原來，知識圖譜是“找關係”的搖錢樹？

圖文原創：譚婧

全文稽核專家：朱小坤

知識圖譜，英文名Knowledge Graph，

是一種非結構化資料，

屬於圖資料

。

這裡被稱為“圖”的東西，不是圖畫的圖，而是圖論的圖。

知識圖譜資料模型的數學基礎源於“圖論”。

簡單說，是把零散的資訊有效地組織起來，把紛繁複雜的資料變成有用的知識，這是知識圖譜的意義。

下圖為，

中文醫學知識圖譜示意

。

知識圖譜有頂點（Vertex）和邊（Edge），

是關聯資料的高度抽象。

頂點和邊可以帶有屬性，能表示出不同的“關係”。

（一）如何“建”知識圖譜？

建

建大型知識圖譜，可

是個系統工程

。

人類學知識也是從詞彙開始，機器也一樣，詞彙本身也是比較簡單的“知識”。

從資訊中“抽取”知識，一定得是一個自動化技術，靠人工太累了。

從文字中抽取，

用

自然語言處理技術（NLP）

。

為了提高效能，技術能力強的廠商，會用到NLP大殺器——“預訓練大模型”。

而除了文字之外，企業有很多資料，圖片，音訊，影片，交易記錄等，

會用多模態技術，這種技術

的能力更強一些，技術難度也更高。

簡單講，計算機視角下，圖片和文字，都是不同的“模態”，所以是“多模態”。

從多模態資訊中得到一批非結構化資料（文字、影象、影片、語音）中包含的資訊，自動抽取並建立關係，形成知識圖譜。

知識圖譜上陣後，機器認識了“全面屏”手機，也能認識“曲面屏”

手機

。

機器能在電影的上下文裡認出《長津湖》是影片名，在歌手李健的上下文裡理解《貝加爾湖畔》是歌名，雖然這兩個詞又都是地名。

這時候，機器學會了舉一反三。

電商痛點之一是商品，使用者等關係刻畫不準確。

巧了，知識圖譜能精準刻畫屬性和關係，令運營和管理精細化。

電商建知識圖譜先得“看懂”“商品，鍋碗瓢盆都分不清，很尷尬。

為了看懂商品，引入“商品標籤”。

商品標籤是“知識理解”後的產物，也是對上面說到的多模態資料的提煉和抽象。

標籤是商品知識的一部分，標籤為

商品之間“建立關係”

貢獻了力量。

那些有相同標籤的商品就能連起來了，也就有了“關係”。商品標籤越多，知識越豐富。

除了標籤之外，商品之間會有一種天然的關係，是“品類”，而且商品類別會有多級。

舉一個真實的例子，京東商城的品類太多了，會用到一種黑科技：用熱門品類的標註資料，遷移到冷門品類。

黑科技背後會有頂級學術會議的論文來支援。也就是說機器理解了一些常見熱門

商品

品類，接著，又“有如神助”般地多學會了一些少見的商品品類。

這樣，機器成為了認識“

商品

品類”的小能手。

看懂商品名稱是基本功，若連商品標籤都不夠準確和精細，後續的電商運營策略和方法很難做好，成了“拔錯蘿蔔，帶錯泥”。

日後會被電商運營同學吐槽：我廠AI技術水平有待提高。

其實，演算法工程師沒閒著，一日復一日，年復一年，都在

用演算法提高準確度，儘量把模型設計的“聰明點”。

（二）電商公司，怎麼建知識圖譜？

知識圖譜離不了數學方法。

透過圖表示學習的方法，把頂點和邊都用數值化的向量來表示，對映到歐式空間裡面計算距離。

用距離衡量“關係”，

距離近，關係近。

距離遠，關係遠。

這樣，可以把一些隱藏關係給找出來。

頭部國內電商企業對知識圖譜的應用大約五六年前起步，

均在2021年左右建成超大規模電商知識圖譜。阿里巴巴有“藏經閣知識引擎”，京東有“知識大腦”。

如今，國內頭部電商動不動好幾億使用者，

50億以上商品相關實體

，

知識圖譜能夠達到非常大的規模，能做到

覆蓋零售全站商品和使用者。

連這個研究方向博士也驚歎：“之前，沒處理過這麼大的圖”。

構建大規模、高精度的知識圖譜，需要投入很大的人力物力財力，但是用好了能創造很大的商業價值。

假如一個電商收入一百億，利用知識圖譜提升1%的收入，就是多賺一個億，搖錢樹，非他莫屬。

最後補一點，

其實，

知識圖譜技術，很多人天天在用。

因為搜尋引擎早已離不開知識圖譜了，當你輕點滑鼠，查詢某個問題，搜尋會結合知識圖譜技術。

有兩本好書推薦：

1。《知識圖譜：概念與技術》（

肖仰華等著

）一書，多位專家推薦給我。

2。《圖深度學習：從理論到實踐》（顏偉鵬，包勇軍，朱小坤，姚普主編）。

這本書中的作者們，你會在我之前一篇文章中

（完）

全文稽核專家：

圖文原創作者：

最後，再介紹一下主編自己吧，

我是譚婧，科技和科普題材作者。

為了在時代中發現故事，

我圍追科技大神，堵截科技公司。

偶爾寫小說，畫漫畫。

生命短暫，不走捷徑。

還想看我的文章，就關注“親愛的資料”。

（三）知識圖譜+深度學習技術，原理是什麼？