如何系统学习知识图谱-胖子哥的实践经验分享

一、 前言
这是之前一次线上活动的待分享内容，因为一些原因，没有成行。在此开放出来，算是对之前关心和关注朋友的一次补偿。这部分内容同时也是系列课程《知识图谱实战开发案例剖析》的学习导论。相关课程已经开放在网易云课堂，关注的朋友可以前往查看。
1.1 概述
任何一项新技术的学习，都需要学习者基于自身的情况，结合被学习内容的特点进行展开，其过程既具有特殊性，同时也具有一般性，知识图谱的学习同样如此。基于胖子哥自身的切身实践，总结出了一套系统的学习知识图谱的方法，在此分享给大家。其要点可以用简单的用两句话来概况：
1. 横向覆盖：了解知识图谱所涉及的内容有哪些，并具备初步的认知能力，实现这一步，就可以对知识图谱的全局有一个系统的把握。
2. 纵向深耕：基于特定技术点进行深度学习，重点攻关、学深、学透。
以上两个点其实也是学习的两个过程，可以交叉进行，反复迭代。
1.2 人工智能的系统架构
知识图谱是人工智能进步的阶梯，开始知识图谱的学习之前，我们需要先了解一下人工智能相关的知识。人工智能从业务视角可以分为感知能力、认知能力和服务能力三个层次，其中认知能力以语义理解和语言生成为核心。如下图所示：

图：人工智能的业务架构
人工智能技术视角，可以分为基础设施层、技术层和应用层。其中知识图谱位于基础设施层，与数据资源平齐。具体技术架构如下图所示：

图：人工智能的技术架构
1.3 智能对话与知识图谱
智能对话是人工智能时代最具代表性产品形态，而其中知识图谱起到了决定性的作用，具体体现在语义理解和语言生成两个方面。智能对话系统的抽象模型如下图所示：

图：智能对话业务模型
二、 学习方法论
2.1 PDCA模型：通用问题处理方法
2.1.1 概述

图：通用问题处理方法
2.1.2模型历史
PDCA循环是美国质量管理专家休哈特博士首先提出的，由戴明采纳、宣传，获得普及，所以又称戴明环。全面质量管理的思想基础和方法依据就是PDCA循环。PDCA循环的含义是将质量管理分为四个阶段，即计划（plan）、执行（do）、检查（check）、调整（Action）。在质量管理活动中，要求把各项工作按照作出计划、计划实施、检查实施效果，然后将成功的纳入标准，不成功的留待下一循环去解决。这一工作方法，这是质量管理的基本方法，也是企业管理各项工作的一般规律。
2.1.3模型说明
PDCA模型包括四大过程，八大步骤。四大过程如上图所示：
Plan（P：计划）：方针和目标的确定，已经活动计划的制定；
Do（D：执行）：具体运作，实现计划中的步骤，它只有一个步骤：执行计划；
Check（C：检查）：要总结执行计划的结果，分清哪些对了，哪些错了，明确效果，找出问题；
Action（A：调整或改善）：肯定成功经验，实现标准化，总结失败教训，以免重现。把没有解决的问题提给下一个PDCA循环；
PDCA八大步骤如下图所示：

图：PDCA八大步骤

第一为P（计划）阶段，其中分为四个步骤：

　　a.分析现状，找出存在的质量问题；
　　b.分析产生质量问题的各种原因；
　　c.找出影响质量的主要原因；
　　e.针对影响质量的主要原因制订措施，提出改进计划，定出目标。
　　第二为D（实施）阶段：按照制订计划目标加以执行。
　　第三为C（检查）阶段：检查实际执行结果看是否达到计划的预期效果。
　　第四为A（总结处理）阶段，其中分二步：
　　a.总结成熟的经验，纳入标准制度和规定，以巩固成绩，防止失误；
　　b.把本轮PDCA循环尚未解决的问题，纳入下一轮PDCA循环中去解决。
2.1.4模型特点：
特点1：环环相扣，生生不息。大环套小环，小环保大环，互相促进，推动大循环。

