【要闻】语义互联网你方唱罢，知识谱横空出世

本篇文章3196字，读完约8分钟

原题:意思网上你们唱。 知识图像横向空生成。

前几天，我们从图灵、达特茅斯会议等目睹了人工智能的起伏，了解到以神经网络和符号主义为代表的技术正在迅速发展。 今天，我们探讨“语义互联网”和“知识地图”对人工智能和人力资本领域快速发展的作用。

在上次的书中，他说，在符号主义的引导下，以专家系统为代表的人工智能的第二次高潮再次结束了。 然后，随着技术的迅速发展，人工智能也逐渐揭开神秘的面纱，与个人电脑一起“跃入普通的百姓家”。 新的伟大时代即将来临，当时的符号主义科学家们也不甘寂寞，为重新创造时代潮流而斗争。

语义网络的诞生与快速发展

这次的第一位主人公是一位叫伯纳斯利( tim berners-lee )的英国科学家。

如果大家还不知道他的名字，就问问他的成果吧。 我是第一个http协议和web浏览器的开发者，WWW ( web )的发明者，网络联盟( w3c )的创始人，还有年图灵奖获得者。

△英国科学家伯纳德-李

年伦敦奥运会上，贝尔纳斯-李与贝克汉姆、丹尼尔·克雷格( 007年扮演者)、豆先生、JK·劳伦等知名英国名人一起出现在开幕式上，足以说明他在英国人民乃至世界人民中的地位

贝尔纳斯利的许多研究中曾经有很大影响的研究方向。 那是语义互联网( semantic network )。 这项研究的方向是机器希望阅读网上的所有副本。

“知识点:语义网络( semantic network ) :语义网络( semantic network )是用图表示知识的结构化方法。 在某种程度上，在互联网上，新闻表现为一组节点，节点通过带标签的有向直线相互联系，用于表示节点之间的关系。 ”。

在多年人工智能的发展中，学者们普遍观察了知识对实现人工智能落地的决定性作用。 前面提到的符号逻辑和专家系统分别依赖ai专家或领域专家整理行业内的知识，面对不同领域的庞大知识，他们往往不给力。

网络的诞生给人类知识的产生和结构化带来了新的契机。 在新的网络世界里，每个人都可以创建自己的网页。 网民可以用统一的html语言标记不同的副本，浏览器可以分析这些html标签，根据标签显示副本。 语义互联网的思想是同样的，使用更多复杂的标签系统，对网络上的所有副本进行标签和说明。

早期的语义网络希望网络上所有的拷贝贡献者一起制作更大规模的知识库，在此基础上进行知识的表现和推论。 语义网络不仅面临大量的知识，还继续应对大量文案贡献者的共同问题。 有时知识体系因人而异，有时对事物的认识不同，有时对同一事物也存在不同的记述方法。 为了解决这个问题，伯纳斯-李引入了资源描述框架( rdf )、网络本体语言( web ontology language )等概念、语义网络的标记方法，实现了描述的统一。

尽管相关技术的支持，实现自动推理的语义互联网必须面对大量的类别和实体以及伴随各种模糊概念、不明确性和不均匀性的挑战。 另一方面，网络的高速发展和商业化也超过了伯纳斯-李的期待。 互联网创建之初有乌托邦的味道，所有文案作者都希望严格遵守各种文案和标签规范，对自己提供的文案负责。 但是，随着网络的迅速普及和大量商业诉求的发生，大部分网络制作者都把观察力放在文案的展示上，对文案的知识化不关心，不能说遵守了相关的知识表现规范。

为了收集零散的网络新闻，各大搜索引擎开始登场的同时，慢慢来到了网络舞台的中央。 搜索引擎通过爬虫类技术几乎可以抓住整个互联网的主要页面，随着大数据和自然语言解决技术的进步，可以直接解析和推论大量的拷贝数据，交接接力棒的时候到了。

知识地图横向空腾飞

2006年，伯纳斯-李还提出了链接数据( linked data )的概念，数据不仅建立了语义网络，还建立了数据之间的链接形成了巨大的链接数据网络。 2009年，现在消失的雅虎研究院发表了一篇名为“a web of concepts”的论文，提出以概念为中心提取和管理网上的副本。

