一文 Get 汽車(chē)知識的語(yǔ)義網(wǎng)絡(luò )及圖譜構建（1）

出品 | AI科技大本營(yíng)（ID：rgznai100）知識圖譜的概念最早由 Google 在2012 年提出， 旨在架構更智能的搜索引擎，2013年之后開(kāi)始在學(xué)術(shù)界和產(chǎn)業(yè)界普及，目前很多大型互聯(lián)網(wǎng)公司都在積極部署本企業(yè)的知識圖譜，Facebook、百度、阿里、騰訊、美團等企業(yè)的落地應用場(chǎng)景如下圖所示。作為人工智能核心技術(shù)驅動(dòng)力，知識圖譜可以緩解深度學(xué)習依賴(lài)海量數據訓練，需要大規模算力的問(wèn)題，能夠廣泛適配不同的下游任務(wù)，且具有良好的解釋性。目前，這一技術(shù)已廣泛應用于搜索、推薦、廣告、風(fēng)控、智能調度、語(yǔ)音識別、機器人等多個(gè)業(yè)務(wù)領(lǐng)域。
從落地行業(yè)來(lái)看，目前知識圖譜的應用主要集中在電商、醫療、金融等商業(yè)和服務(wù)領(lǐng)域，關(guān)于汽車(chē)知識的語(yǔ)義網(wǎng)絡(luò )及知識圖譜構建缺少系統性的指導方法。本文以汽車(chē)領(lǐng)域知識為例，圍繞車(chē)系、車(chē)型、經(jīng)銷(xiāo)商、廠(chǎng)商、品牌等實(shí)體及相互關(guān)系，提供一種從零搭建領(lǐng)域圖譜的思路。
如何進(jìn)行圖譜構建？構建挑戰知識圖譜是真實(shí)世界的語(yǔ)義表示，其基本組成單位是“實(shí)體-關(guān)系-實(shí)體”，“實(shí)體-屬性-屬性值”的三元組（Triplet），實(shí)體之間通過(guò)關(guān)系相互聯(lián)結，從而構成語(yǔ)義網(wǎng)絡(luò )。圖譜構建中會(huì )面臨較大的挑戰，但構建之后，可在數據分析、推薦計算、可解釋性等多個(gè)場(chǎng)景中展現出豐富的應用價(jià)值。其中，構建挑戰包括：

• Schema 難定義。目前尚無(wú)統一成熟的本體構建流程，且特定領(lǐng)域本體定義通常需專(zhuān)家參與；

• 數據類(lèi)型異構。通常情況下，一個(gè)知識圖譜構建中面對的數據源不會(huì )是單一類(lèi)型，面對結構各異的數據，知識轉模及挖掘的難度較高；

• 依賴(lài)專(zhuān)業(yè)知識。領(lǐng)域知識圖譜通常依賴(lài)較強的專(zhuān)業(yè)知識，例如車(chē)型對應的維修方法，涉及機械、電工、材料、力學(xué)等多個(gè)領(lǐng)域知識，且此類(lèi)關(guān)系對于準確度的要求較高，需要保證知識足夠正確；

• 數據質(zhì)量無(wú)保證。挖掘或抽取信息需要知識融合或人工校驗，才能作為知識助力下游應用。

構建后將獲得的收益：

• 知識圖譜統一知識表示。通過(guò)整合多源異構數據，形成統一視圖；
• 語(yǔ)義信息豐富。通過(guò)關(guān)系推理可以發(fā)現新關(guān)系邊，獲得更豐富的語(yǔ)義信息；
• 可解釋性強。顯式的推理路徑對比深度學(xué)習結果具有更強的解釋性；
• 高質(zhì)量且能不斷積累。根據業(yè)務(wù)場(chǎng)景設計合理的知識存儲方案，實(shí)現知識更新和累積。

架構設計技術(shù)架構主要分為構建層、存儲層及應用層三大層，架構圖如下：

• 構建層。包括Schema定義，結構化數據轉模，非結構化數據挖掘，以及知識融合；
  

• 存儲層。包括知識的存儲和索引，知識更新，元數據管理，以及支持基本的知識查詢(xún)；

• 服務(wù)層。包括智能推理、結構化查詢(xún)等業(yè)務(wù)相關(guān)的下游應用層。

  
  

構建步驟及流程

依據架構圖，具體構建流程可分為四步：本體設計、知識獲取、知識入庫，以及應用服務(wù)設計及使用。

本體構建本體（Ontology）是公認的概念集合，本體的構建是指依據本體的定義，構建出知識圖譜的本體結構和知識框架。基于本體構建圖譜的原因主要有以下幾點(diǎn)：

