马忠贵等：知识图谱的最新进展、关键技术和挑战 .1261· 表24类知识推理方法对比 Table 2 Comparisons of 4 kinds of knowledge reasoning methods Reasoning methods Advantage Disadvantage Typical model The advantages of graph structure and rules Large-scale knowledge graphs have complex Knowledge reasoning based on graph graph structures and rules are not easy to structure and statistical rule mining can significantly improve the accuracy of knowledge reasoning obtain:noise rules can mislead PRA AMIE TensoLog knowledge reasoning Knowledge reasoning based on Simple and efficient,suitable for Does not consider the deeper information in the knowledge graph,which limits its RESCAL TransE representation learning large-scale knowledge graph accuracy of reasoning Knowledge reasoning based on Outstanding learning ability and High complexity,huge number of parameters, the neural network reasoning ability and poor interpretability NTN Knowledge reasoning based Combines the advantages of several Most methods are just shallow fusion, inference methods,so its performance not taking full advantage of their TKGE on hybrid methods is excellent respective methods 方法来自动预测用户提交至知识库的知识的质 谱中诸如实体、关系的信息，许多研究进一步基于 量，主要依据提交用户的领域、提交历史、以及历 嵌入正则化来提升推荐效果.Wang等uo将图注 史准确率等数据.实验表明这一方法拥有很高的 意网络应用于实体-关系和用户-物品图的协作知 准确率和召回率 识图谱上，提出了名为知识图谱注意力网络的模 型，在端到端的模式下通过嵌入传播和基于注意 4知识图谱应用 的聚合对建模知识图谱中的高阶连通性建模 知识图谱技术提出之后，因其具有的语义处 在垂直行业或领域内，知识图谱已开始应用 理和开放互联的能力，以及其简洁灵活的表达方 在医疗领域，通过提供更加精确规范的行业数据 式等优势，受到了广泛关注.知识图谱技术的发展 以及更加丰富的表达，帮助非行业相关人员获取 得益于自然语言处理、互联网等技术的发展，而不 医疗知识的同时也帮助行业人员更直观快捷获取 断完善的知识图谱技术也可以应用到自然语言处 所需医疗知识.在金融领域，借助知识图谱检测数 理、智能问答系统、智能推荐系统等技术中，进一 据的不一致性，来识别潜在的欺诈风险.同时，利 步促进这些技术的发展，而这些技术以及知识图 用知识图谱技术分析招股书、年报、公司公告等 谱技术又可以进一步应用在诸如医疗、金融、电 金融报告，建立公司和人物的关系，在此基础上做 商等垂直行业或领域内，帮助促进行业发展6刀 更进一步的研究和更优的决策.在电商领域，阿里 构建完备的知识图谱可以帮助自然语言理解 巴巴已经通过应用知识图谱，建立商品间的关联 技术发展.针对文本分类问题，Wang等1首先利 信息，为用户提供更全面的商品信息和更智能 用知识库中的知识将短文本概念化，获得短文本 化的推荐，从而提升用户的购物服务与体验.同 的嵌入表示后送入卷积神经网络中进行分类 时，知识图谱也在教育、科研、军事等领域中广泛 Lagon等网提出了知识图谱语言模型，一种拥有 应用 从知识图谱中选择和复制知识的神经语言模型. 5知识图谱在知识融合、推理与应用中的 智能问答系统可以依靠知识图谱中的知识 挑战与展望 来回答查询.Bauer等Ilo1利用关系路径从常识网 络中获取背景常识知识，之后利用多注意力机制 自谷歌提出知识图谱概念至今，这项技术一 完成多跳推理并通过一个指针生成译码器来合成 直受到广泛的关注.随着深度学习、自然语言处 问题的答案.朱宗奎等针对中文知识图谱问答 理等相关领域的发展，知识图谱的研究热度不断 系s统，将BERT(Bidirectional encoder representations 增加.不可忽略的是，知识图谱发展至今，知识融 from transformers)模型和双向长短期记忆网络结 合、知识推理等知识图谱关键技术以及知识图谱 合，之后通过条件随机场模型来预测字符标签，从 的应用仍面临许多挑战 而识别出问题中的实体并链接到知识网络中，最 知识融合技术是知识图谱的关键技术之一 后完成答案的搜索 知识融合主要任务是将新获得的知识融入知识图 知识图谱可作为外部信息整合至推荐系统 谱中，保证知识图谱知识准确率的前提下高效地 中，使得推荐系统获得推理能力.通过利用知识图 引入新知识，是知识融合的关键.存在的挑战如方法来自动预测用户提交至知识库的知识的质 量，主要依据提交用户的领域、提交历史、以及历 史准确率等数据. 