本文轉(zhuǎn)載自公眾號：機器之心。；?

---

8 月 24 日至 27 日在杭州召開的 2019 年全國知識圖譜與語義計算大會（CCKS 2019）上，百度 CTO 王海峰發(fā)表了題為《知識圖譜與語義理解》的演講。

CCKS 2019 由中國中文信息學(xué)會語言與知識計算專業(yè)委員會主辦，浙江大學(xué)承辦，以「知識智能」為主題，吸引了來自海內(nèi)外的八百多名科研學(xué)者、工業(yè)界專家和知名企業(yè)代表參加。
對知識的研究貫穿于整個人工智能的發(fā)展史，知識圖譜在人工智能技術(shù)領(lǐng)域的熱度也逐年上升。王海峰認為，知識圖譜是讓機器像人類一樣理解客觀世界的基石。在演講中，他用生動的實例展示了百度在知識圖譜和語義理解領(lǐng)域的技術(shù)探索及應(yīng)用，并探討了其未來的發(fā)展方向。

以下是演講實錄：
非常高興能有機會參加知識圖譜和語義計算大會。
我現(xiàn)在在百度負責(zé)的技術(shù)涉及互聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能等方方面面，但是我的專業(yè)其實是自然語言處理、知識圖譜。大概 26 年前，我在哈工大，在李生教授和趙鐵軍教授的指導(dǎo)下做機器翻譯系統(tǒng)。當時，主要是基于規(guī)則的系統(tǒng)，也要用到知識，那時的知識是把人類專家的知識編輯在規(guī)則里，實現(xiàn)語言的理解、生成，然后實現(xiàn)翻譯。
過去 20 多年，這一領(lǐng)域從基礎(chǔ)研究到應(yīng)用，都已經(jīng)發(fā)生了非常大的變化。當然，20 多年相比于自然語言處理這個領(lǐng)域 70 多年的歷史來說，還很年輕。
自然語言處理這樣一個有 70 多年歷史的專業(yè)，現(xiàn)在仍然欣欣向榮，我想有兩個方面的原因：一方面是因為有大量用戶的真實需求，促使我們更多地投入這方面探索應(yīng)用；另一方面自然語言處理發(fā)展了 70 多年遇到的很多問題都還沒有解決，需要我們進一步深入研究。
我首先從人工智能開始介紹。
大家都知道，人類歷史發(fā)展到現(xiàn)在，已經(jīng)經(jīng)歷了三次工業(yè)革命，每次工業(yè)革命都會帶來翻天覆地的變化，生產(chǎn)力的進步帶來了整個社會的變革，生活方式隨之發(fā)生深刻變化。第一次工業(yè)革命使人類走向機械化時代，第二次是帶來了電力，第三次是信息化革命。我們很幸運，今天處在第四次工業(yè)革命的開端，第四次工業(yè)革命的核心驅(qū)動力就是人工智能。當然，人工智能是為了模擬人的能力，需要包括語音、視頻、圖像、AR/VR 等感知方面的技術(shù)，也需要知識圖譜、語言理解等認知方面的技術(shù)。當然，還有機器學(xué)習(xí)，以及最近這些年很重要的深度學(xué)習(xí)等等。