年，谷歌发布了名为“知识地图”( knowledge graph )的产品，在一定程度上实现了这个副本的核心思想。

“知识点:知识地图( knowledge gragh ) :知识域可视化或知识行业的地图，是展示知识快速发展过程和结构关系的一系列不同的图形，用可视化技术描述知识资源及其载体，知识及其 ”。

石头产生千层波时，从产品形态来看，谷歌的知识地图在搜索框的右侧在一点query上添加知识标牌( knowledge panel )，识别query中包含的实体，提供介绍和重要的属性新闻。 产品背后是谷歌基于大量数据构建的图数据库，包括亿级实体和关系、必要的新闻提取、链接、拆卸能力。

在知识图像中，一般用图中节点表现实体，用图中的边缘表现实体间的关系( relation )，实体是指人、地名、概念、药、企业等现实世界的东西，关系用于表现不同实体间的联系。

△谷歌知识地图展示

独特的，一年后facebook推出了一款类似的产品，叫graph search。 graph search提供基于实体识别和知识图的搜索服务。 不久，各大互联网企业开始构建各自的知识地图，非常热闹，长期沉默的符号逻辑学派再次强烈回归，从此走向了新时代。

为什么谷歌等互联网企业提出的知识地图会成功，院长认为天日、地利、人和是不可或缺的。

天时:这些网络巨头天生就有庞大的数据，处理了知识获取的来源问题。

地利:随着大数据和人工智能技术的进步，机器可以从非结构副本中有效地提取实体和属性副本，不再依赖人工标签和专家的输入。

人和:知识图像依靠确定的检索业务诉求，场景确定，而且对精度和推理能力的要求不太高。

知识地图在人力资本行业中的应用

前面提到的知识地图是越来越多的网络巨头面向世界构建的共同知识体系，但具体到某一领域正确性和丰富性不一定满足具体的业务要求。 有道是“一花一世界，一叶一如来”，各个领域的业界都有构筑接近自己领域的知识图像的诉求。

上次，他说70~80年代专家系统在很多领域都取得了成功，产生了很大的影响。 最近十年，研究者们也开始将知识图像的概念和相关方法引入自己的专家中，开始构筑领域知识图像。 这些领域地图一般基于现有的领域词汇和专家知识，利用先进的自然语言解决算法，发掘领域相关的实体、属性及关系，利用这些提取的知识赋能业务，提供从感知到识别的智能能力升级

现在，在与我们生活密切相关的零售、医疗、金融、教育等各个领域，ai企业发布了很多有影响力的领域的知识地图，使各自的业务成为可能。 作为人力资源行业最早进行ai实践的e成科学技术，几年前开始了人力资源领域知识地图的计划布局，目前涵盖企业、功能、专业、证书、领域、学校、部门和技能8种类型，百万实体千万关系量级人力

根据e成科学技术的人力资源知识地图，可以知道不同领域有那些岗位，岗位下有那些功能，不同的功能需要那些技能，这些技能之间有什么关系等。 前几天院长也和大家讨论了知识图像在人力资本不同场景中的应用。 在e成科学技术提供的简历分析、人岗匹配、人才岗位图像、ai面试等多种业务场景中，可以看到知识图像的应用。

回顾符号主义迅速发展的70年历史，核心处理的问题是知识的获得、表现和推理问题。 仅限于不同世代的技术，知识提供者经过从ai专家到领域专家，以及一般的网络复制贡献者的过程，与此相对应，知识提取和表现技术也丰富且完整。 这种变化也是由以统计机器学习和神经网络为代表的其他人工智能行业的进步引起的。 未来符号逻辑的迅速发展方向并不封闭，而是与越来越多的ai不同流派结合，与不同领域结合，我相信这一定有很大的潜力！ 基于多年沉淀的先进ai算法能力，e成科技重磅构建了ai开放平台。 提供ai算法功能、ai产品和ai处理方案。

作者: e成科技ai算法负责人刘洋