【51CTO.com原創(chuàng)稿件】6月21日， WOT2019全球人工智能技術峰會在北京粵財JW萬豪酒店準時拉開序幕。作為2019年度全球技術人員線下交流的知名峰會，本次大會緊緊圍繞著通用技術、應用領域、企業(yè)賦能三大核心章節(jié)展開。來自全球的60余位一線AI大咖們齊聚一堂，與千余名參會群眾共同分享了深度學習、神經(jīng)網(wǎng)絡、視覺技術、無人駕駛、機器學習、算法模型、知識圖譜等主題技術內(nèi)容。

[[270904]]

　　6月21日下午，在通用技術章節(jié)中C會場知識圖譜技術分論壇，瑞士再保險數(shù)據(jù)科學家王冠、美團點評資深算法專家潘路、中國科學院自動化研究所副研究員何世柱三位資深專家受邀出席發(fā)表精彩演講。會后51CTO將專家發(fā)言整理成文，希望他們的演講內(nèi)容精華對大家有所幫助。

[[270905]]

　　瑞士再保險數(shù)據(jù)科學家王冠

　　知識圖譜構(gòu)建：數(shù)據(jù)、算法和架構(gòu)

　　知識圖譜在保險行業(yè)有很多應用，王冠列舉了四大應用場景：一是智能交互，在客戶理賠時，想知道自己的保險能不能獲賠，這背后不是羅列保單上的條款就能答復的，更多的是需要將保險產(chǎn)品、客戶數(shù)據(jù)、對話記錄、醫(yī)療票據(jù)各種信息整合成知識圖譜，然后通過智能客服快速反饋給客戶。二是精準推薦，通過知識圖譜掌握客戶的數(shù)據(jù)，就可以精準推薦給客戶匹配的產(chǎn)品。三是自動理賠，現(xiàn)在理賠大多是人工操作，尤其是大額保單需要人工做調(diào)查，但是通過知識圖譜技術，可以查到一些歷史數(shù)據(jù)得出結(jié)論，從而實現(xiàn)自動化理賠。四是反欺詐，面對詐保現(xiàn)象，用知識圖譜就可以方便地找到詐保人的詐騙軌跡，寫一些相應的查詢語句，就可以找出常見的欺詐模式。

　　那么如何建立一個保險行業(yè)的知識圖譜呢?這是一個非常復雜的流程，涉及到知識體系構(gòu)建、知識庫獲取、融合、存儲、推理、應用等多個環(huán)節(jié)。王冠在現(xiàn)場重點講述了實體與關系的抽取算法，從非結(jié)構(gòu)化、半結(jié)構(gòu)化的文本數(shù)據(jù)中，通過抽取實體和抽取實體之間關系的方法構(gòu)建知識圖譜。王冠強調(diào)，在抽取算法中，詞嵌入非常重要，實現(xiàn)了文本到向量的轉(zhuǎn)化，只要訓練出了一個向量就可以非常好地表現(xiàn)出中文的語義，并自動抓取到相關的詞語。

信息提取工具架構(gòu)

文本標準工具架構(gòu)

　　實體識別和關系提取都是自然語言處理中非常重要的任務，王冠沒有多加贅述。他表示，根據(jù)不同的場景有不少構(gòu)建知識圖譜的方法，實體就是節(jié)點，關系就是邊，通過最短路徑挖掘找到背后的關系。“目前知識圖譜的應用主要集中在三大方面，分別是可視化/探索、圖算法、圖數(shù)據(jù)庫 (關系型和NoSQL)。”演講中他還給出了非常實用的信息提取工具和文本標注工具的架構(gòu)。他特別強調(diào)有了這些設計之后，人機交互將變得更加智能，知識圖譜成為數(shù)據(jù)管家，成為全流程的機器學習工具。

　　美團點評資深算法專家潘路

　　基于知識圖譜的問答在O2O智能交互場景中的應用和演進

[[270906]]

