知识图谱技术都应用在哪些场景？（二）-天上虹翻译

知识图谱技术都应用在哪些场景？（二）-天上虹翻译

天上虹的技术前沿栏目将继续为您推送有关技术前沿的优质内容。上一篇中，我们对知识图谱技术在2020年取得的进步有了细致的了解，但知识图谱技术都在哪些具体场景得以发挥其巨大的作用呢？让我们一起走进技术的窗口，洞中窥豹，为自己所用吧！

知识图谱是把人类的知识和经验代码化的有效工具，赋予机器认知智能以构建智能体在不同应用场景中代替或帮助人类解决实际问题。应用场景可从通用和垂直两个方向进行探讨。

首先，知识图谱在通用领域的应用：

一、数据治理

2020 年，知识图谱被逐渐应用在数据治理中。政务、金融、审计等行业均有尝试。

部分企业提出数据、管理、业务的三层图谱概念。也有企业从场景落地出发，提出“数据”与“知识”双驱动：即，从生产、经营、管理等实际业务场景出发，将业务、流程、指标中的知识构建成知识图谱。

一方面，应用知识图谱将业务场景与数据关联起来，让机器知道什么业务场景需要什么数据，这些数据必须达到怎样的标准和质量，进而帮助数据治理；另一方面，通过数据治理所形成的业务发现沉淀到知识图谱里，在数字化转型中释放价值。

这样一来，一些传统数据治理中的难题得到进一步解决：通过知识、模型以及图结构的应用，一些错误的、不一致的信息可以被发现、统一；基于业务规则定义，可识别潜在的数据关联关系，进一步补充信息。

知识图谱将业务数据、产业知识、通用常识、机理模型、决策网络、机器学习模型进行混合存储，实现知识和数据沉淀赋能智能应用。在业务场景的驱动下，应用知识图谱可以有效实现数据治理与业务治理的迭代闭环。

二、搜索与推荐

随着知识图谱的深层应用，2020年，搜索与推荐更加智能，并在消费领域之外的生产、管理等方向不断下沉。

在面向生产、管理等垂直业务领域，领域知识、事件图谱的应用提升了检索效率与质量。一些非结构化或半结构化数据应用较多的专业，如审计、医疗、金融、司法、各类型研究结构等，文书、文献、案例 / 判例、研究成果、专家经验被引入到领域知识图谱的构建中。通过对不同层次知识分析、加工、结构化处理，在常规检索之外，实现知识的钻取和深度挖掘。

在这个过程中，一些企业通过知识标注工具，将业务实体、属性和关联关系标记出来，把标记的实体和关系存入知识库，并把它们沉淀成自动知识抽取模型的训练语料；也有一些企业通过映射、连接及各类 D2R 操作，将结构化数据库的数据字典、表结构、关系及数据库内容转换为知识图谱的本体、业务实体、实体间关系组成的三元组，以便于人们从研究对象、研究主题、业务分类等多个维度检索出相关结果。

其次，知识图谱在垂直领域的应用：

一、智慧生产

工业知识图谱是知识图谱的重点发展方向。今年人们对知识图谱在生产领域的探索贯穿了产品生产的各个环节：

1）仿真模拟：

以石油化工业领域的应用为例。考虑到石化产业具有易燃易爆、工艺复杂等特点，现实中有大量无法通过机理模型或模拟软件解释的现象。为方便生产线工人的日常作业，人们通过构建产业链知识图谱，在短时间内从众多影响因子的因果变化关系中进行生产操作前的模拟：如工人准备改变某可操作变量时，可通过图谱预测操作带来的变化；如工人试图达到某结果时，可通过图谱提前预判操作步骤 [1]。

2）产品研发：

在知识图谱的支撑下可以围绕产品发展趋势为新产品市场定位提供决策知识；可以识别新产品在不同使用场景下的使用方法和使用要求，推送其他产品的应用案例；还可以提供已有的相似产品、相关技术、领域专家和信息化工具软件等信息 [2]。

3）产品质量提升：

通过监控生产过程中的实时参数曲线构建核心部件的健康指数模型，在识别关键因素的基础上进行参数推荐，提升良品率。

4）生产预测：

在机理模型与经验模型融合的基础上，结合生产知识图谱实现图迭代计算，计算出某因子发生变化时整个关系网络达到稳定后各个产物节点的状态值，实现更准确的生产预测 [3]。

5）供应链风险管理及零部件选型：

可以汇集产品知识、物流知识、采购知识、制造知识、交通信息等等构建供应链及零部件图谱，将采购、物流、制造联系起来，通过语义网（关系网）实现供应链风险管理与零部件选型。

6）节能减排：

集成、分析物联网传感器和系统的信息，打通建筑物管理、居住舒适度调节、电源监控等数据孤岛，构建智能建筑领域的物联网知识图谱。降低开发者和工程师的工作量，实现最优化的智能建筑运营 [4]。

7）设备故障预警与安全生产：

以石油领域为例，油田联合站承担原油处理、存储与外输任务，是一级防火、甲级防爆单位。通过设备知识图谱和决策知识图谱，一方面可以将设备的生产参数变化转换为状态变化和各种生产现象，模拟专家分析设备运行过程，对设备运行状态进行预测；此外，还能基于不同生产现象的变化在决策图谱中自动选择最优措施方案，生成决策建议，通知现场管理人员进行现场作业和处理。