感知能力很多生物都有，而且很多生物這方面的能力比人類強。認知能力則是人類特有的，包括我們的語言和知識。我們通過語言的交流、知識的呈現(xiàn)（知識呈現(xiàn)其實也是基于語言），把知識傳承下來。關(guān)于語言和知識，不管是對于人類還是對于人工智能都是非常重要的。
知識圖譜是讓機器像人類一樣理解客觀世界的基石。
過去這些年，AI 技術(shù)通過深度學(xué)習(xí)取得了非常好的效果，尤其是在語音、視覺等感知技術(shù)上取得了非常大的突破，甚至在很多方面，深度學(xué)習(xí)達到的效果已經(jīng)超過了人類。深度學(xué)習(xí)也給自然語言處理以及知識相關(guān)的技術(shù)帶來了非常大的幫助，但是我們繼續(xù)深入研究、應(yīng)用實踐的時候會發(fā)現(xiàn)，我們還需要更好地結(jié)合知識、推進知識圖譜相關(guān)的工作，才能取得更好的效果。
基本的知識圖譜，會涉及到實體的屬性關(guān)系，每一個實體可能有若干個屬性，實體和實體之間有很多關(guān)系，每一個關(guān)系基本上可以理解為是一個事實。因此知識圖譜就是對客觀世界的描述。百度 AI 多年技術(shù)積累和業(yè)務(wù)實踐的集大成是百度大腦，百度大腦發(fā)展了近 10 年的時間，其中的知識圖譜技術(shù)是從 2013 年開始做的。一方面知識圖譜的規(guī)模在快速增長，另一方面，基于知識圖譜來提供服務(wù)，每天滿足用戶各種需求的量級也在快速增加。過去這些年，百度知識圖譜的服務(wù)規(guī)模大概增長了 490 倍。
百度大腦技術(shù)能力的應(yīng)用，一開始主要集中在搜索引擎上，之后開始突破互聯(lián)網(wǎng)業(yè)務(wù)的范疇，面向各種企業(yè)級的用戶，比如金融、客服、商業(yè)等，發(fā)展各種各樣的應(yīng)用，同時也進行 AI 技術(shù)開放，比如通過百度大腦的 AI 開放平臺，讓大家應(yīng)用到我們的 AI 技術(shù)。
下圖所示是一個比較完整的百度語言和知識技術(shù)的布局。底層的基礎(chǔ)就是知識圖譜，通過知識挖掘、知識整合與補全、分布式圖索引及存儲計算等步驟，構(gòu)建了包括實體、關(guān)注點、事件、行業(yè)知識、多媒體等等多元異構(gòu)知識圖譜。自然語言處理相信大家都不陌生，一個相對完整的自然語言處理體系包括詞法、句法、語義到篇章各個方面。構(gòu)建一個知識圖譜的時候，這里面很多技術(shù)也會被綜合使用。百度語言與知識技術(shù)一方面全面支持百度自己的產(chǎn)品，比如搜索、問答、對話、機器翻譯等等，一方面通過開放賦能很多企業(yè)級的應(yīng)用。

廣義來看，知識圖譜也是語言科學(xué)的一部分，知識的獲取和運用是理解語言不可或缺的；反過來，為了更好地去構(gòu)建、挖掘知識圖譜，語言理解技術(shù)也是十分必要的，語言與知識技術(shù)是相輔相成的。
接下來，我會從這幾個方面來介紹：一方面是多元異構(gòu)的知識圖譜構(gòu)建，這里面會涉及到圖譜構(gòu)建的一些應(yīng)用，包括復(fù)雜知識等等；另一方面，涉及自然語言處理技術(shù)的一些探索。當然，我們的架構(gòu)圖遠比我今天所講的要完整。在實際應(yīng)用中，我們還會通過百度的開源開放平臺，進行數(shù)據(jù)和技術(shù)的開放。
首先說多元異構(gòu)知識圖譜的構(gòu)建。說到知識圖譜，首先就涉及到圖譜的構(gòu)建，涉及到在開放的、海量的數(shù)據(jù)里怎么樣去挖掘數(shù)據(jù)、構(gòu)建超大規(guī)模知識圖譜。我們?nèi)祟悓W(xué)習(xí)知識，是靠各種視覺、聽覺等等去感知世界，不斷地建立和完善知識體系。機器如何學(xué)習(xí)？或者說讓一個機器的大腦怎么去學(xué)？那就要靠數(shù)據(jù), 比如互聯(lián)網(wǎng)上海量的多形態(tài)數(shù)據(jù)，蘊含了很多行業(yè)應(yīng)用的有價值信息。

首先，我們從大量無標簽非結(jié)構(gòu)化數(shù)據(jù)中進行開放知識挖掘，一方面我們基于多維數(shù)據(jù)分析和語言理解技術(shù)自動獲取知識挖掘模板，并通過不斷迭代獲取新模板、挖掘新知識；另一方面我們基于遠程監(jiān)督學(xué)習(xí)來自動構(gòu)建訓(xùn)練語料。為了去除自動構(gòu)建訓(xùn)練語料中的噪聲樣例，我們提出注意力正則化（Attention Regularization）技術(shù)基于實體上下文進行分析，通過模型輸出指導(dǎo)標注語料的選擇。通過這樣一套方法，我們實現(xiàn)在千億級文本中進行更精準地開放知識抽取。

