Learning Taxonomy丨第三弹：当 Taxonomy 遇上 AI

小编注：这是 Leaning Taxonomy 栏目的第三期，第一期 Learning Taxonomy丨全网首发：企业内容分类法应用指南Ⅰ介绍 Taxonomy 的三大组成部分：标签 、概念 、关系；第二期 Learning Taxonomy丨第二弹：企业内容分类法应用指南Ⅱ 解析企业部署 Taxonomy 的实际价值。

上期，Joe 从实际应用出发，为大家介绍了 Taxonomy 作为“基础设施”对于整个企业的实际价值所在。本期再次请Joe 为大家解读企业内容分类法最前沿趋势，前瞻一下 Taxonomy 和 AI 、知识图谱会碰撞出什么样的火花！

1 Taxonomy 与知识图谱

Google在2012年提出知识图谱 (Knowledge Graph) 的概念，本质上是“语义网络 (Semantic Network) 的知识库”，从实际应用的角度出发可以简单理解成多关系图 (Multi-relational Graph)。知识图谱通常有“实体 (Entity) ”和“关系 (Relation) ”的要素。实体指现实世界中的事物比如人、地名、概念、药物、公司等，关系则用来表达不同实体之间的某种联系，比如人-“居住在”-北京等。

知识图谱应用的前提是已经构建好的知识图谱，也可以认为是构建一个知识库。在百度搜索输入“华为的创始人是谁”，我们可以直接得到答案。这是因为系统层面上已经存在一个包含华为和任先生的实体以及他们之间关系的知识库。所以，当我们执行搜索时，通过关键词提取（“华为”, “创始人”）以及知识库匹配，就可以直接获得最终答案。

这种搜索方式跟传统的搜索引擎是不一样的，传统搜索引擎返回的是网页而非最终的答案，这就多了一层用户筛选、过滤信息的过程。看到这里，大家应该可以发现知识图谱和 Taxonomy 的关系。利用知识图谱的强大描述能力和 Taxonomy 构建的层级关系及管理元数据的能力，我们可以获取一个巨大的语义索引层。在此基础上，创建新颖搜索方式、理解内容间的关系比使用传统关系数据库容易得多。

除极大优化搜索引擎之外，知识图谱对于当下一大技术热点——聊天机器人的发展也有很大推动作用。知识图谱对于 AI 聊天机器人的重要价值在于，知识是 AI 的基石，让机器人具备认知能力。

知识图谱通过不同知识的关联性形成网状知识结构，对 AI 聊天机器人来说就是 “图谱”，而形成图谱的过程本质是建立认知、理解世界、理解应用的行业或领域。由此，采用了知识图谱的机器人具有记忆功能，同时有一定的推理能力，它们与人类的对话更流畅自然、一语中的、准确高效，在 FAQ 中更能快速切中提问者需求，迅速给出精准回答。

2 Taxonomy 与 AI

AI 对于 Taxonomy 很重要，可以使 Taxonomy 规模化、自动化，大大减少人工手动流程。扩大 Taxonomy 的规模是用户构建 Taxonomy 最先需要考虑的问题之一。具有足够规模的 Taxonomy 支持我们在各种不同文档间进行操作：可以是内部文档、Web 内容等，所有标签和内容都可以添加到现有 Taxonomy 中。

接下来介绍 Taxonomy 和 AI 结合的三个用例：

第一，提升内容标记效率。如上图所示，内容创建者在给内容进行元数据标记时，可以通过 AI 分析内容之后给出标签建议，在创建内容时，内容创建者可以自动获得这些建议并单击应用，提高打标签的速度和效率。

第二，生成“相关链接”。人们搜索一方面的信息，其实希望得到更多相关信息。我的妻子来自台湾，我们经常乘坐中华航空的班机，也总在中华航空官网搜索有关儿童安全的注意事项。有一次，我偶然在注意事项之外的另一页面上看到关于“家庭沙发”的座位信息，这样的座位供一家三口使用。

我当时心想，如果网站上儿童安全和家庭沙发两个页面之间都设置相关链接就好了——就我本人而言，我十分乐意多付一些钱购买家庭座位，不过之前都不知道这个信息。这样的相关链接是完全可以实现的，利用 AI 和 Taxonomy 构建的逻辑关系结合便可以在相互关联的页面生成相关链接，并且可以做到更加个性化。

第三，提高重用效率。结构化内容通过 Taxonomy 和 AI 结合可以获得内容重用建议，提升重用效率。用户不仅可以了解已经创建过哪些内容，在哪里被重用，还可以快速找到相关内容，调整之后再进行重用。通过获取建议，用户可以重用某个主题的内容，或者主题中的一些段落。用户还可以给内容添加注释，表达对内容的想法和意见，以此形成内容创建者之间的沟通。

3 SDL Tridion Docs 对 Taxonomy 的支持

SDL Trdion Docs 从客户的最佳实践和行业前沿趋势出发，设定了对 Taxonomy 支持的重点方向:

· 支持 Taxonomy 的本地存储和轻松管理，全面提高 DITA 元数据的统一性和管理、使用效率，真正打通跨部门高效共享、创建内容的有效通道，为内容自动化创建打好基础；

· 利用 AI 驱动，扩大 Taxonomy 规模，提升元数据标记过程的自动化程度，同时提升结构化内容重用的自动化程度；

· 构建深度知识图谱，实现大规模语义索引，对概念间的关系提供更智能的分析检索，帮助检索者以直接精准、避免歧义的方式获得最契合需求的内容或信息。

Ask Joe

对分类法有任何问题请尽情给我们私信或留言，我们会把大家的问题提交到 Joe 处，让这位资深企业分类法专家为您答疑解惑！

本文图文参考来源：SDL 及网络