二、智能营销

消费者、商品的图谱构建更加深入、完善。

1）消费者：

数据进一步打通。除用户基本信息、行为特征之外，兴趣、场景、需求等内容也逐渐丰富到消费者图谱内。用户价值模型、购买驱动因素模型等模型应用也扩展了图谱内容。

2）商品：

一些企业通过构建事件图谱、视频理解图谱强化对事件、场景的感知，尝试从文本到多媒体的跨越，丰富产品构建内容；在消费品领域，消费者对产品的别称、昵称、缩写等非常丰富，制约了图谱构建效率，还有一些企业在图融合领域不断探索，提升实体的自动化对齐效果。

部分应用：

1）自动撰文：

挖掘主竞品文章中对业务有价值的高频词语和短语，形成实体库；通过本体及实体的挖掘找到人群与需求、人群与场景的关系；挖掘属性和评价词语，与相关实体关联，形成实体的评价印象；解析句子的语法结构以及与本体、实体的关联，使机器撰写更接近人的行文习惯。

2）购买意向预测与内容推荐：

结合机器感知、特征标签和业务经验对用户特征进行价值挖掘，把用户特征输出成参数，用模型筛选出适合参加某些活动的人群；通过聚类，利用 K-means 对具有较高购买可能性的人群进行类别划分；针对不同群体的需求，如价格、兴趣、场景等传递不同的内容信息，提升内容推荐效果。

三、AIOps（智能运维）

主要是将知识图谱与根因分析相结合，进一步提升运维效率和质量。

今年比较流行的做法是：通过应用业务日志、CMDB 配置系统等数据构建异常事件图谱；再运用推导模型进行根因定位，对存在异常的子系统及其相关的 IP、DCN、服务信息进行提取，对异常事件知识图谱进行裁剪；最后，再应用规则引擎推导出根因结论 [5]。

一些企业会针对告警数据进行分类，利用软硬件知识图谱将有关联的物理机、虚拟机和软件数据汇聚为一组，便于后续建模和应用；一些企业对不同时间粒度的样本构建因果图，通过对算法构建的因果图构建告警知识图谱，让运维人员在快速查询故障设备信息的基础上进一步了解故障发生原因以及后续处理步骤 [6]；

还有一些企业尝试将基于专家规则的推理与基于描述逻辑的推理、基于分布式表示的表示学习推理、本体推理、复合推理相结合，利用知识图谱让系统自动采取相应的恢复手段、维护策略，实现网络的 “自维护” [7]。

四、智能管理

这里，我们主要介绍在政府管理中的应用。

我们知道，在政府日常管理中，政务数据与政府、企业、非盈利组织和公民等多角色密切相关，需要依据各类规章制度，涉及大量单据、文档材料等非结构化、半结构化与结构化数据。由于政务业务的变动和对数据的认知变化导致的数据类别上的增加或变化的发生频率很高，知识图谱的本体自动构建技术和基于动态知识图谱的数据集成方案技术非常必要。

今年，一些企业正在基于聚类算法和强化学习结合的模式开发 schema 自动构建和根据反馈调整知识图谱的能力来满足业务动态变化的需求，以减少工作成本，提升效率 [8]。还有一些企业利用动态知识谱图技术，将模型与数据进行解耦，降低大规模数据集成场景下知识图谱变化带来的计算压力 [9]。

通过知识图谱的应用，一方面打破了数据孤岛，将大规模、碎片化的多源政务数据关联起来，以实体为基本单位对政务数据进行挖掘，揭示各实体间的复杂关系，实现知识层面的数据融合与集成。同时，也更大程度的释放了政务数据价值，为政府部门、企业、非营利组织、公民提供更高水准的服务，提高政府监管效率和效能[1]。

由此可见，知识图谱的应用空间十分广阔。关注前沿科技，走进最新技术，天上虹翻译的技术翻译服务，让您省时省力更省心！

Sources:

[1] 中国电子技术标准化研究院, “知识图谱标准化白皮书,” 2019.

[2] 中智观察, “火了一年后，知识图谱在哪些场景开始应用？,” 18 09 2020.

[3] 工业互联网产业联盟, “工业智能白皮书,” 2020.

[4]““新基建”中的佼佼者：基于知识图谱的工业互联网,” 08 06 2020.

[5] 叶金瓒, “智能运维系列（五）| 浅析基于知识图谱的根因分析系统,” 13 07 2020.

[6] 汤泳, “苏宁基于知识图谱的大规模告警收敛和根因定位实践,” 09 11 2020.

[7] 华为云开发者社区, “如何让知识图谱告诉你“故障根因”,” 15 09 2020.

[8] InfoQ 编辑部, “InfoQ 编辑部开年聊聊 2020 年值得关注的十大技术趋势,” 02 01 2020.

[9] 百分点认知智能实验室, “基于动态知识图谱的大规模数据集成技术,” 31 05 2020.

知识图谱技术都应用在哪些场景？（二）-天上虹翻译

分享至微信分享