基于開放知識挖掘抽取了大量的 SPO 三元組，需要對其進行歸納整理，我們提出了自底向上的開放本體構(gòu)建，即從開放數(shù)據(jù)中挖掘?qū)嶓w和關(guān)系，從海量實體關(guān)系中自動學(xué)習(xí)實體類別關(guān)系、類別上下位關(guān)系，并逐層抽象形成本體結(jié)構(gòu)，實現(xiàn)知識體系的自學(xué)習(xí)和構(gòu)建。利用這樣一套技術(shù)以后，本體規(guī)模增長了 30 倍，同時事實覆蓋也有一個穩(wěn)定的增長。
另一方面，在這樣海量的數(shù)據(jù)里，有很多相似知識可能是從不同的數(shù)據(jù)、不同的文章里面抽取到的，這些知識如何進行融合、去粗取精，讓它更準確、有效？這又涉及到多源數(shù)據(jù)知識的整合。我們通過語義空間變換技術(shù)實現(xiàn)實體消歧、實體歸一等等，解決知識表示形式多樣，關(guān)聯(lián)融合困難的問題?；谇懊嫣岬降倪@些技術(shù)，我們現(xiàn)在構(gòu)建了一個非常龐大的知識圖譜，里面含有 6 億實體，事實的量或者說各種關(guān)系量已經(jīng)達到了 3780 億。比我們?nèi)祟惔竽X里面儲備的知識多得多。
基本的知識圖譜構(gòu)建了以后，真正要用于各種真實應(yīng)用，又涉及到很多更復(fù)雜的知識。所以我們從簡單實體拓展到復(fù)雜事件，可以描述事件的動態(tài)、時序、空間、條件、概率等等關(guān)系。
下面我們說一下復(fù)雜知識。
比如桃園三結(jié)義的照片，在沒有任何知識的情況下只能識別出畫面中有三個人，有酒，有樹。但是結(jié)合實體知識，我們可以知道這三個人的身份和更多的信息，比如樹是桃樹。進一步基于事件知識，我們知道是東漢末年，劉備、關(guān)羽、張飛三人在桃園結(jié)義。有了事件知識以后，還可以對動態(tài)變化的客觀世界進行建模。

事件圖譜以事件為基本單位，表達事件相關(guān)的元素以及事件間的關(guān)聯(lián)關(guān)系，比如圖中的內(nèi)馬爾轉(zhuǎn)會，中間最左邊是相似事件——姆巴佩轉(zhuǎn)會, 中間則以時間為線，從皇馬開價、被評為最佳球員、皇馬和巴薩的爭奪、到達成轉(zhuǎn)會協(xié)議……形成了一個完整的事件演變脈絡(luò)。而參與事件的角色稱為事件論元，如：內(nèi)馬爾、姆巴佩、巴薩、皇馬等等，與對應(yīng)的實體圖譜相關(guān)聯(lián)。

完整的事件圖譜技術(shù)包括，底層的數(shù)據(jù)，事件圖譜的構(gòu)建（構(gòu)建涉及到事件抽取、事件關(guān)系抽取、事件檢測等技術(shù)），事件圖譜的認知計算，例如事件鏈接、事件計算、事件推理，事件計算包括重要性計算、熱度計算、質(zhì)量計算、相似度計算；事件推理包括事件關(guān)系推理、事件論元預(yù)測、事件演化預(yù)測等。現(xiàn)在我們基本上可以做到分鐘級的熱點事件收錄，實現(xiàn)千萬量級規(guī)模的事件庫，有十幾個領(lǐng)域、4300+事件的類型。事件圖譜應(yīng)用，比如搜索熱點「華為正式發(fā)布鴻蒙」可以呈現(xiàn)出完整的事件發(fā)展過程，幫助用戶清楚地了解事件的來龍去脈；又如三峽大瀑布景區(qū)停業(yè)緊急通知，涉及地圖信息點的發(fā)現(xiàn)、更新。

