1.2 知識(shí)圖譜的發(fā)展歷史

知識(shí)圖譜并非突然出現(xiàn)的新技術(shù)，而是歷史上很多相關(guān)技術(shù)相互影響和繼承發(fā)展的結(jié)果，包括語義網(wǎng)絡(luò)、知識(shí)表示、本體論、Semantic Web、自然語言處理等，有著來自Web、人工智能和自然語言處理等多方面的技術(shù)基因。從早期的人工智能發(fā)展歷史來看， Semantic Web是傳統(tǒng)人工智能與Web融合發(fā)展的結(jié)果，是知識(shí)表示與推理在Web中的應(yīng)用；RDF（Resource Description Framework，資源描述框架）、OWL（Web Ontology Language，網(wǎng)絡(luò)本體語言）都是面向Web設(shè)計(jì)實(shí)現(xiàn)的標(biāo)準(zhǔn)化的知識(shí)表示語言；而知識(shí)圖譜則可以看作是Semantic Web的一種簡化后的商業(yè)實(shí)現(xiàn)，如圖1-2所示。

圖1-2 從語義網(wǎng)絡(luò)到知識(shí)圖譜

在人工智能的早期發(fā)展流派中，符號(hào)派（Symbolism）側(cè)重于模擬人的心智，研究怎樣用計(jì)算機(jī)符號(hào)表示人腦中的知識(shí)并模擬心智的推理過程；連接派（Connectionism）側(cè)重于模擬人腦的生理結(jié)構(gòu)，即人工神經(jīng)網(wǎng)絡(luò)。符號(hào)派一直以來都處于人工智能研究的核心位置。近年來，隨著數(shù)據(jù)的大量積累和計(jì)算能力的大幅提升，深度學(xué)習(xí)在視覺、聽覺等感知處理中取得突破性進(jìn)展，進(jìn)而又在圍棋等博弈類游戲、機(jī)器翻譯等領(lǐng)域獲得成功，使得人工神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)獲得了人工智能研究的核心地位。深度學(xué)習(xí)在處理感知、識(shí)別和判斷等方面表現(xiàn)突出，能幫助構(gòu)建聰明的人工智能，但在模擬人的思考過程、處理常識(shí)知識(shí)和推理，以及理解人的語言方面仍然舉步維艱。

哲學(xué)家柏拉圖把知識(shí)（Knowledge）定義為“Justified True Belief”，即知識(shí)需要滿足三個(gè)核心要素：合理性（Justified）、真實(shí)性（True）和被相信（Believed）。簡而言之，知識(shí)是人類通過觀察、學(xué)習(xí)和思考有關(guān)客觀世界的各種現(xiàn)象而獲得并總結(jié)出的所有事實(shí)（Fact）、概念（Concept）、規(guī)則（Rule）或原則（Principle）的集合。人類發(fā)明了各種手段來描述、表示和傳承知識(shí)，如自然語言、繪畫、音樂、數(shù)學(xué)語言、物理模型、化學(xué)公式等。具有獲取、表示和處理知識(shí)的能力是人類心智區(qū)別于其他物種心智的重要特征。人工智能的核心也是研究怎樣用計(jì)算機(jī)易于處理的方式表示、學(xué)習(xí)和處理各種各樣的知識(shí)。知識(shí)表示是現(xiàn)實(shí)世界的可計(jì)算模型（Computable Model of Reality）。從廣義上講，神經(jīng)網(wǎng)絡(luò)也是一種知識(shí)表示形式，如圖1-3所示。

圖1-3 知識(shí)圖譜幫助構(gòu)建有學(xué)識(shí)的人工智能

符號(hào)派關(guān)注的核心正是知識(shí)的表示和推理（KRR,Knowledge Representation and Reasoning）。早在1960年，認(rèn)知科學(xué)家Allan M.Collins提出用語義網(wǎng)絡(luò)（Semantic Network）研究人腦的語義記憶。例如，WordNet[23]是典型的語義網(wǎng)絡(luò)，它定義了名詞、動(dòng)詞、形容詞和副詞之間的語義關(guān)系。WordNet被廣泛應(yīng)用于語義消歧等自然語言處理領(lǐng)域。

