【知识图谱】王昊奋-公开课笔记-从人工智能到开放知识图谱

1. 数据科学是什么？数据科学家在做什么？

2. 描述性数据分析（IJCAI2017）

3. 知识库(IJCAI2017) 

（1） BabelNet 自动构建的、开放领域的、多语言的语义网络 

（2） YAGO2 以Wikipedia为知识来源，包含空间、时间维度的高密度大规模知识库

4. 什么是知识？

（1）表示形式和传承方式：人类的自然语言、创作的绘画和音乐、数学语言、物理模型、化学公式。

（2）关键问题：怎样用计算机易于理解的方式表示知识。

（3）NN也是一种知识表示形式。

5. 两大学派

smart AI 联结主义：学习（感知、识别、判断），如深度学习（DL）

knowledgeable AI 符号主义：推理（思考、语言、推理），如知识图谱（KG）和专家系统

AI的未来：联结主义+符号主义 学习+推理 感知+认知（Learning+Reasoning）

6. 什么是知识表示（KR）

（1）简单而言，KR是易于计算机处理的方式来描述人脑的知识。

（2）关键：KR可以用于推理。

（3）KR的用途

a. A KR is a surrogate

b. A KR is a set of ontological commitments

c. A KR is a theory of intelligent reasoning

d. A KR is a medium for efficient computation

e. A KR is a medium of human expression

（4）KR分类

基于离散符号的KR：RDF，OWL，各种Rule Language等（显式知识、强逻辑约束、易于解释、推理不易扩展）

基于连续向量的KR：Tensor，各种Embedding，神经网络表示等（隐式知识、弱逻辑约束、不易解释、对接神经网络）

7. 知识图谱的应用：Google知识图谱、Facebook兴趣图谱

8. 知识图谱的历史起源

语义网络（1960），本体论（1980），Web万维网（1989），知识图谱（2012）

9. 知识图谱的本质

分别从Web、NLP、KR、AI、DB视角

10. 应用

（1）KG辅助搜索：KG4SEO（搜索引擎优化），从网页搜索到语义搜索

（2）KG辅助问答：KG4BOTS、KBQA（知识库问答）、Visual QA

（3）KG辅助决策：预测性分析

（4）KG辅助语言理解：Machine Reading（利用KB辅助背景知识，将概念性知识作为NN的输入）

（5）KG辅助AI：常识推理

11. 知识图谱工程：知识表示、知识抽取、知识融合、知识链接、知识存储、知识众包、知识推理、可视化、语义搜索、知识问答

12. 各种知识图谱项目：通用的、基于某领域的、基于中文的等

13. KG构建与获取

（1）FreeBase：Google收购的，开放免费（CC BY SA）

（2）WikiData：全世界最大的免费知识库

（3）Schema.org：在网页、邮件、应用程序当中嵌入语义数据，用于SEO

（4）ConceptNet：起源于MIT

（5）事实

a. 大规模KG依赖开放域知识抽取和开放社区协同方式

b. NLP/ML只是获得KG的手段

c. 构建KG的成本非常高

d. KG共同问题是知识缺失严重

14. 关于Open的解读：OpenKG ≠ Open Data

15. 开源的数据：可商业化的开放数据许可协议、常用数据库的许可协议

（1）Creative Common：CC0，CC-BY，CC-BY-SA

（2）Open Knowledge Foundation：PDDL，ODC-BY,ODbL

16. 关于OpenKG

（1）OpenKG DATA（百科知识），Open Schema（通用常识域），Open Bots（QA测试），Open Models

（2）开源的知识库：openkg.cn

（3）工具：protege（知识建模），DeepDive（知识抽取），gStore（知识存储），YodaQA（知识问答），Limes（知识融合）

17. schema.org运行机理

18. schema.org和cnschema.org（中文），cnschema.org用于KG数据建模与推理

思考

1. 利用知识图谱能够实现可解释性的人工智能吗？

2. 行业知识图谱很缺乏吗？

3. “类”和“属性”有什么区别呢？

4. 知识图谱未来是否可能实现自动抽取呢？