說完了復(fù)雜知識，我們再說行業(yè)知識。
行業(yè)數(shù)據(jù)量非常龐大，但是真正應(yīng)用在一個行業(yè)里的時候，都需要轉(zhuǎn)化為行業(yè)相關(guān)的專業(yè)性知識。行業(yè)知識，需求到底大到什么程度，舉一些例子：研究報告認為，到 2020 年，行業(yè)數(shù)據(jù)的體量會是非常巨大的，比如說法律專業(yè)每年產(chǎn)出 4 億卷宗，醫(yī)療方面的數(shù)據(jù)會提升 48% 以上。還有一些行業(yè)是知識密集型的，而運營商會用到很多的人工客服，中國有全職客服 500 萬人，人力成本巨大。另一方面，傳統(tǒng)行業(yè)對于大數(shù)據(jù)的應(yīng)用比例還是很低的，比如金融行業(yè)非結(jié)構(gòu)化數(shù)據(jù)占 80% 左右，有效利用率只有 0.4%，而人工構(gòu)建知識圖譜，以 freebase 為例，每條人工成本大約為 2.25 美元，也都不便宜。
與通用知識圖譜相比，行業(yè)知識圖譜有共性也有所區(qū)別。比如說，通用圖譜相對淺層，但覆蓋非常廣。因為通用知識圖譜主要是以互聯(lián)網(wǎng)、大數(shù)據(jù)為基礎(chǔ)的。大家知道，互聯(lián)網(wǎng)經(jīng)過 20 多年的發(fā)展，已經(jīng)和人類日常生活的方方面面都密不可分了，某種程度上，互聯(lián)網(wǎng)可以被理解為客觀世界的一個映射。這個龐大的網(wǎng)絡(luò)能夠構(gòu)建很多種圖譜，但是真正涉及到某個行業(yè)的非常細致、深入的知識圖譜，互聯(lián)網(wǎng)不能都覆蓋到。所以，很多行業(yè)的知識圖譜是相對封閉的，一般是由一些專家去構(gòu)建、去標注。從圖譜服務(wù)的角度，通用圖譜可以讓大家都去應(yīng)用，但是行業(yè)圖譜是針對特定行業(yè)的需求，定制化程度比較高，也有不同的應(yīng)用方向。所以，以通用圖譜為基礎(chǔ)，面向行業(yè)的開發(fā)者，在圖譜開發(fā)的時候，會涉及到一系列特有問題。
基于這樣的背景，我們構(gòu)建了一體化的行業(yè)知識圖譜平臺，將多年積累的通用圖譜構(gòu)建能力遷移至行業(yè)，建設(shè)了行業(yè)圖譜的基礎(chǔ)架構(gòu)和構(gòu)建平臺，以及智能問答、語義檢索、推理計算、智能推薦、內(nèi)容生成等基礎(chǔ)能力組件，支撐行業(yè)應(yīng)用，并且針對行業(yè)特點實現(xiàn)一些優(yōu)化，服務(wù)于不同領(lǐng)域的用戶。
這里簡單介紹一下醫(yī)療的知識圖譜。為了構(gòu)建一個醫(yī)療場景的知識圖譜，我們跟很多合作伙伴合作構(gòu)建了這樣一個框架，包括結(jié)構(gòu)化的解析、實體鏈接、人機結(jié)合、因果關(guān)系學(xué)習(xí)、診斷路徑挖掘等等。我們可以看到，專業(yè)醫(yī)療圖譜涉及到醫(yī)院、醫(yī)師、疾病等等各個方面，通過醫(yī)療的認知計算，提供各種醫(yī)療臨床輔助決策服務(wù)。

多媒體知識圖譜。今天我講的題目，是知識圖譜和自然語言處理，但實際上，人類幾千年傳承靠知識來做載體，還包括了語音、視覺，以及各種各樣的形式?，F(xiàn)在視覺類的產(chǎn)品，坦率來說都不智能。比如，計算機視覺技術(shù)可以識別，但識別出來之前，如何將這些孤立的數(shù)據(jù)聯(lián)系起來？還是跟圖譜相關(guān)。我們可以基于圖譜把知識關(guān)聯(lián)起來，進行它們之間的關(guān)聯(lián)與計算，進而能夠做結(jié)構(gòu)化的語義理解。
大家看到，這是《大河唱》的一些片段。這些片段里面，我們通過綜合應(yīng)用計算機視覺技術(shù)、語音識別技術(shù)、自然語言理解技術(shù)，把其中的語音、視覺、文本融合起來，并通過與背景知識的關(guān)聯(lián)，形成對視頻的深入理解。