　　潘路首先回顧了人機交互的演進歷程、智能交互的種類，然后他重點談到，在美團實際生活場景中，如果要進行信息獲取、資源查詢，甚至任務型交互，那么問答系統(tǒng)必然離不開知識圖譜。本文摘取了受限場景下的問答內(nèi)容。

　　潘路表示，傳統(tǒng)KBQA(基于知識圖譜的問答)主要分為兩大技術流派：semantic parsing和information retrieval。Semantic parsing就是將原始問句轉(zhuǎn)換為機器可以理解的邏輯形式，這種形式更貼近知識圖譜的存儲結(jié)構(gòu)，可以直接或間接進行查詢。而Information retrieval則直接通過有效信息的抽取，定位候選答案，之后又有兩種做法，一是利用三元組生成自然語言，和原始問句比較實現(xiàn)查詢;一是把候選答案以及周圍的路徑進行編碼，和原始問句編碼后進行比較得出答案。

　　在美團的受限場景下(以點餐為例，菜品范圍是限定的，供餐地點和時間也是限定的)，應該選擇怎樣的技術路徑呢?潘路表示，美團涉及的領域較多，領域之間關聯(lián)較弱，并且沒有足夠的標注數(shù)據(jù)，還必須滿足快速的領域遷移需求。是否可以借鑒information retrieval的思路，但同時又可以構(gòu)造查詢語句來查詢圖譜呢?于是美團提出了information retrieval+semantic parsing的方案，通過實體鏈接確定子圖，之后是關系識別、槽位識別、最終生成SparQL來執(zhí)行查詢，每一步都可以用簡單的規(guī)則冷啟動，也可以上無監(jiān)督或者有監(jiān)督模型。

　　潘路強調(diào)，在受限場景中，美團面臨的問題特征主要是意圖空間有限、資源有限、交互輪數(shù)有限、知識外延有限。因此在這個基礎上，他們提出的KBQA具備四大能力：基礎屬性問答、帶約束的資源查詢、資源信息比較以及動態(tài)屬性值計算。

　　中國科學院自動化研究所模式識別國家重點實驗室副研究員何世柱

　　基于知識圖譜的問答關鍵技術

[[270907]]

　　何世柱從信息表示發(fā)展歷程開始講起，他表示知識圖譜是機器理解世界的基礎，語言系統(tǒng)&知識圖譜也是知識應用的奠基石，問答系統(tǒng)將是下一代搜索引擎的基本形態(tài)。

　　他介紹到，知識問答通常有兩類方法：一是語義解析方法，這種方法準確率高，召回率低，能解決復雜問題，適合限定領域、限定語言表達，而且可以經(jīng)驗性地解決，不需要訓練機器學習方法，更便于控制，便于干預。二是自然問答方法，它有更友好的交互接口，可以實現(xiàn)知識驅(qū)動與數(shù)據(jù)驅(qū)動的融合，但是需要較高質(zhì)量原始數(shù)據(jù)和配套知識資源。

　　在何世柱看來，自然語言問答與精準知識問答、聊天機器人的區(qū)別在于——精準知識問答主要回答知識性問題，首先答案要準確，其次在準確的基礎之上才能夠滿足情感的需求，能夠用自然語言的方式去回復。

　　“對于問答任務而言，關鍵是資源和已有模型能否滿足需求，事實上目前的內(nèi)容缺失嚴重，資源遠遠不夠，模型數(shù)量也較少。 目前開放域的問答系統(tǒng)其性能還遠沒有達到使用的程度，但在限定領域還有很大應用空間。” 何世柱總結(jié)道。

　　以上內(nèi)容是51CTO記者根據(jù)WOT2019全球人工智能技術峰會的《知識圖譜》分論壇演講內(nèi)容整理，更完整WOT內(nèi)容請關注51cto.com。

【51CTO原創(chuàng)稿件，合作站點轉(zhuǎn)載請注明原文作者和出處為51CTO.com】