除了刷题提分，教育行业还可以怎么用知识图谱技术？

在「人工智能教育」相关概念的文章中，「知识图谱」是个常见关键词，顾名思义脑海中会浮现类似「知识点像被挂在地图上」的场景。本文有三个观点：

1. 知识图谱能够可视化告知我们「掌握了哪些内容」并且用于辅助刷题，但这只是最基本的应用。
2. 在跨学科学习中，知识图谱可以作为三方面的工具：为同一个问题提供多方面的学习内容选择；基于兴趣和能力，推荐学习路径；在两个知识之间提供可行的学习路径。
3. 知识图谱可以基于已经存在业务数据，通过建模、知识获取、知识融合形成，建模是和业务理解最相关的阶段。

可视化的知识图谱

知识图谱比较典型的应用有3种：

1. 搜索引擎呈现相关结果：比如你搜索「乔布斯」，页面上会同时呈现其籍贯、生日、关键成就等内容。
2. 推理和自动问答：比如问Siri“今天苹果市值多少？”，手机回复你今天苹果的股票市值而不是关于水果的内容。
3. 可视化的（学习）决策支持：比如当一名语文教师面对如图的图谱，可以为让不同学生针对性熟悉不同知识点。

关于「游记」的图谱

可以将「知识图谱」这个概念描述为：描述了不同事物（知识）之间关系的知识库（数据库）。上述的例子中，前两者分别在「乔布斯和相关信息」、「苹果和苹果公司今天的股票」之间建立了关系，最后一者则是描述了语文学科中的知识关联。

目前将知识图谱可视化是教育行业在招生和学习提分环节常用的，比较强用户感知的形式有：

1. 告知用户知识图谱和「智能学习」存在关联，形成「大量数据分析学习成果」的用户利益点；
2. 在数学、物理等需要刷题提分的学科中，配合知识图谱呈现「个性化制定题库查缺补漏，加速提分」的用户利益点。

作为跨学科学习工具的知识图谱

大量真实世界中的问题是难以依靠一个学科搞定的，这就是为什么跨学科的学习越来越流行了。那么在面向真实问题的学习中，知识图谱怎么发挥作用？

为解决问题提供可选的资源支持，即告诉学习者「你可以学习这些内容来解决这个问题……」，同时也为教师提供了开课的内容指南。

比如期望学生以“和爸妈一起去旅行”为主题进行学习，输出一份游记或者计划书。我们可以发现这能够成为一次包含了物理、数学、语文、美术学科知识的学习，学习活动沿着部分内容展开即可，比如「结合行程问题说明自己对于交通时间的规划」、「练习在计划书中清晰表达交通安排」，知识图谱在这里提供了多样化的内容。

同样在这个图谱中，可以依据学习者的兴趣和能力推荐学习路径：比如数学老师如果以「下一次旅行中的交通时间计算」作为引入，就是从图谱中的「时间规划」自然切入到「行程问题」，自然是一个接地气课堂开场。

学习者倾向于解决感兴趣、和自己有关系的问题，这就是为什么很多教师需要以孩子看到动漫、游戏、实际生活中的场景来开场，算是一种依据学习者情况制定学习路径的策略。

「我知道两个相互独立的知识，但不知道怎么将其联系到一起」是一种更普遍的情况，很多人从大学开始完成大作业到进入社会经常遇到这样的状况，在尝试一个新领域的时候，大量的时间要花在「确定应该学什么、怎么学」上。

想象存在一个知识图谱能够为学习者提供可行的路径：你现在掌握了A 点，但仰着C点和D点，我们能够将原有的经验和技能迁移扩展，直至到达D点。

听起来知识图谱更像画关系图？试着理解一个可应用的知识图谱产品怎么做出来的。

step 1：知识建模

先来理解「知识」在计算机系统里是怎么回事？

RDF，资源描述框架（Resource Description Framework） 是最简单一个单位，每一条RDF 知识都可以用一条主谓宾语句来描述，比如「牛顿是物理学家」，「牛顿」和「物理学家」是两种实体，「是」在这里代表归属的概念，表明了两个实体的关系。

知识最终将以标准化的形式（比如最常见的 RDF）存储在计算机中，可以理解为是一个记录了不同单元格之间关系 Excel 表（数据库）。

选择哪些实体、数据的分类层级（比如学科知识中常见的包含关系）、约束（明确属性和异常值）、有哪些关系类型，这是在在前期需要根据业务来进行定义的内容。

在这里「关系类型」类似在开发软件后台时候使用的「字段」，是在前期特别重要的字段，决定了图谱的基本结构。比如这个李白的知识图谱中，蓝色的「主要作品」、「作者」、「包含」就是基本的关系类型。

step 2：知识获取

这个过程可以理解为抓取数据，让其具备结构化属性：

1. 已有的结构化数据（比如公司数据库中的JSON）：通过已有规则直接转化关系型数据库为知识图谱；
2. 只是部分结构化的数据：通过爬虫等方式，针对有一定结构规律的呈现信息的不同网页和媒介进行抓取，构建知识图谱；
3. 开放性的数据：通过不同技术来完成解析原有数据中的关系，比如针对一本书的内容进行自然语言处理，读取知识。（同样，针对图片、PDF、音频等媒介，也有类似的处理方式）

step 3：知识融合

处理过的数据进行预处理、计算和归类

1. 链接实体：主要是把已有的知识实体合并

比如这句话「相比于若干年前的他，乔布斯已经更加成熟，乔布斯本人也认可这一点」中的「乔布斯」「乔布斯本人」「他」都链接到「乔布斯」这一实体中。

2. 做知识合并（不同数据库合并）。
3. 知识加工：评估知识的数量与调整。

独立的知识在一定路径的学习过程中建立了关系，能够形成经验，没准还能呈现出创造力来。

部分配图来自清华大学的基础教育知识库 http://kb.cs.tsinghua.edu.cn/