接下來介紹知識增強的語言處理技術(shù)。
如前面所說，一方面語言理解是我們發(fā)現(xiàn)知識很重要的基礎(chǔ)，另一方面，有了這些知識，可以更好地幫助我們做人工智能。
在語言方面，首先介紹語義表示。我們知道，自然語言存在很多歧義，同時一個意思也可以用不同的詞來表述，句子表達的形式非常多。因而好的形式化語義表示是計算機處理語言的基礎(chǔ)，語義表示可以分為形式化符號表示和統(tǒng)計分布式表示。
隨著深度學(xué)習(xí)的興起，統(tǒng)計分布式語義表示這幾年很受歡迎。簡單回顧一下歷史，相信大家都很清楚，2003 年，圖靈獎獲得者 Bengio，最早提出了前饋神經(jīng)網(wǎng)絡(luò)語言模型，這些年得到了很大的發(fā)展，這兩年出現(xiàn)了很多基于分布式表示的預(yù)訓(xùn)練語言模型。今年百度先后發(fā)布了兩版語義理解框架 ERNIE。
ERNIE1.0 是基于知識增強的語義表示模型。我們?yōu)榱擞?xùn)練這些模型，使用了包括百度百科、新聞、對話等等海量的多樣化語料，同時強化了中文的詞、實體等先驗語義知識，從而得到更好的語義表示模型。

在 1.0 知識增強的基礎(chǔ)上，我們希望不斷更新這個系統(tǒng)，ERNIE2.0 在知識增強的同時，又增加了持續(xù)學(xué)習(xí)的能力，通過基于多任務(wù)學(xué)習(xí)的預(yù)訓(xùn)練任務(wù)迭代，不斷提升模型性能。通過對百科、對話，篇章結(jié)構(gòu)、網(wǎng)頁搜索、語義關(guān)系等超過 13 億知識不斷地學(xué)習(xí)，不斷地積累，ERNIE 在多項中英文自然語言處理任務(wù)上取得了業(yè)界最好效果。

基于語義表示，我們可以做更復(fù)雜的語言理解任務(wù), 例如機器閱讀理解。
機器閱讀理解就是讓機器來閱讀文本，并且回答相關(guān)的問題。知識對于機器閱讀理解會起到什么作用呢？比如這個例子，問的是《人在囧途》是誰的代表作，僅靠文本自身的內(nèi)容是不夠的，需要基于一些外部知識來得到想要的答案。為此我們提出文本表示和知識表示融合的閱讀理解模型 KT-NET，通過融合前面講的知識圖譜增強文本閱讀能力。這個技術(shù)在實體對話等很多領(lǐng)域已經(jīng)得到了非常好的應(yīng)用效果。

閱讀理解能力也廣泛應(yīng)用于搜索產(chǎn)品?，F(xiàn)在我們的移動設(shè)備越來越小，而大家的工作生活節(jié)奏越來越快，希望搜索不再像以前是一條條的 URL、摘要，更直觀、準確的結(jié)果是大家更希望看到的。這里面就涉及到智能問答的技術(shù)，比如「香格里拉酒店的老板是誰」，這個問題，大家就需要很直觀的回答。有時智能問答不僅僅是直接給出一個答案就可以，更多的應(yīng)該是一段話來進行高度相關(guān)的解釋。比如面對「煎魚怎么不粘鍋」這個問題，我們會給出方法一、方法二兩個回答。

對于聊天，我們提出基于知識的主動聊天技術(shù)。目前相對普遍的技術(shù)是用戶問一句，然后機器進行回答，用戶主動地問，機器被動應(yīng)對。而真實場景的聊天，用戶是希望機器可以主動地發(fā)起對話的。于是我們設(shè)計了基于知識驅(qū)動的自主對話任務(wù)，讓機器根據(jù)給定的知識圖譜信息，主動來引領(lǐng)對話進程，達到信息充分交互。

基于百度飛槳（PaddlePaddle），我們開源了檢索模型、生成模型兩個主動對話的基線模型。同時我們舉辦了一個知識驅(qū)動的對話競賽，這個競賽影響很廣泛，參與度很高，隊伍報名數(shù) 1536 支，提交結(jié)果數(shù) 1688 次。

