充吧

cstghitpku

Talk is cheap，show me the code！

2 人赞同了该回答

我认为是多源数据的融合最难解决。比如从虾米音乐网挖出“刘德华”，从爱奇艺等影视也挖出“刘德华”，识别出他们代表的是同一个实体，然后融合。菜鸟的观点，不喜勿喷，欢迎大家一起学习讨论

ling0322

战斗力只有5的零

4 人赞同了该回答

大致说几个吧
第一个就是在从网上获取知识后，怎样确保获取知识的准确性，找出不准确的知识然后去掉
第二个就是区别同名的不同实体。比如打乒乓球的刘国梁与文学家刘国梁
第三个就是根据现有的知识推断更多的实体间的关系，比如周杰伦的爸爸周耀中与周杰伦的妻子昆凌的关系就是公公。

知乎用户

2 人赞同了该回答

最终的落脚点还是要有基于行业的本体构建，如农业、军工，如果缺乏本体构建的基础，后面的运算是个大问题。

刘文强

机器学习，知识图谱，深度学习

个人觉得有以下几个方面：

1. 知识图谱的构建方面- 如何从开放的信息中抽取知识图谱所需的实体，以及实体之间的关系。围绕这方面研究主要是entity 和relation extraction 。虽然NLP领域也对这个问题研究了很多年，但是在开放信息源中的效果并不是很理想。典型的研究就是CMU 的Tom Michel 组的NELL。

2. 知识图谱的存储方面。如何存储海量的知识，如何能够有效的更新

3.知识图谱的检索方面。如何给一个自然语言的问题，能够有效的检索相关的答案。

4. 知识图谱的有效推理。小明的老婆的父亲-->小明的岳父

这些问题想想都很困难啊。

大王

但识琴中趣，何劳弦上音

海量知识的存储；不确定性推理