為什么需要知識(shí)圖譜？
什么是知識(shí)圖譜？
標(biāo)題的命名順序可能讓有的讀者不太習(xí)慣。通常在介紹一個(gè)陌生事物的應(yīng)用前，我們會(huì)給出其定義。之所以換個(gè)順序，是為了不讓讀者一開始就接觸比較冰冷生硬的概念刻板描述(后面我盡量用更具體、準(zhǔn)確的例子來表達(dá))，另一方面也是為了通過現(xiàn)實(shí)生活中的例子自然的引入知識(shí)圖譜的概念。希望通過這種方式加深讀者的印象和理解。為了減輕讀者理解的負(fù)擔(dān)，我盡可能地避免引入過多的概念和技術(shù)細(xì)節(jié)，將其留到后續(xù)的文章進(jìn)行介紹。
言歸正傳，本文主要分為三個(gè)部分。第一個(gè)部分介紹我們?yōu)槭裁葱枰R(shí)圖譜，第二個(gè)部分介紹知識(shí)圖譜的相關(guān)概念及其形式化表示。最后，作一個(gè)簡單的總結(jié)，并介紹該專欄后續(xù)文章會(huì)涉及的內(nèi)容。
01
看到的不僅僅是字符串
當(dāng)你看見下面這一串文本你會(huì)聯(lián)想到什么？
Ronaldo Luís Nazário de Lima
估計(jì)絕大多數(shù)中國人不明白上面的文本代表什么意思。沒關(guān)系，我們看看它對(duì)應(yīng)的中文：
羅納爾多·路易斯·納薩里奧·德·利馬
這下大部分人都知道這是一個(gè)人的名字了，當(dāng)然，不出什么意外，還是個(gè)外國人。但還是有一部分人不知道這個(gè)人具體是誰。下面是關(guān)于他的某張圖片：
從這張圖片我們又得到了額外信息，他是一位足球運(yùn)動(dòng)員。對(duì)足球不熟悉的可能還是對(duì)他沒有什么印象。那么再看看下面這張圖片：
我再加上當(dāng)初那洗腦的廣告詞：“保護(hù)嗓子，請(qǐng)用金嗓子喉片。廣西金嗓子！”。這下應(yīng)該許多人都知道他是誰了，畢竟多年前被這洗腦的廣告語摧殘了很長一段時(shí)間。
之所以舉這樣一個(gè)例子，是因?yàn)?，?jì)算機(jī)一直面臨著這樣的困境——無法獲取網(wǎng)絡(luò)文本的語義信息。盡管近些年人工智能得到了長足的發(fā)展，在某些任務(wù)上取得超越人類的成績，但離一臺(tái)機(jī)器擁有一個(gè)兩三歲小孩的智力這樣一個(gè)目標(biāo)還有一段距離。這距離的背后很大一部分原因是機(jī)器缺少知識(shí)。如同上面的例子，機(jī)器看到文本的反應(yīng)和我們看到羅納爾多葡萄牙語原名的反應(yīng)別無二致。為了讓機(jī)器能夠理解文本背后的含義，我們需要對(duì)可描述的事物(實(shí)體)進(jìn)行建模，填充它的屬性，拓展它和其他事物的聯(lián)系，即，構(gòu)建機(jī)器的先驗(yàn)知識(shí)。就以羅納爾多這個(gè)例子說明，當(dāng)我們圍繞這個(gè)實(shí)體進(jìn)行相應(yīng)的擴(kuò)展，我們就可以得到下面這張知識(shí)圖。
機(jī)器擁有了這樣的先驗(yàn)知識(shí)，當(dāng)它再次看到Ronaldo Luís Nazário de Lima，它就會(huì)“想”：“這是一個(gè)名字叫Ronaldo Luís Nazário de Lima的巴西足球運(yùn)動(dòng)員?！边@和我們?nèi)祟愒诳吹绞煜さ氖挛?，?huì)做一些聯(lián)想和推理是很類似的。
Notice: 需要說明的是，上面的知識(shí)圖并不代表知識(shí)圖譜的實(shí)際組織形式。相反，它還會(huì)讓讀者對(duì)知識(shí)圖譜產(chǎn)生一定的誤解。在下一個(gè)部分，我會(huì)給出這張圖所包含內(nèi)容在知識(shí)圖譜中更形式化的表示。實(shí)際上，我看到許多介紹知識(shí)圖譜的文章都喜歡給出此種類型的圖，卻又不給出相應(yīng)的說明，這可能會(huì)讓讀者一開始就進(jìn)入理解的誤區(qū)。
