深度剖析人工智能知识图谱与认知智能

编辑: 007 来源: 未知 时间: 2019-11-30 07:00
内容摘要:  2019-08-1417:32建立统一的过期药品回收机制,对回收原则、标准条件、管理程序、监督管理等方面做出具体规定,以填补制度空白,实现常态化、规范化回收,切实保障群众健康和环境安全。2019-08

2019-08-1417:32建立统一的过期药品回收机制,对回收原则、标准条件、管理程序、监督管理等方面做出具体规定,以填补制度空白,实现常态化、规范化回收,切实保障群众健康和环境安全。2019-08-1415:53让孩子在完成规定作业,确保人身安全的条件下释放天性,尽情玩耍。即便这样的时间只有一个假期的一半或三分之一,也为假期无处和难以安放的孩子提供了极好的机会。2019-08-1415:53二手平台不能沦为色情平台。在二手电商平台上,买卖双方理应恪守依法与诚信准则。

深度剖析人工智能知识图谱与认知智能

该岛位于北冰洋和大西洋之间,全境大部分位于北极圈内,是丹麦的自治领土。  特朗普的购岛意愿曝光后,丹麦多位政界人士表态,认为这一想法实属好笑。如果他真的在考虑这件事,那么这是他已经疯了的最后证据。丹麦在野党丹麦人民党外交事务发言人向丹麦广播公司(DR)表示,让丹麦将5万公民卖给美国的想法太荒谬了。

深度剖析人工智能知识图谱与认知智能

知识图谱的历史发展必然带来一个非常有意思的问题,那就是上世纪七八十年代的知识表示与我们今天的知识图谱到底有什么本质差别?知识工程在图灵奖获得者费根鲍姆以及AI先驱马文明斯基的带领下,曾经兴盛一时,解决了一系列实际应用问题,甚至在数学定理证明等看上去很难的问题上取得了显着进展。 时至今日,我们再次讨论作为一种语义网络的知识图谱,会不会只是冷炒饭的再次煎炒而已?知识图谱在当下的火热到底是知识工程的回光返照还是再次中兴?这一系列问题需要得到合理回答。 传统语义网络与知识图谱的差别首先表现在其规模上。 知识图谱是一种大规模语义网络,与上世纪七八十年代的各类语义网络相比较,最显着的差异就是规模差异。

推而广之,以知识图谱为代表的大数据时代的各种知识表示与传统的知识表示的根本差别首先体现在规模上。

传统知识工程一系列知识表示都是一种典型的“小知识”(smallknowge)。

而到了大数据时代,受益于海量数据、强大计算能力以及群智计算,我们如今能够自动化构建、或者众包构建大规模、高质量知识库,形成所谓的“大知识”(bigknowledge,合肥工业大学的吴兴东教授在很多场合下也提到类似观点)。 所以知识图谱与传统知识表示在浅层次上的区别,就是大知识与小知识的差别,是在规模上的显而易见的差别。 更深刻的进行分析就会发现,这样的一个知识规模上的量变带来了知识效用的质变。 知识工程到了上世纪八十年代之后就销声匿迹了。 根本原因在于传统知识库构建主要依靠人工构建、代价高昂、规模有限。 举个例子,我国的词林辞海是上万名专家花了10多年编撰而成的,但是它只有十几万词条。 而现在任何一个互联网上的知识图谱,比如DBpedia,动辄包含上千万实体。 人工构建的知识库虽然质量精良,但是规模有限。 有限的规模使得传统知识表示难以适应互联网时代的大规模开放应用的需求。 互联网应用的特点在于:一、规模巨大,我们永远不知道用户下一个搜索关键词是什么;二、精度要求相对不高,搜索引擎从来不需要保证每个搜索的理解和检索都是正确的;三、简单知识推理,大部分搜索理解与回答只需要实现简单的推理,比如搜索刘德华推荐歌曲,是因为知道刘德华是歌星,至于“姚明老婆的婆婆的儿子有多高”这类的复杂推理在实际应用中所占比率是不高的。 互联网上的这种大规模开放应用所需要的知识很容易突破传统专家系统由专家预设好的知识库的知识边界。

