3.2　知识图谱的价值

知识图谱最早是为了提升搜索引擎的能力。随后，知识图谱在辅助智能问答、自然语言理解、大数据分析、推荐计算、物联网（IoT）设备互联、可解释性AI等多个方面展现出应用价值。

3.2.1　辅助搜索

互联网的终极形态是万物的互联，而搜索的终极目标是对万物的直接搜索。传统搜索引擎依靠网页之间的超链接来实现网页的搜索，而语义搜索是直接对事物（如人物、机构、地点等）进行搜索。这些事物可能来自于文本、图片、视频、音频、IoT设备等各种信息资源。而知识图谱和语义技术提供了关于这些事物的分类、属性和关系的描述，使得搜索引擎可以直接对事物进行索引和搜索，知识图谱辅助搜索案例如图3-3所示。

图3-3　知识图谱辅助搜索案例

3.2.2　辅助问答

人与机器通过自然语言进行问答与对话是人工智能实现的关键标志之一。除了辅助搜索，知识图谱也被广泛用于人机问答交互中。在产业界，IBM Watson背后依托DBpedia和Yago等百科知识库和WordNet等语言学知识库实现深度知识问答。Amazon Alex主要依靠True Knowledge公司所积累的知识图谱。百度推出的Duer OS和Siri的进化版Viv背后也都有海量知识图谱的支撑。伴随着机器人和IoT设备的智能化浪潮，基于知识图谱的问答与对话在智能驾驶、智能家居等领域的应用层出不穷。典型的基于知识图谱的问答技术及方法包括基于语义解析、基于图匹配、基于模板学习、基于表示学习和深度学习，以及基于混合模型等。在这些方法中，知识图谱既被用来辅助实现语义解析，也被用来匹配问句实体，还被用来训练神经网络和排序模型等。知识图谱是实现人机交互问答的必不可少的模块。

3.2.3　辅助大数据分析

知识图谱和语义技术也被用来辅助做大数据分析与决策。例如，大数据公司Palantir基于本体融合和集成多种来源的数据，通过知识图谱和语义技术增强数据之间的关联，使得用户可以用更加直观的方式对数据进行关联挖掘与分析。

知识图谱在文本数据的处理和分析中也能发挥独特的作用。例如，知识图谱被广泛用来作为先验知识从文本中抽取实体和关系（如远程监督）。知识图谱也被用来辅助实现文本中的实体消歧、指代消解和文本理解等。

近年来，描述性数据分析（Declarative Data Analysis）受到越来越多的重视。描述性数据分析是指依赖数据本身的语义描述来实现数据分析的方法。与计算性数据分析主要以建立各种数据分析模型（如深度神经网络）不同，描述性数据分析通过预先抽取数据的语义，建立数据之间的逻辑，并依靠逻辑推理的方法来实现数据分析（如DataLog）。

3.2.4　辅助语言理解

背景知识，特别是常识知识，被认为是实现深度语义理解（如阅读理解、人机问答等）必不可少的组成部分。一个典型的例子是Winograd Schema Challenge（WSC）。WSC由著名的人工智能专家Hector Levesque教授提出，2016年在国际人工智能大会IJCAI举办了第一届竞赛。WSC主要关注那些必须要叠加背景知识才能理解句子语义的NLP任务。例如在下面这个例子中，当我们描述it是big时，人很容易理解it指代trophy；而当it与small搭配时，我们也很容易识别出it指代suitcase。这个看似非常容易的问题，机器却毫无办法。

The trophy would not fit in the brown suitcase because it was too big (small). What was too big (small)?

Answer 0: the trophy Answer 1: the suitcase

正如自然语言理解的先驱Terry Winograd所说，当一个人听到或看到一句话的时候，他使用自己所有的知识和智能去理解。这不仅包括语法，也包括他的词汇知识、上下文知识，更重要的是对相关事务的理解。

3.2.5　辅助设备互联

人机对话的主要挑战是语义理解，即让机器理解人类语言的语义。另外一个问题是机器之间的对话，这也需要技术手段来表示和处理机器语言的语义。语义技术也可被用来辅助设备之间的语义互联。OneM2M是2012年成立的全球最大的物联网国际标准化组织，其主要目的是为物联设备之间的互联提供“标准化黏合剂”。OneM2M关注了语义技术在封装设备数据的语义，并基于语义技术实现设备之间的语义互操作的问题。此外，OneM2M还关注设备数据的语义和人类语言的语义怎样适配的问题。如图3-4所示，一个设备所产生的原始数据在封装了语义描述之后，可以更加容易地与其他设备的数据进行融合、交换和互操作，并可以进一步链接进知识图谱中，以便支持搜索、推理和分析等任务。

图3-4　设备语义的封装