Google為了提升搜索引擎返回的答案質(zhì)量和用戶查詢的效率，于2012年5月16日發(fā)布了知識(shí)圖譜(Knowledge Graph)。有知識(shí)圖譜作為輔助，搜索引擎能夠洞察用戶查詢背后的語義信息，返回更為精準(zhǔn)、結(jié)構(gòu)化的信息，更大可能地滿足用戶的查詢需求。Google知識(shí)圖譜的宣傳語“things not strings”給出了知識(shí)圖譜的精髓，即，不要無意義的字符串，而是獲取字符串背后隱含的對(duì)象或事物。
還是以羅納爾多為例，我們想知道羅納爾多的相關(guān)信息(很多情況下，用戶的搜索意圖可能也是模糊的，這里我們輸入的查詢?yōu)椤傲_納爾多”)，在之前的版本，我們只能得到包含這個(gè)字符串的相關(guān)網(wǎng)頁作為返回結(jié)果，然后不得不進(jìn)入某些網(wǎng)頁查找我們感興趣的信息；現(xiàn)在，除了相關(guān)網(wǎng)頁，搜索引擎還會(huì)返回一個(gè)“知識(shí)卡片”，包含了查詢對(duì)象的基本信息和其相關(guān)的其他對(duì)象(C羅名字簡稱也為羅納爾多，搜索引擎只是根據(jù)“羅納爾多”的指代概率返回了“肥羅”這個(gè)羅納爾多的基本資料，但也許你需要C羅的相關(guān)信息，那么搜索引擎把C羅這個(gè)實(shí)體作為備選項(xiàng)列出)，如下圖紅色方框中的內(nèi)容。如果我們只是想知道羅納爾多的國籍、年齡、婚姻狀況、子女信息，那么我們不用再做多余的操作。在最短的時(shí)間內(nèi)，我們獲取了最為簡潔，最為準(zhǔn)確的信息。
當(dāng)然，這只是知識(shí)圖譜在搜索引擎上的一部分應(yīng)用場景。舉這個(gè)例子也是為了表明，知識(shí)圖譜這樣一種概念、或者技術(shù)，它的誕生是符合計(jì)算機(jī)科學(xué)、互聯(lián)網(wǎng)發(fā)展潮流的。
02
知識(shí)圖譜的前世今生
通過上面這個(gè)例子，讀者應(yīng)該對(duì)知識(shí)圖譜有了一個(gè)初步的印象，其本質(zhì)是為了表示知識(shí)。其實(shí)知識(shí)圖譜的概念并不新，它背后的思想可以追溯到上個(gè)世紀(jì)五六十年代所提出的一種知識(shí)表示形式——語義網(wǎng)絡(luò)(Semantic Network)。語義網(wǎng)絡(luò)由相互連接的節(jié)點(diǎn)和邊組成，節(jié)點(diǎn)表示概念或者對(duì)象，邊表示他們之間的關(guān)系(is-a關(guān)系，比如：貓是一種哺乳動(dòng)物；part-of關(guān)系，比如：脊椎是哺乳動(dòng)物的一部分)，如下圖。在表現(xiàn)形式上，語義網(wǎng)絡(luò)和知識(shí)圖譜相似，但語義網(wǎng)絡(luò)更側(cè)重于描述概念與概念之間的關(guān)系，（有點(diǎn)像生物的層次分類體系——界門綱目科屬種），而知識(shí)圖譜則更偏重于描述實(shí)體之間的關(guān)聯(lián)。
除了語義網(wǎng)絡(luò)，人工智能的分支——專家系統(tǒng)，萬維網(wǎng)之父Tim Berners Lee于1998年提出的語義網(wǎng)（Semantic Web）和在2006年提出的關(guān)聯(lián)數(shù)據(jù)（Linked Data）都和知識(shí)圖譜有著千絲萬縷的關(guān)系，可以說它們是知識(shí)圖譜前身。
目前，知識(shí)圖譜并沒有一個(gè)標(biāo)準(zhǔn)的定義(gold standard definition)。我在這里借用一下“Exploiting Linked Data and Knowledge Graphs in Large Organisations”這本書對(duì)于知識(shí)圖譜的定義：
A knowledge graph consists of a set of interconnected typed entities and their attributes.
