為什么需要知識圖譜？

什么是知識圖譜？

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圖譜，第二個(gè)部分介紹知識圖譜的相關(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聯(lián)想到什么？

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，我們看看它對應(yīng)的中文：

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)動員。對足球不熟悉的可能還是對他沒有什么印象。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)椋?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。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。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圖。

機(jī)器擁有了這樣的先驗(yàn)知識，當(dāng)它再次看到Ronaldo Luís Nazário de Lima，它就會“想”：“這是一個(gè)名字叫Ronaldo Luís Nazário de Lima的巴西足球運(yùn)動員。”這和我們?nèi)祟愒诳吹绞煜さ氖挛?，會做一些?lián)想和推理是很類似的。

Notice: 需要說明的是，上面的知識圖并不代表知識圖譜的實(shí)際組織形式。相反，它還會讓讀者對知識圖譜產(chǎn)生一定的誤解。在下一個(gè)部分，我會給出這張圖所包含內(nèi)容在知識圖譜中更形式化的表示。實(shí)際上，我看到許多介紹知識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)布了知識圖譜(Knowledge Graph)。有知識圖譜作為輔助，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知識圖譜的宣傳語“things not strings”給出了知識圖譜的精髓，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，搜索引擎還會返回一個(gè)“知識卡片”，包含了查詢對象的基本信息和其相關(guān)的其他對象(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

知識圖譜的前世今生

通過上面這個(gè)例子，讀者應(yīng)該對知識圖譜有了一個(gè)初步的印象，其本質(zhì)是為了表示知識。其實(shí)知識圖譜的概念并不新，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：貓是一種哺乳動物；part-of關(guān)系，比如：脊椎是哺乳動物的一部分)，如下圖。在表現(xiàn)形式上，語義網(wǎng)絡(luò)和知識圖譜相似，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）都和知識圖譜有著千絲萬縷的關(guān)系，可以說它們是知識圖譜前身。

目前，知識圖譜并沒有一個(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”這本書對于知識圖譜的定義：

即，知識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，知識圖譜是由一條條知識組成，每條知識表示為一個(gè)SPO三元組(Subject-Predicate-Object)。

在知識圖譜中，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：

1. Subject可以是IRI或blank node。

2. Predicate是IRI。

3. 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，比如我們在第一個(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，不僅會給對RDF的理解帶來額外的困難，并且在處理的時(shí)候也會引入一些問題。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./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：

即，kg:chineseName其實(shí)就是'http:// www./ontology/chineseName'的縮寫。

將上面的知識圖用更正式的形式畫出來：

我們其實(shí)可以認(rèn)為知識圖譜就包含兩種節(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)該知道為什么我會說之前那幅圖不準(zhǔn)確，并會誤導(dǎo)大家對知識圖譜的理解了吧。'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)例子引出了知識圖譜的現(xiàn)實(shí)需求，繼而給出了知識圖譜的定義和相關(guān)概念，并介紹了知識圖譜的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)我會根據(jù)語義網(wǎng)技術(shù)棧（Semantic Web Stack，如下圖）來介紹知識圖譜實(shí)現(xiàn)過程中所需要的具體技術(shù)。另外，可能會結(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)知識圖譜，并搭建一個(gè)簡易的基于知識圖譜的問答系統(tǒng)(KBQA)。

1. W3C: RDF 1.1 Concepts and Abstract Syntax

2. Exploiting Linked Data and Knowledge Graphs in Large Organisations

3. Google: Introducing the Knowledge Graph: things, not strings

4. Blog:Problems of the RDF model: Blank Nodes

5. Blog:Compound Value Types in RDF

6. Chen, L., Zhang, H., Chen, Y., & Guo, W. (2012). Blank nodes in rdf. Journal of Software, 7(9).