Bilgi grafiğini üç perspektiften anlamak
2012 yılında, Google ilk olarak "bilgi grafiği" terimini önerdi. Sonuç olarak, bilgi grafikleri de sektörde giderek daha fazla görünmeye başladı ve bilgi grafikleri ve ilgili kavramların anlaşılması gerçekten daha kafa karıştırıcı. Büyük veri tek boynuzlu at Palantir'i inceledikten sonra, bilgi grafiği ile temasa geçmeye başladım ve bunu belirli bir anlayışa sahip oldum.İşte bilgi grafiğini üç açıdan nasıl anlayacağıma dair bir özet.
Birkaç temel kavram: ontoloji, varlık, bilgi tabanı, bilgi grafiği
1. Ontoloji bir kavramlar derlemesidir, herkes tarafından tanınan kavramsal bir çerçevedir ve genellikle "kişi", "şey", "şey" gibi değişmez,
Nesne yönelimli programlamada "yer" ve "organizasyon", biz buna sınıf diyoruz, veri yönetiminde, buna meta veri diyoruz;
2. Varlık, ontoloji, örnek ve ilişkinin bütünleşmesidir. Örneğin, "kişi" ontoloji çerçevesindeki bir kavramdır ve kavramda "cinsiyet" gibi ilgili özellikler de belirtilmiştir. Xiao Ming, örnek olarak adlandırılan belirli bir kişidir, bu nedenle Xiao Ming'in de cinsiyeti vardır , Xiao Ming ve ontolojik "kişi" kavramı ve Xiao Ming'i somutlaştıran ilgili nitelikler, varlık olarak adlandırılır (kısaca: ontoloji + örnek);
3. Birçok varlık tarafından oluşturulan veritabanına dbpedia gibi bir bilgi tabanı adı verilir;
4. Bilgi grafiği, çeşitli varlıkları anlamsal ilişkilendirmeler yoluyla ilişkilendiren bir grafik organizasyon biçimidir.Önceden, buna bilgi grafiği değil, anlamsal web deniyordu. Bilgi grafiği, yapılandırılmış ve yapılandırılmamış verileri, veri yönetimi ve anlamsal bağlantı fikirlerini içeren veri çıkarma ve entegrasyon yoluyla birleştirir ve büyük ölçekli verilerin kullanımı ve taşınması için elverişlidir.
1. Veri yönetişimi perspektifinden
Anladığım kadarıyla, bilgi grafiğinin yapısı dinamik ontoloji teorisine dayalıdır.Bir tam veri ontolojisi seti, farklı veri formlarını seri olarak dönüştürebilir ve bunları kullanım için kapsamlı bir veri sistemine birleştirebilir. Örneğin, Guomai Data tarafından önerilen veri gen sistemi, hükümet verileri için bir ontoloji çerçevesi seti olması gerektiğini düşünüyorum (layman'ın terimleriyle, bir veri kataloğu), bu çerçeve hükümet verilerinin "geni" gibidir ve diğer veriler de bu Temeli üzerine kurulmuştur. Nesne yönelimli programlama teorisinde "sınıf" olarak anlaşılabilir ve veri yönetiminde üst veri olarak da anlaşılabilir. Bu eksiksiz ontoloji çerçevesi ile, kurumsal veya hükümet veri yönetişiminin temelini attı. Sözde veri yönetişimi, basit bir anlayış, verileri ve işi stratejik bir perspektiften ayırmaktır Ne tür veriler var? nasıl kullanılır? İşletmenin etrafında standart bir veri sistemi nasıl oluşturulur? Bekle. Bir bilgi grafiği oluşturma süreci, aslında alanla ilgili her türlü veriyi ayırmak ve birleştirmek ve dağınık verileri ontoloji çerçevesi aracılığıyla yapılandırılmış verilere entegre etmektir. Hangzhou, Zhejiang tarafından öne sürülen "bir kez maksimum çalışma" e-devlet hizmeti kavramı da bu bakış açısını özel uygulama sürecine yansıtıyor.
Bilgi grafikleri, çok kaynaklı heterojen verilerin entegrasyonunu kolaylaştırmanın yanı sıra çok modlu (metin, video ve görüntü) verilerin entegrasyonunu da kolaylaştırır. Son zamanlarda, Google, nispeten karmaşık bir görev olan girdi olarak birden çok metin, resim ve video modalitesiyle birlikte öğrenmek olan multimodal görev öğrenme adı verilen bir çalışma üzerinde çalışıyor. Ancak anlamsal bağlantının rolü bir problem çözme yönü olabilir. Örneğin, Alinin "Resimlere Bak ve Konuş" uygulaması görüntülerdeki varlıkları ve davranışları belirlemek ve ardından bunları metin biçiminde sunmak için derin öğrenmeyi kullanır. Görüntüler metne dönüştürülebildiğinden videolar da metne dönüştürülebilir.Bu nedenle, derin öğrenme birden fazla yöntemi dönüştürmek ve bağlantı ve anlama için anlambilim kullanmak için kullanılır.Bu ilgili sorunları çözebilir.