• 明確專(zhuān)業(yè)術(shù)語(yǔ)、關(guān)系及其領(lǐng)域公理，當一條數據必須滿(mǎn)足Schema預先定義好的實(shí)體對象和類(lèi)型后，才允許被更新到知識圖譜中。

• 將領(lǐng)域知識與操作性知識分離，通過(guò)Schema可以宏觀(guān)了解圖譜架構及相關(guān)定義，無(wú)須再從三元組中歸納整理。

• 實(shí)現一定程度的領(lǐng)域知識復用。在構建本體之前，可以先調研是否有相關(guān)本體已經(jīng)被構建出來(lái)，這樣可以基于已有本體進(jìn)行改進(jìn)和擴展，達到事半功倍的效果。

• 基于本體的定義，可以避免圖譜與應用脫節，或者修改圖譜Schema比重新構建成本還要高的情況。

按照知識的覆蓋面來(lái)看，知識圖譜可以劃分為通用知識圖譜和領(lǐng)域知識圖譜，通用圖譜更注重廣度，強調融合更多的實(shí)體數量，但對精確度的要求不高，很難借助本體庫對公理、規則及約束條件進(jìn)行推理和使用。而領(lǐng)域圖譜的知識覆蓋范圍較小，但知識深度更深，往往是在某一專(zhuān)業(yè)領(lǐng)域上的構建。

考慮對準確率的要求，領(lǐng)域本體構建多傾向于手工構建的方式，例如代表性的七步法、IDEF5方法等[1]，該類(lèi)方法的核心思想是，基于已有結構化數據，進(jìn)行本體分析，將符合應用目的和范圍的本體進(jìn)行歸納及構建，再對本體進(jìn)行優(yōu)化和驗證，從而獲取初版本體定義。若想獲取更大范疇的領(lǐng)域本體，則可以從非結構化語(yǔ)料中補充，考慮手工構建過(guò)程較長(cháng)，以汽車(chē)領(lǐng)域為例，提供一種半自動(dòng)本體構建的方式。

構建詳細步驟如下：

• 首先，收集大量汽車(chē)非結構化語(yǔ)料（如車(chē)系咨詢(xún)、新車(chē)導購文章等），作為初始個(gè)體概念集，利用統計方法或無(wú)監督模型（TF-IDF、BERT等）獲取字特征和詞特征；
• 其次，利用BIRCH聚類(lèi)算法對概念間層次劃分，初步構建起概念間層級關(guān)系，并對聚類(lèi)結果進(jìn)行人工概念校驗和歸納，獲取本體的等價(jià)、上下位概念；
• 最后，使用卷積神經(jīng)網(wǎng)絡(luò )結合遠程監督的方法，抽取本體屬性的實(shí)體關(guān)系，并輔以人工識別本體中的類(lèi)及屬性的概念，構建起汽車(chē)領(lǐng)域本體。

上述方法可有效利用BERT等深度學(xué)習技術(shù)，更好地捕捉語(yǔ)料間的內部關(guān)系，使用聚類(lèi)分層次對本體各模塊進(jìn)行構建，輔以人工干預，能夠快速、準確的完成初步本體構建。下圖為半自動(dòng)化本體構建示意圖：

利用Protégé本體構建工具[2]，可以進(jìn)行本體概念類(lèi)、關(guān)系、屬性和實(shí)例的構建，下圖為本體構建可視化示例圖：Protégé可以導出不同類(lèi)型的Schema配置文件，其中owl.xml結構配置文件如下圖所示。該配置文件可直接在MySQL、JanusGraph中加載使用，實(shí)現自動(dòng)化的創(chuàng )建Schema。
知識獲取
知識圖譜的數據來(lái)源通常包括三類(lèi)數據結構，分別為結構化數據、半結構化數據、非結構化數據。面向不同類(lèi)型的數據源，知識抽取涉及的關(guān)鍵技術(shù)和需要解決的技術(shù)難點(diǎn)有所不同。結構化知識轉模結構化數據是圖譜最直接的知識來(lái)源，基本通過(guò)初步轉換就可以使用，相較其他類(lèi)型數據成本最低，所以圖譜數據一般優(yōu)先考慮結構化數據。結構化數據可能涉及多個(gè)數據庫來(lái)源，通常需要使用ETL方法轉模，ETL即Extract（抽?。?、Transform（轉換）、Load（裝載）。通過(guò)ETL流程可將不同源數據落到中間表，從而方便后續的知識入庫。下圖為車(chē)系實(shí)體屬性、關(guān)系表示例圖：車(chē)系與品牌關(guān)系表：非結構化知識抽取——三元組抽取除了結構化數據，非結構化數據中也存在著(zhù)海量的知識（三元組）信息。一般來(lái)說(shuō)，企業(yè)的非結構化數據量要遠大于結構化數據，挖掘非結構化知識能夠極大拓展和豐富知識圖譜。