知识图谱构建的突破点和方向

Posted 2021-09-04 Coding With you.....

知识图谱构建的困难：

1. 因为图谱的数据信息需要标注，费时费力，构建的成本非常的高。如果想构建得很准的话，人工成本非常高。
2. 如果用自动生成的方法，那样的错误率也会很高

因此，就是缺少标注数据的问题

解决思路：

找一种方法，在低资源低数据的前提下构建准确率高的图谱

1. 从大数据的角度，做数据驱动，用深度学习举十反一的方法，把所有的数据进行建模，并且学习数据之间的关联关系，学习数据的记忆模型。
2. 要用知识驱动，构建一个知识图谱，用知识驱动整个事情。我们把两者结合起来，这也许是我们解决未来认知 AI的一个关键。

未来是需要构建一个真正能够超越原来的，超越已有模型的一个认知模型。

认知图谱是一个区别于普通知识图谱的静态三元组数据，是带有自我意识的一种图谱，使得每一个节点具有上下文的信息。将数据的计算与存储不再分离，柔和到一起。

在图谱构建的整体流程中：非结构化数据文本预处理、分词并进行磁性标注和语法解析、命名实体识别、关系及事件抽取、得到三元组的过程。

学习资源

• 提出的对比学习框架，来了解实体和关系ERICA: Improving Entity and Relation Understanding
  for Pre-trained Language Models via Contrastive Learning

• 谷歌推出一个名为TEKGEN的AI模型,Text from KG Generator (知识图谱文本生成器)。它会读取一个知识图谱中的所有词语，捋清它们之间的关系,再用"人话”说出来,生成语料库,再喂给NLP模型训练。这项研究已经被NAACL2021接收。

• 中国人民大学研究团队对知识图谱推理技术进行了详细研究,并发表相关综述。综述深入研究了符号推理、神经推理以及混合推理，并对知识图谱推理的未来方向进行探讨。论文名称:
  Neural, symbolic and neural-symbolicreasoning on knowledge
  graphs，论文链接:有数据和代码 https://www.aminer.cn/pub/5f858a8291e011ff32809837

• 自然语言处理方向三大顶会之一 NAACL