本文主要是介绍阿里知识图谱首度曝光：用机器学习构建推理引擎，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
阿里知识图谱每天保持千万级别的拦截量，亿级别的全量智能审核次数，在滥发、侵权、合规、假货、经营范围等多个场景全面与问题卖家正面交锋，实时对弈，最大限度地保护知识产权，保护消费者权益。
什么是知识图谱？
在互联网时代，搜索引擎是人们在线获取信息和知识的重要工具。当用户输入一个查询词，搜索引擎会反馈它认为与这个关键词最相关的网页。
直到2012年5月，搜索引擎巨头谷歌在它的搜索页面中首次引入“知识图谱”：用户除了得到搜索网页链接外，还将看到与查询词有关的更加智能化的答案。
从杂乱的网页到结构化的实体知识，搜索引擎利用知识图谱能够为用户提供更具条理的信息，甚至顺着知识图谱可以探索更深入、广泛和完整的知识体系，让用户发现他们意想不到的知识。谷歌高级副总裁艾米特·辛格博士一语道破知识图谱的重要意义所在：“构成这个世界的是实体（things），而非字符串（not strings）”。
阿里知识图谱
阿里的主要业务是电商。它的知识图谱以商品、标准产品、 标准品牌、 标准条码、标准分类为核心， 利用实体识别、实体链指和语义分析技术，整合关联了例如舆情、百科、国家行业标准等9大类一级本体，包含了百亿级别的三元组，形成了巨大的知识网。雷锋网AI科技评论到，这些海量的数据来源于淘宝、天猫、1688、AliExpress等多个市场，同时品牌商、行业运营、治理运营、消费者、国家机构、物流商等多种角色参与其中，贡献着、校正着这样一个庞大的商品库。这个知识图谱对无论是知识产权保护，还是提升消费者购物体验，实现商品数据的标准化（商品规范的统一和商品信息的确定性）, 以及与内外部数据之间的深度互联，意义都非常重大。比如商品标准化可以让我们知道哪些商品是同样一件产品，我们才能确切地知道一个品牌是否被授权，品牌下的产品卖到了哪些市场。
阿里知识图谱运用
阿里的商品知识图谱广泛地应用于搜索、前端导购、平台治理、智能问答、品牌商运营等核心、创新业务。其中最明显的应用之一体现在阿里电商平台的管控上。过去只能通过人工“巡检”来对商品发布进行审核，而现在面对海量的商品发布量，“巡检”模式显然已不太现实。根据阿里技术的官方介绍，
“阿里知识图谱就像一张过滤网，最大可能地借助大数据、人工智能阻止不良商家、问题商品进入阿里生态。面临问题商家实时的对弈、变异和恶意攻击等诸多挑战，阿里知识图谱可以保持每天千万级别的拦截量，亿级别的全量智能审核次数，在滥发、侵权、合规、假货、经营范围等多个场景全面与问题卖家正面交锋，实时对弈。”
根据阿里技术的介绍，为了最大限度地保护知识产权，保护消费者权益，阿里知识图谱团队对知识图谱推理引擎技术提出了智能化、自学习、毫秒级响应、可解释等更高的技术要求。
张伟 （花名：览图）博士, 阿里巴巴商品知识图谱负责人
引入机器学习算法搭建推理引擎
据了解，阿里知识图谱研究团队设计了一套框架来实现知识表示和推理。此外：知识图谱实体、关系、词林（同义词、上下位词）、垂直知识图谱（例如地理位置图谱、材质图谱）、机器学习算法模型等都纳入进来做统一的描述。
按照不同场景把推理分为：上下位和等价推理；不一致性推理；知识发现推理；本体概念推理等。例如：
1. 上下位和等价推理。检索父类时，通过上下位推理把子类的对象召回，同时利用等价推理（实体的同义词、变异词、同款模型等），扩大召回。 例如，为保护消费者我们需要拦截 “产地为某核污染区域的食品”，推理引擎翻译为 “找到产地为该区域，且属性项与“产地”同义，属性值是该区域下位实体的食品，以及与命中的食品是同款的食品”。
2. 不一致推理。在与问题卖家对弈过程中，我们需要对商品标题、属性、图片、商品资质、卖家资质中的品牌、材质、成分等基础信息，做一致性校验。比如说标题中的品牌是Nike而属性或者吊牌中品牌是Nake，如下图所示，左边描述了商品标题、属性、吊牌上的品牌信息是一致的，推理为一致。右边为吊牌和商品品牌不一致的商品，被推理引擎判断为有问题的商品。
3. 知识发现推理。一致性推理的目的是确保信息的确定性，例如通过一致性推理我们能确保数据覆盖到的食品配料表正确。但消费者购物时很少看配料表那些繁杂的数字。消费者真正关心的是无糖、无盐等强感知的知识点。为了提高消费者购物体验，知识发现推理通过底层配料表数据和国家行业标准例如：
无糖：碳水化合物≤ 0.5 g /100 g（固体）或100 mL（液体）
无盐：钠≤5mg /100 g 或100 mL
可以把配料表数据转化为“无糖”“无盐”等知识点。从而真正地把数据变成了知识。通过AB test验证，类似知识点在前端导购中极大地改善了消费者购物体验。
推理引擎背后技术框架
首先，推理引擎把自然语言通过语义解析(semantic parsing)转换为逻辑表达式(logical form)。语义解析采用了结合神经网络和符号逻辑执行的方式：自然语言经过句法、语法分析、 NER、 Entity Linking， 被编码为分布式表示(distributed representation)，句子的分布式表示被进一步转义为逻辑表达式。
在分布式表示转换为逻辑表达式的过程中，首先面临表示和谓词逻辑(predicate)操作之间映射的问题。我们把谓词当做动作，通过训练执行symbolicoperation，类似neural programmer中利用attention机制选择合适的操作，即选择最有可能的谓词操作，最后根据分析的句法等把谓词操作拼接为可能的逻辑表达式，再把逻辑表达式转换为查询等。过程示意如下图所示。
其次，逻辑表达式会触发后续的逻辑推理和图推理。逻辑表达式在设计过程中遵循以下几个原则：逻辑表达式接近人的自然语言，同时便于机器和人的理解。表达能力满足知识图谱数据、知识表示的要求。应该易于扩展，能够非常方便的增加新的类、实体和关系，能够支持多种逻辑语言和体系，如Datalog、OWL等，即这些语言及其背后的算法模块是可插拔的，通过可插拔的功能，推理引擎有能力描述不同的逻辑体系。
以上下位和等价推理为例：“产地为中国的食品”
用逻辑表达式描述为：
∀x: 食物(x) ⊓ (∀ y: 同义词(y，产地)) (x, (∀ z: 包括下位实体(中国, z)))
随后找同款：
∀t, x: ($ c:属于产品(x, c) ⊓属于产品(t, c))
此外，推理引擎还用于知识库自动补全。是基于embedding做知识库补全。主要思路是把知识库中的结构信息等加入embedding，考虑了Trans系列的特征，还包括边、相邻点、路径、实体的文本描述 (如详情)、图片等特征，用于新关系的预测和补全。
雷锋网(公众号：雷锋网)AI科技评论小结：以上就是关于阿里知识图谱团队以及业务介绍。这个团队已成立三年，目前已经形成了巨大的知识图谱和海量的标准数据，同时与浙江大学陈华钧教授团队成立联合项目组，引入了前沿的自然语言处理、知识表示和逻辑推理技术。通过NLP、语义推理和深度学习等技术，阿里知识图谱团队将会以更强大的技术体系保障消费者的权益。
这篇关于阿里知识图谱首度曝光：用机器学习构建推理引擎的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
