A. 知识图谱 推动条件和驱动因素

A. 知识图谱 推动条件和驱动因素

推动条件

• 计算设备及硬件的发展：GPU、FPGA、ASIC
• 可用数据规模的提升
  • 丰富的数据资源储备奠定知识图谱工程化的知识基础
  • 数据规模攀升推动知识图谱技术的演进
  • 推动知识图谱规模化和商业化
    • 专家系统没落的另外一个原因在于难以充分发挥规模效应导致商业价 值释放困难。
• 算法演进
  • 算法在符号主义和连结主义时代对于知识图谱的推动
  • 算法在大数据时代对于知识图谱的推动
• 数据/知识检索需求攀升
  • 精准搜索正在成为搜索引擎的目标和挑战。精准搜索至 少包含两层涵义：
    • 首先搜索引擎精准理解用户的搜索意图
    • 其次是在此 基础上，通过一定的算法，搜索出与用户意图精准匹配的搜索结果，并呈 现给用户。
  • 个性化信息的精准智能化推荐成为全新的趋势
• 开源知识库建设
  • 开源知识库辅助知识图谱的知识抽取和本体构建。
  • 开源知识库推动知识图谱融合，扩大知识图谱规模。
• 专业人才培养
  • 构建新型校园AI人才教学体系
  • 构建校企合作培养AI人才
  • 优化人才政策、释放人才效能

驱动因素

• 云计算
  • 知识图谱从云计 算的各个基础技术中获得了极大的便利性，包括但不限于分布式存储，大规 模并行计算，边缘计算等
  • 知识图谱也给云计算中的应用带来了极大的 帮助，例如安全方面，传统的方式不利于发现某些特殊的安全漏洞，利用知 识图谱擅长的关系计算分析可以更为容易的发现安全隐患。
• 大数据
  • 大数据为知识图谱提供数据支撑
  • 知识图谱为大数据提供高质量结构化数据
    • 知识图谱可充分利用大数据多源特性对已有 知识库进行交叉验证以保证知识库的质量。
    • 高质量数据也极大减少了大数据 处理成本，提升了数据使用价值，有利于数据的深入挖掘。
  • 知识图谱为大数据提供可靠的先验知识
• 物联网
  • 物联网为知识图谱构建提供数据支撑
  • 物联网为知识图谱的应用提供落地渠道
  • 物联网为知识图谱在各行业中相关平台建设提供底层支持
• 信息安全
• 机器学习
  • 机器学习被广泛应用在知识获取、知识融合、知识建模、知识计算等 知识图谱构建与应用环节。
  • 在单步推理和多步推理中主要包括4个研究方向:
    • 基于传统的规则推理
    • 基于分布式表示推理
    • 基于神经网络的推理
    • 基于上述方法的混合推 理
  • 常见的推理算法有单层神经网络SLM、矩阵分解模型RESCAL、TransE 等。
  • 在知识表示方面，表示学习旨在将研究对象的语义信息表示为稠密低 维实值向量。
• 自然语言处理
  • 自动化、半自动化 的知识图谱构建以及知识融合和挖掘过程中均离不开自然语言处理技术的 支撑，同时自然语言处理的各个任务也离不开基础语料库和知识库的建 设，如机器翻译、自动问答、会话系统、实体抽取等。
    • 自然语言处理为知识图谱提供技术支撑
    • 知识图谱为自然语言处理提供知识背景
    • 自然语言处理推动了知识图谱的自动化构建
    • 自然语言处理推动了知识图谱的智能化应用
• 计算机视觉
  • 知识图谱对于计算机视觉作用主要是弥补深度学习模型对现实世界的 大量背景知识的忽略：
    • 一方面，知识图谱可以作为深度学习的输入并优化 模型。
    • 另一方面将知识作为计算机视觉算法中目标优化的约束，可以实现视 觉算法模型与背景知识更好的一致性。