针对知识图谱(KG)在知识驱动的人工智能研究中发挥的强大支撑作用,分析并总结了现有知识图谱和知识超图技术。首先,从知识图谱的定义与发展历程出发,介绍了知识图谱的分类和架构;其次,对现有的知识表示与存储方式进行了阐述;然后,基于知识图谱的构建流程,分析了各类知识图谱构建技术的研究现状。特别是针对知识图谱中的知识推理这一重要环节,分析了基于逻辑规则、嵌入表示和神经网络的三类典型的知识推理方法。此外,以异构超图引出知识超图的研究进展,并提出三层架构的知识超图,从而更好地表示和提取超关系特征,实现对超关系数据的建模及快速的知识推理。最后,总结了知识图谱和知识超图的典型应用场景并对未来的研究作出了展望。
随着计算机科学相关领域研究的不断深入,人工智能的 研究重心由感知智能转向认知智能。专家系统和语义网络作 为认知智能的早期代表,提出“将知识引入人工智能领域”,在 某些特定领域具备一定的问题解决能力,但仍存在规模较小、 自动化构建能力不足、知识获取困难等一系列问题。知识图谱(Knowledge Graph,KG)的出现,改变了传统的 知识获取模式,将知识工程“自上而下”方式转变为挖掘数据、 抽取知识的“自下而上”方式。经过长期的理论创新与实践探 索,知识图谱已经具备体系化的构建与推理方法。然而,对于 实体关系,知识图谱虽然有较强的建模能力,但难以表达普遍存在的多元关系。知识超图通过引入超边关系,能够完整表 达各种复杂的关系类型,得到学术界和工业界的高度关注。此 外 ,知 识 图 谱 和 知 识 超 图 能 够 结 合 深 度 学 习(Deep Learning,DL)等人工智能技术,实现高效推理。