图：PDCA特点1
特点2：步步高升，循环不止。PDCA循环是爬楼梯上升式的循环，每转动一周，质量就提高一步。

图：PDCA特点2
特点3：相对独立，相互依存。PDCA循环是综合性循环，4个阶段是相对的，它们之间不是截然分开的。
2.2 学习框架：知识图谱学习方法论
基于对通用PDCA模型的理解和认知，结合知识图谱的学习过程，个人总结出来一个完整的知识图谱的系统的学习方法。该方法包括两大学习目标和八大学习步骤,如下图所示：

图：系统学习方法论
两大目标：
目标一、横向拓展：全面系统的了解知识图谱相关的内容，包括知识图谱的概念定义、发展历史、关键技术、产品形态、工作机制、发展瓶颈等等。
目标二、纵向深耕：针对知识图谱特定的技术专题，比如知识建模、知识存储、知识应用、知识获取等特定的技术专题，展开深入的，特定方向的专题攻关，学深，学透，并达到熟练掌握的程度。
八大步骤：
(1)发现问题：分析现状，包括自身现状（菜鸟、其他领域的专家）和领域现状（基础理论、产品形态、关键技术、企业战略和发展瓶颈等），以及自身对领域知识能力掌握的现状，发现待提升点（依赖于知识全局的横向覆盖）。
(2)分析原因：分析影响自身知识图谱能力提升的原因有哪些。
(3)识别主因：识别若干原因中的最关键因素。
(4)制定策略：基于以上分析，制定自己的学习策略和计划。
(5)计划实施：实施学习计划，计划的执行以特定场景驱动、从单个知识点切入，逐步拓展。
(6)检查：不通和不痛；
(7)总结：知识沉淀和方向调整，启动新的一轮迭代。
三、 学习过程回顾
3.1 基础理论
知识图谱本质（Knowledge Graph）上是一种叫做语义网络（semantic network）的知识库，即具有有向图结构的一个知识库；图的结点代表实体（entity）或者概念（concept），而图的边代表实体/概念之间的各种语义关系，比如说两个实体之间的相似关系；知识图谱（Knowledge Graph）的概念由谷歌 2012 年正式提出，旨在实现更智能的搜索引擎，并且于 2013 年以后开始在学术界和业界普及，并在智能问答、情报分析、反欺诈等应用中发挥重要作用。
3.2 知识表示
知识表示（knowledge representation）是指把知识客体中的知识因子与知识关联起来，便于人们识别和理解知识。知识表示是知识组织的前提和基础，任何知识组织方法都是要建立在知识表示的基础上。知识表示包括知识因子的表示和知识的组织体系两部分内容。常用的知识因子的表示方法如下图所示：

图：知识因子的表示方法
常用的知识表示体系如下图所示：

图：知识单元的组织体系
知识表示是知识图谱中最重要的活动，也称之为知识建模。知识建模的方法如下图所示：

图：知识建模方法论
知识建模的方法论，包括知识建模的方法和知识建模的原则两部分内容。围绕业务规划产品是指脱离具体的业务需求场景，站在整个业务领域的视角，看问题。具体做法是分析完整的业务流程、识别全部的动态活动和静态对象，设计全领域相关的知识体系。基于团队选择方法的原则是：具备行业领域专家（标准+业务+技术）的情况下，选择专家法；具有同/异行业标准，而没有行业领域专家的情况下，选择参照法；既无行业标准，又无领域专家的情况下，选择归纳法；万法归宗，一种方法执行一段时间以后，可以选择换另外一种方法，二者寻找一个平衡点。
目前而言，知识图谱领域我们更能够看到和接触到的内容中，做的比较好的是医疗领域的UMLS（统一医学建模语言），可以作为我们构建知识图谱的时候，一个比较好的参考。统一医学语言系统( Unified Medical Language System，UMLS) 是美国国立医学图书馆( National Library of Medicine，NLM) 于1986 年开始建设的一体化医学知识语言，具有集成性、跨领域和工具化的特点。UMLS 在信息检索( Information Retrieval) 、自然语言处理( Natural Language Processing) 、电子病历( Electronic Patient Records) 、健康数据标准( Health Data Standards) 等方面得到了广泛的研究和应用。NLM 应用UMLS 的系统和项目主要有PubMed，提供对Medline 和其他相关数据库的免费检索; NLM Gateway，提供对NLM 多个系统的集成检索，包括Medline、OLD Medline、LocatorPlus、PubMed、AIDS Meetings、HSRProj 和MedlinePlus 等。
UMLS中对于语义类型、语义关系、本体对象的定义和表示，可以作为我们非常好的参考，对于医学领域是一个很好的行业标准，对于其他领域，是一个很好的跨域参考标准。
UMLS语义类型如下图所示：

