首先介紹知識圖譜的一些基礎概念。
#知識圖譜旨在利用圖結構建模、辨識與推論事物之間的複雜關聯關係與沉澱領域知識，是實現認知智慧的重要基石， 已廣泛應用於搜尋引擎、智慧問答、語言語意理解、大數據決策分析等眾多領域。
知識圖譜同時建模了資料之間的語意關係和結構關係，結合深度學習技術可以把這兩者關係更好得融合和表徵。
#我們要建立知識圖譜主要從如下兩點出發考慮：一方面是螞蟻本身的資料來源背景特點，另一方面是知識圖譜能帶來的好處。
[1] 資料來源本身是多元且異質的，缺乏一套統一的知識理解系統。
[2] 知識圖譜能帶來多個好處，包括：
#在建構各類業務知識圖譜的過程中，我們沉澱出了一套螞蟻知識圖譜的通用建構範式，主要分為如下五個部分：
有了通用的建構範式後，就需要進行體系化的建構。從兩個視角來看螞蟻知識圖譜的體系化建構。首先是從演算法角度來看，有各種演算法能力，例如知識推理、知識匹配等等。從落地視角來看，自下而上，最下面的基礎依賴包括圖計算引擎和認知底座計算；其上是圖譜底座，包括NLP&多模平台以及圖譜平台；往上是各種圖譜構建技術，基於此我們就可以建立螞蟻知識圖譜；在知識圖譜的基礎上，我們可以做一些圖譜推理；再往上，我們提供一些通用的演算法能力；最上面是業務應用。
二、圖譜建構接下來分享螞蟻集團建構知識圖譜的一些核心能力，包括圖譜建構、圖譜融合、圖譜認知三個面向。
圖譜建構的流程主要包括六個步驟：
#在建立知識圖譜中，需要對輸入的實體進行分類，在螞蟻場景下是一個大規模多標籤分類的任務。為了融合專家知識來進行實體分類，主要做如下三點最佳化：
#在實體辨識的基礎上，從字詞連邊的圖結構出發，讓模型學習到對連邊的合理賦權，對噪音詞連邊減少權重。提出了邊界對比學習和語意對比學習兩個模組：
#在領域問題上我們的標註樣本很少，會面臨few-shot或zero-shot的場景，在這種情況下進行關係抽取的核心思想就是引入外部知識庫，為了解決語義空間不同導致的性能下降問題，設計了基於邏輯規則的推理模組；為了解決實體類型匹配導致的死記硬背問題，設計了細微差異感知模組。
圖譜融合是指不同業務領域下圖譜之間的資訊融合。
圖譜融合的好處：
知識圖譜融合過程中一個核心技術點就是實體對齊，這裡我們採用了SOTA演算法BERT-INT，主要包含兩個模組，一個是表示模組，另一個是互動模組。
演算法的實作流程主要包括召回和排序：
#回想：在表示模組，利用標題文字的BERT向量相似度召回。
基於標題屬性鄰居的排序模型：ü 利用表示模組，完成對標題、屬性和鄰居的向量表示：
#這部分，主要介紹螞蟻內部的知識表示學習框架。
螞蟻提出了一個基於Encoder-Decoder框架的知識表示學習。其中Encoder是一些圖神經的學習方法，Decoder是一些知識表示的學習，例如連結預測。這套表示學習框架可以自監督產出通用的實體/關係Embedding，有幾個好處：1）Embedding Size遠小於原始特徵空間，降低了儲存成本；2）低維向量更稠密，有效緩解資料稀疏問題；3）同一向量空間學習，對多源異質資料的融合更自然；4）Embedding具有一定的普適性，方便下游業務使用。
接下來分享幾個在螞蟻群組中知識圖譜的典型應用案例。
在介紹具體案例前，先來介紹一下螞蟻知識圖譜場景應用的幾種模式，主要包括知識獲取、知識管理和推理，以及知識服務。如下圖所示。
業務場景是支付寶主搜裡面的小程式的內容下掛，要解決的業務痛點是：
解決方案是，建立了商家知識圖譜。結合商家圖譜的商品關係，實現對使用者query商品層級的結構化理解。
#此案例是針對首頁推薦進行使用者意圖即時預測，建構了AlipayKG，框架如上圖所示。相關工作也發表在頂會www 2023上，可以參考論文做更進一步的理解。
#這個場景是消費券推薦的一個場景，業務面臨的痛點為：
為了解決上述問題，我們設計了融合動態圖表徵的深度向量召回演算法。因為我們發現使用者消費券的行為是有週期性的，靜態的單一邊是無法建模這種週期性行為的。為此我們先建構了動態圖，接著採用團隊自研的動態圖演算法來學習Embedding表徵，得到表徵之後再放到雙塔模型中去，進行向量召回。
#最後一個案例是關於圖譜規則推理。以醫療保險健康圖譜為例，包括醫學知識、理賠規則、「人」的健康的信息，進行實體鏈指，再加上邏輯規則，來作為決策的依據。透過圖譜實現了專家理賠效率的提升。
最後簡單探討在目前大模型快速發展的脈絡下知識圖譜的機會。
#知識圖與大模型各有優缺點，大模型的主要有通用知識建模和普適性等優點，而大模型的缺點正好是知識圖譜的優點所能彌補的。圖譜的優點包括準確度很高、可解釋性強等。大模型和知識圖譜是能夠相互影響的。
圖譜和大模型的融合通常有三種路線，一種是利用知識圖譜來增強大模型；第二種是利用大模型來增強知識圖譜；第三種是大模型和知識圖譜協同並進，優勢互補，大模型可以認為是一種參數化的知識庫，知識圖譜可以認為是一種顯示化的知識庫。
在知識圖譜建構的過程中，可以利用大模型來進行資訊擷取、知識建模和關係推理。
#Dendmon的這個工作將資訊擷取問題分解成了兩個階段：
#將知識圖譜應用於大模型主要包含三個面向：
將知識圖譜整合到大模型輸入中。可以利用知識圖譜來進行資料清洗，或利用知識圖譜直接明確地進行形式化拼接。
將知識圖譜整合到大模型訓練中。例如同時進行兩個任務的訓練，知識圖譜可以做知識表示的任務，大模型做MLM的預訓練，兩者聯合建模。
將知識圖譜注入大模型推理中。首先可以解決大模型的兩個問題，一是將知識圖譜作為先驗約束，來避免大模型「胡說八道」；第二就是解決大模型時效性問題。另一方面，基於知識圖譜，可以為大模型產生提供可解釋方案。
主要包括兩類，一塊是知識圖譜增強的問答系統，即用大模型來優化KBQA的模式；另一個是資訊檢索增強，類似LangChain、GopherCite、New Bing等用大模型來做知識庫問答的形式。
知識增強的生成式搜尋問答系統，有以下優勢：
#知識圖與大模型如何更好地交互協同共進，包括以下三個方向：
以上是賈強槐：螞蟻大規模知識圖譜建構及其應用的詳細內容。更多資訊請關注PHP中文網其他相關文章！