1970年，隨著專家系統(tǒng)的提出和商業(yè)化發(fā)展，知識(shí)庫（Knowledge Base）構(gòu)建和知識(shí)表示更加得到重視。專家系統(tǒng)的基本想法是：專家是基于大腦中的知識(shí)來進(jìn)行決策的，因此人工智能的核心應(yīng)該是用計(jì)算機(jī)符號(hào)表示這些知識(shí)，并通過推理機(jī)模仿人腦對(duì)知識(shí)進(jìn)行處理。依據(jù)專家系統(tǒng)的觀點(diǎn)，計(jì)算機(jī)系統(tǒng)應(yīng)該由知識(shí)庫和推理機(jī)兩部分組成，而不是由函數(shù)等過程性代碼組成。早期的專家系統(tǒng)最常用的知識(shí)表示方法包括基于框架的語言（Frame-based Languages）和產(chǎn)生式規(guī)則（Production Rules）等。框架語言主要用于描述客觀世界的類別、個(gè)體、屬性及關(guān)系等，較多地被應(yīng)用于輔助自然語言理解。產(chǎn)生式規(guī)則主要用于描述類似于IF-THEN的邏輯結(jié)構(gòu)，適合于刻畫過程性知識(shí)。

知識(shí)圖譜與傳統(tǒng)專家系統(tǒng)時(shí)代的知識(shí)工程有著顯著的不同。與傳統(tǒng)專家系統(tǒng)時(shí)代主要依靠專家手工獲取知識(shí)不同，現(xiàn)代知識(shí)圖譜的顯著特點(diǎn)是規(guī)模巨大，無法單一依靠人工和專家構(gòu)建。如圖1-4所示，傳統(tǒng)的知識(shí)庫，如Douglas Lenat從1984年開始創(chuàng)建的常識(shí)知識(shí)庫Cyc，僅包含700萬條的事實(shí)描述（Assertion）。Wordnet主要依靠語言學(xué)專家定義名詞、動(dòng)詞、形容詞和副詞之間的語義關(guān)系，目前包含大約20萬條的語義關(guān)系。由著名人工智能專家Marvin Minsky于1999年起開始構(gòu)建的ConceptNet[24]常識(shí)知識(shí)庫依靠了互聯(lián)網(wǎng)眾包、專家創(chuàng)建和游戲三種方法，但早期的ConceptNet規(guī)模在百萬級(jí)別，最新的ConceptNet 5.0也僅包含2800萬個(gè)RDF三元組關(guān)系描述。谷歌和百度等現(xiàn)代知識(shí)圖譜都已經(jīng)包含超過千億級(jí)別的三元組，阿里巴巴于2017年8月發(fā)布的僅包含核心商品數(shù)據(jù)的知識(shí)圖譜也已經(jīng)達(dá)到百億級(jí)別。DBpedia已經(jīng)包含約30億個(gè)RDF三元組，多語種的大百科語義網(wǎng)絡(luò)BabelNet包含19億個(gè)RDF三元組[25],Yago3.0包含1.3億個(gè)元組，Wikidata已經(jīng)包含4265萬條數(shù)據(jù)條目，元組數(shù)目也已經(jīng)達(dá)到數(shù)十億級(jí)別。截至目前，開放鏈接數(shù)據(jù)項(xiàng)目Linked Open Data統(tǒng)計(jì)了其中有效的2973個(gè)數(shù)據(jù)集，總計(jì)包含大約1494億個(gè)三元組。

圖1-4 現(xiàn)代知識(shí)圖譜的規(guī)模化發(fā)展

現(xiàn)代知識(shí)圖譜對(duì)知識(shí)規(guī)模的要求源于“知識(shí)完備性”難題。馮·諾依曼曾估計(jì)單個(gè)個(gè)體大腦的全量知識(shí)需要2.4×1020個(gè)bits存儲(chǔ)[26]。客觀世界擁有不計(jì)其數(shù)的實(shí)體，人的主觀世界還包含無法統(tǒng)計(jì)的概念，這些實(shí)體和概念之間又具有更多數(shù)量的復(fù)雜關(guān)系，導(dǎo)致大多數(shù)知識(shí)圖譜都面臨知識(shí)不完全的困境。在實(shí)際的領(lǐng)域應(yīng)用場(chǎng)景中，知識(shí)不完全也是困擾大多數(shù)語義搜索、智能問答、知識(shí)輔助的決策分析系統(tǒng)的首要難題。