近日，由清華人工智能研究學院，北京人工智能研究學院，清華的工程院知識智能聯(lián)合研究中心，以及阿里集團聯(lián)合發(fā)布了人工智能知識圖譜。
知識圖譜（Knowledge Graph）于2012年由谷歌提出并成功應用于搜索引擎當中。它以結構化的形式描述客觀世界中概念、實體及其之間的關系，將互聯(lián)網(wǎng)的信息表達成更接近人類認知世界的形式，提供了一種更好地組織、管理和理解互聯(lián)網(wǎng)海量信息的能力。
知識圖譜的原理和方法
知識體系構建。
根據(jù)分類，可以把知識圖譜分為通用型和領域型。無論是什么類型的知識圖譜都需要對其服務的領域進行知識建模。也就是說，采用什么樣的方式來表達知識。
知識融合。
一個知識庫可以和其他知識庫進行融合。在不同領域知識圖庫進行融合時，會發(fā)現(xiàn)來自不同領域，不同語言，甚至不同結構的知識需要做“補充，更新和去重的操作”。
這就是知識融合，一般分為：知識體系融合和實例融合。這部分的操作也可以在構建知識體系的時候統(tǒng)籌考慮。
知識獲齲
知識獲取的目的是從海量的信息中抽取知識。本文中提到的“獲取信息”多為文本信息，因此這里的“獲取信息”也是從文本中獲取信息的過程。
獲取信息結構上劃分為三類，分別是結構化信息，半結構化信息和非結構化信息。
從獲取信息內容上又分為，實體識別，實體消歧，關系抽取和事件抽齲知識存儲在完成了知識抽取和融合之后，就需要將知識存儲下來了。
有RDF格式和圖數(shù)據(jù)庫兩種方式。因為圖數(shù)據(jù)庫對于查詢友好，因此被廣泛使用，例如：Neo4j。
知識推理。
識別并抽取知識以及存儲知識以后，我們會試圖挖掘實體之間隱含的語義關系。這個過程就是知識推理。例如：已知A是B的兒子，又知道B是C的兒子。那么可以推理出A是C的孫子。
知識應用。
識別，抽取，存儲和推理的最終目的還是為了應用。知識圖譜在搜索，問答，推薦，決策方面被廣泛應用。
知識圖譜的發(fā)布，揭示著人工智能的發(fā)展將會持續(xù)呈現(xiàn)特色化、開放化、智能化的趨勢，為更好發(fā)揮現(xiàn)有知識圖譜知識表達、知識資源優(yōu)勢，需與其他技術（信息推薦、事理圖譜、機器學習、深度學習等）相結合。
各大互聯(lián)網(wǎng)巨頭布局知識圖譜領域，而知識圖譜尚處于發(fā)展初期，商業(yè)應用落地場景有限，如何有效實現(xiàn)知識圖譜的應用，利用知識圖譜實現(xiàn)深度知識推理，提高大規(guī)模知識圖譜計算效率和應用場景？這些問題將是未來一段時間業(yè)界亟需解決的問題！
信息提娶查詢應答、問題回答、機器學習、概率邏輯、實體消歧、實體識別、查詢處理、決策支持等方向的研究熱度在近年來逐漸上升，知識圖譜也因此成為了各大人工智能與互聯(lián)網(wǎng)公司的兵家必爭之地，它與大數(shù)據(jù)、深度學習一起，成為推動互聯(lián)網(wǎng)和人工智能發(fā)展的核心驅動力之一。
