【再认识】认知智能下需要的实体知识与事件知识

1，知识图谱理想上双层结构，实际单层
知识图谱是个双层结构。模式层和实例层，模式层，又称为本体层，模式层分成两个部分，一个是概念的上下层级，另一个是概念之间的关系层或者概念的自身属性信息层。前者规定了概念类之间的类关系，赋予了概念之间可以继承的特性，后者定义了不同类自身的属性和关系变体。严格意义上来说，知识图谱中的模式层对数据项的取值是有严格定义的，例如数据库中的各种数据类型(字符串型、float型、list型)，但这种做法在工业界往往用不到，因为充分适应这种数据类型的规定是非常需要费时费力的。在很多人的认知里，知识图谱就是知识三元组，仅保留实例层，这是现实中的大现实，因为这来的快，拿来就用。表面上看起来很舒服，搞上面这一层太费脑筋，而且有太多业务知识，很多人办不到，尤其是焦虑的工业界。
2，知识图谱是可解释性，也是个灾难。
知识图谱=可解释性，这种论断被炒的很火，不能说对，也不能说错，标杆在于对可解释的定义。大体认为知识图谱是可解释的是沿袭了“眼见为实”的思维，即，我看到的实实在在的东西，可以形式化的显示性地表达出来时，我才认为我可以把一个问题解释给对此毫无背景的人听。也就是看重的是一种过程性的符号佐证，一种缺乏思考能力和基础知识却想掌握某一现象的人来说的。而深度学习中学习到的系数或值缺少实际的物理意义，从而被认为是不了解释的，因为缺乏形式化。如果我们认可了这样一种标杆，那么也自然成立，但这种成立性带来了巨大的灾难，即可解释性的数据荒灾难，为了支持一个既定的事实，背后需要大量的知识作为支撑，但现在的规模是远远不够的，几千亿，几万亿估计都不够。退回来说，这个知识的来源，人工编辑收集的方式很局限，不可面面俱到。基于抽取的方法可以海量的挖掘，撇开技术性能不说，海量挖掘的目的在于知识的曝光度，曝光才是抽取的前提，但有太多长尾的知识是压根不被报道或写出来的，换句话说，目前可以拿到的数据资源可能只是所有重要知识的百分之几，甚至千分之几，万分之几。所以，认定了知识图谱是通向可解释智能的路，那么这条路注定是个big problem.
3，认知需要层级性的动作性和实体性知识基础
知识图谱是认知智能的语义基石，基于知识图谱中所存储的知识，机器可以像人一样去进行知识应用，知识推理笔记看过很多博文的人都会有这种的认同感，这没有什么问题。认知，