即，知識(shí)圖譜是由一些相互連接的實(shí)體和他們的屬性構(gòu)成的。換句話說，知識(shí)圖譜是由一條條知識(shí)組成，每條知識(shí)表示為一個(gè)SPO三元組(Subject-Predicate-Object)。
在知識(shí)圖譜中，我們用 RDF 形式化地來表示這種三元關(guān)系。RDF(Resource Description Framework)，即資源描述框架，是W3C制定的，用于描述實(shí)體/資源的標(biāo)準(zhǔn)數(shù)據(jù)模型。RDF圖中一共有三種類型，International Resource Identifiers(IRIs)，blank nodes 和 literals。下面是SPO每個(gè)部分的類型約束：
Subject可以是IRI或blank node。
Predicate是IRI。
Object三種類型都可以。
IRI——我們可以看做是URI或者URL的泛化和推廣，它在整個(gè)網(wǎng)絡(luò)或者圖中唯一定義了一個(gè)實(shí)體/資源，和我們的身份證號(hào)類似。
literal是字面量，我們可以把它看做是帶有數(shù)據(jù)類型的純文本，比如我們?cè)诘谝粋€(gè)部分中提到的羅納爾多原名可以表示為'Ronaldo Luís Nazário de Lima'^^xsd:string。
blank node簡單來說就是沒有IRI和literal的資源，或者說匿名資源。關(guān)于其作用，有興趣的讀者可以參考W3C的文檔，這里不再贅述。我個(gè)人認(rèn)為blank node的存在有點(diǎn)多余，不僅會(huì)給對(duì)RDF的理解帶來額外的困難，并且在處理的時(shí)候也會(huì)引入一些問題。通常我更愿意用帶有IRI的node來充當(dāng)blank node，行使其功能，有點(diǎn)類似freebase中CVT(compound value type)的概念。最后的參考資料會(huì)給出一篇寫blank node缺陷的博客，有興趣的讀者可以看一看。
那么“羅納爾多的中文名是羅納爾多·路易斯·納扎里奧·達(dá)·利馬”這樣一個(gè)三元組用RDF形式來表示就是：
'www.kg.com/person/1'是一個(gè)IRI，用來唯一的表示“羅納爾多”這個(gè)實(shí)體。'kg:chineseName'也是一個(gè)IRI，用來表示“中文名”這樣一個(gè)屬性。'kg:'是RDF文件中所定義的prefix，如下所示：
@prefix kg: <http://www.kg.com/ontology/>
即，kg:chineseName其實(shí)就是'http:// www.kg.com/ontology/chineseName'的縮寫。
將上面的知識(shí)圖用更正式的形式畫出來：
我們其實(shí)可以認(rèn)為知識(shí)圖譜就包含兩種節(jié)點(diǎn)類型，資源和字面量。借用數(shù)據(jù)結(jié)構(gòu)中樹的概念，字面量類似葉子節(jié)點(diǎn)，出度為0。現(xiàn)在讀者應(yīng)該知道為什么我會(huì)說之前那幅圖不準(zhǔn)確，并會(huì)誤導(dǎo)大家對(duì)知識(shí)圖譜的理解了吧。'羅納爾多·路易斯·納薩里奧·德·利馬'作為字面量，是不能有指向外部節(jié)點(diǎn)的邊的，況且之前的圖并不能直觀地體現(xiàn)知識(shí)圖譜中資源/實(shí)體(用IRI表示)這樣一個(gè)極其重要的概念。
03
總結(jié)
本文通過羅納爾多這個(gè)例子引出了知識(shí)圖譜的現(xiàn)實(shí)需求，繼而給出了知識(shí)圖譜的定義和相關(guān)概念，并介紹了知識(shí)圖譜的RDF形式化表示。作為一篇科普文章，文中省略了許多技術(shù)細(xì)節(jié)。后續(xù)我會(huì)根據(jù)語義網(wǎng)技術(shù)棧（Semantic Web Stack，如下圖）來介紹知識(shí)圖譜實(shí)現(xiàn)過程中所需要的具體技術(shù)。另外，可能會(huì)結(jié)合實(shí)踐，介紹如何利用關(guān)系型數(shù)據(jù)庫中的數(shù)據(jù)來構(gòu)建一個(gè)知識(shí)圖譜，并搭建一個(gè)簡易的基于知識(shí)圖譜的問答系統(tǒng)(KBQA)。
W3C: RDF 1.1 Concepts and Abstract Syntax
Exploiting Linked Data and Knowledge Graphs in Large Organisations
Google: Introducing the Knowledge Graph: things, not strings
Blog:Problems of the RDF model: Blank Nodes
Blog:Compound Value Types in RDF
Chen, L., Zhang, H., Chen, Y., & Guo, W. (2012). Blank nodes in rdf. Journal of Software, 7(9).
聯(lián)系客服