图：UMLS语义类型
UMLS语义关系如下图所示：

图：UMLS语义关系
3.3 知识存储
知识存储是指知识内容的物理存储，知识建模解决了知识逻辑上的表示，知识存储则着手解决知识的物理表示。常用的知识存储方式包括：

图：知识存储的常用方法
关于知识图谱的存储，首先明确一个原则，没有图数据库之前，知识型的内容，同样有处理办法，因此图数据库只是知识图谱存储的方式之一。任何一种问题，都有不止一个解决方案，只是方案之间有着不同的优势而已。知识图谱的存储方式，在不同时期，不同场景下有不同的技术方案，有着明显的时间特征和场景特征。常用的知识图谱的方式包括：关系型数据（RDBMS）、三元组（RDF）和图数据库（Graph DB）。目前在图数据库领域排名比较靠前的如下图所示：

图：图数据库排行
其发展趋势如下图所示：

图：图数据库发展趋势图
图数据库之间各有优劣，Neo4j可视操作，文档支持，企业服务支持做的比较好，是无绝对开发能力团队的首选，同时因为社区版本的免费，特别适合新手学习。Titan是基于分布式存储模式提交下的开源系统，适合存储体量比较大需求场景，但是已经很久没有更新，适合技术团队能力比较强的组织采用。
3.4 知识应用
知识图谱的典型应用有很多种场景，常见的包括以下几种：

图：知识图谱的典型应用
关于知识图谱应用的行业最佳实践是Google在搜索引擎上的应用，根据Google对外公开的资料显示，知识图谱在Google的应用主要包括两种场景：

图：智能搜索
通过知识图谱的建设，智能搜索能够让用户获取更精准的信息、更有广度的信息和更有深度的信息。

而智能问答系统则是代表未来的一种服务模式，基于沟通工具的变化，语音模式下，人机交互方式必然转变为精准信息的交互，传统模式的搜索引擎模式必然遭到淘汰。人机交互的核心则在于语义理解，语义理解关键则取决于知识图谱，否则无从谈起，听清、听懂。
3.5 知识获取
知识图谱的建设，理想主义者比较多，而现实情况则不容乐观，动辄谈机器学习，网络爬虫的基本上门外汉的思路。从时间经验来看，知识体系的建设，包括众包法（靠网民众包完成），目前各种百科类的平台基本如此；专家法（行业领域专家完成），目前垂类领域的知识体系建设，以此为主；机器学习法（网络爬虫），多以爬取别人系统和百科类站点为主，多以个人爱好者，小团队为主，自身无资源，异想天开型，但占主流。
四、 学习经验总结
4.1 全面认知
学习任何知识，首先需要对其整体有一个全面的认知，然后才是其他，否则只见一木，未见森林。
4.2 单点突破
从某一个特定的技术点开始，纵向贯通，做深，做透，比如知识建模。而后横向拓展，因点成线，因线成面，因面而成体。
4.3 案例驱动
学习的过程，尤其是技术类的内容，特别枯燥，比较好的一个避免疲劳的方法则是，通过具体需求，场景和案例的引入，有助于知识理解和贯通。
4.4 能力迁移
术、法、道，是能力层次的三个境界。术的提升，无它法，唯勤尔；法则可以迁移，比如我们可以用设计数据主题域模型的方式，来设计语义类型，所需要做的只是能力的一种迁移而已。