实验表明这一方法拥有很高的 准确率和召回率. 4    知识图谱应用 知识图谱技术提出之后，因其具有的语义处 理和开放互联的能力，以及其简洁灵活的表达方 式等优势，受到了广泛关注. 知识图谱技术的发展 得益于自然语言处理、互联网等技术的发展，而不 断完善的知识图谱技术也可以应用到自然语言处 理、智能问答系统、智能推荐系统等技术中，进一 步促进这些技术的发展，而这些技术以及知识图 谱技术又可以进一步应用在诸如医疗、金融、电 商等垂直行业或领域内，帮助促进行业发展[16−17] . 构建完备的知识图谱可以帮助自然语言理解 技术发展. 针对文本分类问题，Wang 等[98] 首先利 用知识库中的知识将短文本概念化，获得短文本 的嵌入表示后送入卷积神经网络中进行分类. Lagon 等[99] 提出了知识图谱语言模型，一种拥有 从知识图谱中选择和复制知识的神经语言模型. 智能问答系统可以依靠知识图谱中的知识 来回答查询. Bauer 等[100] 利用关系路径从常识网 络中获取背景常识知识，之后利用多注意力机制 完成多跳推理并通过一个指针生成译码器来合成 问题的答案. 朱宗奎等[101] 针对中文知识图谱问答 系统，将 BERT（Bidirectional encoder representations from transformers）模型和双向长短期记忆网络结 合，之后通过条件随机场模型来预测字符标签，从 而识别出问题中的实体并链接到知识网络中，最 后完成答案的搜索. 知识图谱可作为外部信息整合至推荐系统 中，使得推荐系统获得推理能力. 通过利用知识图 谱中诸如实体、关系的信息，许多研究进一步基于 嵌入正则化来提升推荐效果. Wang 等[102] 将图注 意网络应用于实体–关系和用户–物品图的协作知 识图谱上，提出了名为知识图谱注意力网络的模 型，在端到端的模式下通过嵌入传播和基于注意 的聚合对建模知识图谱中的高阶连通性建模. 在垂直行业或领域内，知识图谱已开始应用. 在医疗领域，通过提供更加精确规范的行业数据 以及更加丰富的表达，帮助非行业相关人员获取 医疗知识的同时也帮助行业人员更直观快捷获取 所需医疗知识. 在金融领域，借助知识图谱检测数 据的不一致性，来识别潜在的欺诈风险. 同时，利 用知识图谱技术分析招股书、年报、公司公告等 金融报告，建立公司和人物的关系，在此基础上做 更进一步的研究和更优的决策. 在电商领域，阿里 巴巴已经通过应用知识图谱，建立商品间的关联 信息，为用户提供更全面的商品信息和更智能 化的推荐，从而提升用户的购物服务与体验. 同 时，知识图谱也在教育、科研、军事等领域中广泛 应用. 5    知识图谱在知识融合、推理与应用中的 挑战与展望 自谷歌提出知识图谱概念至今，这项技术一 直受到广泛的关注. 随着深度学习、自然语言处 理等相关领域的发展，知识图谱的研究热度不断 增加. 不可忽略的是，知识图谱发展至今，知识融 合、知识推理等知识图谱关键技术以及知识图谱 的应用仍面临许多挑战. 知识融合技术是知识图谱的关键技术之一. 知识融合主要任务是将新获得的知识融入知识图 谱中. 保证知识图谱知识准确率的前提下高效地 引入新知识，是知识融合的关键. 存在的挑战如 表 2 4 类知识推理方法对比 Table 2 Comparisons of 4 kinds of knowledge reasoning methods Reasoning methods Advantage Disadvantage Typical model Knowledge reasoning based on graph structure and statistical rule mining The advantages of graph structure and rules can significantly improve the accuracy of knowledge reasoning Large-scale knowledge graphs have complex graph structures and rules are not easy to obtain; noise rules can mislead knowledge reasoning PRA AMIE TensoLog Knowledge reasoning based on representation learning Simple and efficient, suitable for large-scale knowledge graph Does not consider the deeper information in the knowledge graph, which limits its accuracy of reasoning RESCAL TransE Knowledge reasoning based on the neural network Outstanding learning ability and reasoning ability High complexity, huge number of parameters, and poor interpretability NTN Knowledge reasoning based on hybrid methods Combines the advantages of several inference methods, so its performance is excellent Most methods are just shallow fusion, not taking full advantage of their respective methods TKGE 马忠贵等： 知识图谱的最新进展、关键技术和挑战 · 1261 ·