İkincisi, anlamsal bağlantı perspektifi
Makine öğrenimi sürecinde, özellik mühendisliği özellikle can sıkıcıdır. Verileri sıralayan bir büyük veri rekabeti olsa bile, gerçek işleme sürecinde, uygun özellikleri bulmak için her tablonun verilerini nasıl birleştireceğinizi veya algoritmanın uygun özellikleri kendi kendine bulmasına izin vermeyi düşünmek gerekir. Bu nedenle, ilgili verilerin nasıl ilişkilendirileceği, yani veri füzyonunun nasıl gerçekleştirileceği, algoritmaların kullanımı için önemli bir öncül ve anahtar haline gelmiştir. Bilgi grafiğinin yapısının veri füzyonuna elverişli olduğunu gördüğümde hemen ilgimi çekti, ancak daha sonra bunun makine öğrenimimizde yer alan özellik bağlantısından biraz farklı olduğunu keşfettim.
Çok kaynaklı verilerin birleştirilmesinden, aşağıdaki gibi başlıca üç yöntem vardır:
1. Aşamalı kullanım: Bunu anlamak daha kolaydır, yani önce bir tür veri kullanın ve sonra bir tür veri kullanın;
2. Özellik birleştirmeyi kullanın: Çoğu makine öğrenimi algoritması bunu yapar ve özelliklerin sayısı belirli duruma göre artırılabilir veya azaltılabilir;
3. Anlamsal bilginin kaynaşmasına dayanır: Anlamsal bilginin kaynaşması, ontoloji arasındaki, doğal dil işlemeyi, istatistiksel analiz olasılığını, anlambilimsel ağı vb. İçeren ilişki nitelikleriyle yansıtılır. Örneğin, iki cümledeki "Xiao Hong'un babası (Xiao Ming)" ve "Xiao Hong'un annesinin kocası (Xiao Ming)", aynı kişiye Xiao Ming'e atıfta bulunur. Bağlam analizi, anlam analizi vb. Aracılığıyla İki kişinin aynı kişi olma olasılığı% 100'dür. Aşağıda gösterildiği gibi, bilgi tabanı muhakemesinin daha pratik bir örneğini verin
Bilgi tabanında bulunan anlamsal bilgi şudur: < Profesör Wang, erkek hastalıkları tanı ve tedavi merkezine aittir. > Hem de < Profesör Wang, uzmanlaşan, STD prostatit > . Ancak yok < Profesör Wang, uzmanım, akut prostatit > Bilgi grafiğinin anlamsal muhakemesiyle elde edilmiştir < Profesör Wang, uzmanım, akut prostatit > .
Burada açıklamak istediğim şey, derin öğrenmenin özünün aslında ağır, yüksek verimli "anlambilimsel" bir bağlayıcı olmasıdır, ancak buradaki "anlambilim", anlaşılması kolay olmayan gizli anlambilimdir. Bazı insanlar derin öğrenmenin bilgiyi uçtan uca aktaran genelleştirilmiş bir çeviri makinesi olduğunu söylüyor. Bilgi grafikleri ve derin öğrenme için: derin öğrenme, tahminlerde bulunmak için insanların anlaması zor olan bir kara kutu kullanır; bilgi grafikleri ise, insanların anlaması kolay olan anlamsal analizi akıl yürütmek için kullanır. Bilgi grafikleri ve derin öğrenmenin birleşimi, derin öğrenmenin etkisini daha da artırmak için önemli fikirlerden biri haline geldi. Bilgi grafikleri ile temsil edilen sembolizm ve derin öğrenmeyle temsil edilen bağlantı, bağımsız gelişimin orijinal yolundan giderek daha fazla sapmakta ve yeni bir sinerji yoluna girmektedir. Mevcut çapraz uygulamalar aşağıdaki gibidir:
1. Bir bilgi grafiği oluşturmak için derin öğrenmeyi kullanın: varlık tanıma, ilişki tanıma vb. İçin derin öğrenmeyi kullanın;
2. Verileri yönetmek için bilgi grafiklerini ve özellik mühendisliği yapmak için derin öğrenmeyi kullanın;
3. Bilgi grafiğini ifade etmek için sembolleri kullanın, sembolize edilmiş bilgi grafiğini öğrenmek için derin öğrenmeyi kullanın, bilgi grafiğinin anlamsal bilgilerini derin öğrenme modeline girin ve ayrıklaştırılmış bilgiyi sürekli bir vektör olarak ifade edin, böylece bilgi grafiği ilk olur Deneyim bilgisi derin öğrenmenin girdisi olarak adlandırılabilir;
4. Bilgiyi, derin öğrenme modelinin öğrenme sürecine rehberlik etmek için optimizasyon hedefinin kısıtlaması olarak kullanın, genellikle bilgi grafiğindeki bilgiyi optimizasyon hedefinin sondaki normal terimi olarak ifade edin.