最后介紹一下語言生成，包括機器輔助寫作和智能自動創(chuàng)作。
現(xiàn)在內(nèi)容創(chuàng)作過程中面臨一些痛點，包括捕捉不到熱點信息，實時報道速度不夠快，也包括人工審核成本高、搜集素材費時費力、創(chuàng)作用詞缺乏靈感、多模態(tài)內(nèi)容需求等等。這些問題借助我們的技術(shù)，都可以緩解。創(chuàng)作前可以輔助選題、激發(fā)靈感，包括熱點發(fā)現(xiàn)、熱詞分析、事件檢索、觀點分析等等。創(chuàng)作中可能需要更多輔助的素材，把很多相關(guān)的內(nèi)容呈現(xiàn)出來，這個時候需要做信息的推薦，加入一些領(lǐng)域知識庫，一些歷史相關(guān)的事件脈絡(luò)，幫助寫作。當然還有標題的生成，這個也是很有技術(shù)含量的。創(chuàng)作后保證質(zhì)量、提升分發(fā)。保證質(zhì)量包括文本糾錯、低質(zhì)檢測、詞語潤色；提升分發(fā)，包括添加文章標簽、自動摘要、文本分類。
這是一個輔助寫作系統(tǒng)完整的架構(gòu)圖。

這是一些輔助寫作示例。第一個熱詞分析是以「中美貿(mào)易戰(zhàn)」為例，第二個就是事件脈絡(luò)，第三個是標題生成，最右邊是文本糾錯、詞語潤色、文本標簽。

以上主要是通過輔助寫作提升效率，讓作者從重復(fù)工作中解放出來。另外一方面，機器也可以自動創(chuàng)作，能夠?qū)崟r的追蹤事件的波動，自動把相關(guān)的信息匯聚，生成文章，覆蓋重要信息。相比人工寫作，既省時省力，還可以提升稿件質(zhì)量，應(yīng)用程度非常高，也非常廣。這是基于結(jié)構(gòu)化數(shù)據(jù)自動生成新聞的基本過程，包括宏觀規(guī)劃、微觀規(guī)劃、表層實現(xiàn)。

為了實現(xiàn)智能創(chuàng)作，百度打造了智能創(chuàng)作可視化平臺。

上述語言和知識技術(shù)，都是基于百度飛槳深度學(xué)習(xí)平臺實現(xiàn)的，飛槳是國內(nèi)唯一功能完整、開源開放的深度學(xué)習(xí)平臺。其中 PaddleNLP 是中文語言與知識模型及數(shù)據(jù)集，開放了大規(guī)模的數(shù)據(jù)集，包括閱讀理解、對話、語音翻譯、信息抽取、實體鏈指數(shù)據(jù)集等等。提供基礎(chǔ)網(wǎng)絡(luò)，支持序列標注、文本分類、語義匹配、語言生成等等各種類型任務(wù)，還包括百度最新的前沿研究成果。

這個是百度大腦語言與知識技術(shù)開放平臺全景，不僅包括知識表示、語義理解等基礎(chǔ)技術(shù)，還包括應(yīng)用平臺。比如翻譯開放平臺，大家可以直接調(diào)用翻譯平臺，進行翻譯任務(wù)。翻譯方面，我們提供多模翻譯、領(lǐng)域翻譯、通用翻譯等多項領(lǐng)先技術(shù)。此外還有 UNIT 平臺，可以進行對話配置與訓(xùn)練，以及行業(yè)知識圖譜平臺、智能創(chuàng)作平臺……此外，百度大腦還包括面向各種行業(yè)場景化的解決方案。

最后，百度愿與學(xué)界、業(yè)界同仁，一起打造合作共贏的 AI 開放生態(tài)。
我的報告就到這里，謝謝大家！

---

OpenKG

開放知識圖譜（簡稱 OpenKG）旨在促進中文知識圖譜數(shù)據(jù)的開放與互聯(lián)，促進知識圖譜和語義技術(shù)的普及和廣泛應(yīng)用。

點擊閱讀原文，進入 OpenKG 博客。

總結(jié)

以上是生活随笔為你收集整理的CCKS 2019 | 百度 CTO 王海峰详解知识图谱与语义理解的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。