我想这一定程度上回答了,为何谷歌在2012年这个时间节点推出知识图谱,利用一个全新名称以表达与传统知识表示毅然决裂的态度。 有人或许会问,那么传统知识表示对于领域应用应该依然有效,为何专家系统后来在领域应用中也不多见了?这个问题我也曾思考了很长时间,直到后来在很多领域知识图谱的应用实践中意识到一些知识应用的有趣现象,我姑且将这个现象叫做“领域知识的伪封闭”现象。 领域知识看似应该是封闭的,也就是不会蔓延至专家预先设定的知识边界范围之外。

但是事实恰好相反,很多领域知识的应用十分易于突破原先设定的边界。 比如,我们现在做金融知识图谱,原先我们觉得只有股票、期货、上市公司与金融密切相关,但是实际应用中,几乎万事万物在某种意义下都与金融相关,比如某个龙卷风,可能影响农作物产量,进而影响农业的出货量,进而影响了农机,最终影响了这个发动机的上市公司股价。 类似这样的关联分析,不正是我们期望智能金融实现的么?而这样的深度关联分析,显然十分容易超出任何专家系统的预先设定的知识边界。

因此,某种意义上,知识是普遍关联的,当然关联也是有条件的;领域知识的领域性通常是个伪命题,很多领域知识库的构建要直面通用知识库的构建所面临的同样挑战。 换句话说,领域知识库的深度应用势必涉及通用知识库。

这也在一定程度上解释了,我曾经强调的一个观点,那就是通用知识库的研究具有战略意义,不容有失;一万个领域知识研究通透了也未必有一个通用知识库研究透彻价值来的高。

通用知识库的研究是在抢占知识库研究的战略制高点,对于领域知识库能够形成战略俯冲。 如果你仍然不满足于我当前的回答,进一步追问决定了领域知识库与通用知识库这种粘连特性的根本原因是什么。

那么我想答案在于人类的知识体系。

我们的知识是有体系架构的,这个架构的最底层,也就是作为地基支撑整个知识体系的知识就是通用知识。

而在通用知识中的最底层应该是常识,也就是我们每个人都知道的知识,特别是我们人类关于时间、空间以及因果的基本常识。 整个知识体系是建基在这些通用常识之上,再通过隐喻作为主要手段,逐步形成我们的高层、抽象或者领域性知识。

因此,我想通过一个简单的公式表明传统知识工程与以知识图谱为代表的新一代知识工程的联系与区别:Smallknowledge+Bigdata=Bigknowledge。

通过这个公式表达两层意思。

一、以知识图谱为代表的大数据时代知识工程有着悠久的历史渊源;知识图谱脱胎于传统知识表示,但是在规模上显着优于传统语义网络;而这种量变也带来知识效用上的质变。 这层含义刚才已经阐述,不再赘述。

我通过这个公式想强调的是另一层含义:传统知识表示形式林林总总,通过大数据的赋能,这些知识表示将在各个应用场景下发挥巨大能量。

知识图谱只不过是传统的语义网络在规模上显着提升,就已经能够解决大量实际问题。 试想一下,我们还有大量其他的知识表示,比如本体、框架、谓词逻辑、马尔科夫逻辑网、决策树等等各种知识表示仍然被在规模的牢笼里,一旦规模瓶颈被突破,我相信整个知识工程的产业能量将得到巨大释放。

正是在这个意义上,我认为知识图谱只是知识工程复兴的序曲,知识图谱将引领知识工程复兴。

我有一种强烈的感觉,好比我们曾经经历了小数据到大数据的轰轰烈烈的时代转变,我们也必将经历从小知识走向大知识的时代转变。

深度剖析人工智能知识图谱与认知智能

苏艳梅感慨地说。  苏艳梅(后)和婆婆李秀珍在阿尔山市伊尔施街道伊林小区新居厨房里做饭(8月11日摄)。

你可能也喜欢:
最近更新
热门资讯