3. Akıllı uygulama perspektifi
Bilgi grafiği, aslında Google tarafından bilgi aramasına uygulanan bir addı ve daha önce bilgi grafiği olarak adlandırılmıyordu. Bilgi grafiklerinin endüstri uygulaması için, şu anda temel olarak bazı akıllı Soru-Cevap / sohbet robotları / müşteri hizmetleri, arama, kurumsal zeka, tıbbi hizmetler, kütüphane bilgi hizmetleri, finansal hizmetler vb. Temel alınmıştır. Google, Baidu, Sogou, vb. Soru ve cevapta, karar desteğinde Qifang Technology, Palantir, Minglue, Zhiqi Cloud vb. Müşteri hizmetleri robotları ve elbette bilgi grafikleri için ilgili bileşenleri sağlayan bazı anlamsal analiz şirketleri var. Daguan Teknolojisi, Zhiyan Teknolojisi vb.
Soru-Cevap ve arama uygulamalarında, bilgi grafiği, "yanıtladığınız şey sorduğunuz şeydir", örneğin Yao Ming araması ne kadar yüksek olduğunu elde etmek için, kendi başınıza filtrelemeniz için bir grup benzer sayfa döndürmek yerine, size doğru sonuçlarla sunulan aramaları yapabilir. , Döndürülen sonuç Yao Ming'in belirli yüksekliğidir.
Önceki arama motorları, temelde Yao Ming'in yüksekliği gibi, web sayfasında zaten yazılmış olan ve hepsi statik sonuçlar olan şeyleri döndürüyordu. Ve bilgi grafiğinin muhakeme işlevini kullanarak dinamik sonuçlar da elde edebiliriz.Wolfram | Alpha bilgi hesaplama motorunda, matematiksel sorularımızı girebilirim ve motor doğrudan cevaplar verebilir, ancak bu cevaplar açıkça önceden yazılmamıştır . Kurumsal zeka uygulamalarında, bilgi grafiği sayesinde, anormallikleri tespit etmek ve riskleri kontrol etmek için ilgili verileri ilişkilendirebilirim.
Bundan önce biri, yapay zekanın ürün yöneticisi olarak bilgi grafiğini anlamanız gerektiğini söyledi. Yapay zeka çağında bilgi grafiği neden bu kadar önemli? Bu, bilgi grafiğinin ilgili teknolojisinin gerçekleştirilmesinden kaynaklanmaktadır. Bilgi grafiğinin inşası, temel olarak bilgi edinme, bilgi modelleme, bilgi depolama, bilgi füzyonu, bilgi hesaplama, bilgi ifadesi, bilgi uygulaması vb. İçerir. Bunlar arasında, bilgi edinimi ve bilgi füzyonu, esas olarak varlık tanıma, varlık bağlama, vb. İçeren daha zor noktalardır ve bunları çözmek için temel ön koşul NLP teknolojisidir. Yapay zeka teknolojilerinin ağırlıklı olarak görüntü tanıma, konuşma tanıma ve anlamsal tanımayı içerdiğini biliyoruz.Bunlar arasında, görüntü tanıma ve konuşma tanıma teknolojileri büyük atılımlar yaptı ve anlamsal tanıma, özellikle NLP'de derin öğrenme uygulaması hala emekleme aşamasında. Pek çok insan akıllı hoparlörlerin bir sonraki giriş noktası olabileceğini söylüyor. Akıllı hoparlörlerin elektrikli cihazları vb. Çalıştırmasını istiyorsanız, konuşmacılara ne söylediğinizi (ses tanımayı kullanarak) bildirmenin yanı sıra, aynı zamanda konuşmacıların ne demek istediğinizi bilmesini sağlayın. (Anlamsal tanımayı kullanarak), anlamsal tanımanın önemini ve anlambilim arasındaki ilişkinin bilgi grafiğini görebiliriz.
Bilgi grafiğini anlamak ve inşa etmek, özellikle bilgi grafiğini anlamak ve bunu gerçek işletmeye uygulamak zor bir süreçtir. Yukarıdakiler, öğrenme sürecim sırasında ortaya çıkan bazı sonuçlar ve bilgilerdir ve umarım herkes birlikte iletişim kurabilir.
Zhihu'dan transfer: https://zhuanlan.zhihu.com/p/33227133
