劉永生 廖 軍 李亞夢(mèng) 王 巍

中國(guó)聯(lián)通研究院 北京 100048

引言

知識(shí)圖譜是一種表示、處理和應(yīng)用知識(shí)的技術(shù)，最早由谷歌公司在2012年提出，用來(lái)提升搜索引擎的智能。知識(shí)圖譜由節(jié)點(diǎn)和邊組成，節(jié)點(diǎn)表示實(shí)體，邊表示實(shí)體與實(shí)體之間的關(guān)系。近幾年深度學(xué)習(xí)的熱潮對(duì)知識(shí)圖譜發(fā)展起到了強(qiáng)大的推動(dòng)作用，同時(shí)知識(shí)圖譜也被認(rèn)為是感知智能向認(rèn)知智能過(guò)渡的關(guān)鍵技術(shù)之一。

目前國(guó)內(nèi)外已經(jīng)開(kāi)發(fā)了一大批知識(shí)圖譜。國(guó)外具有代表性的大規(guī)模知識(shí)圖譜有DBpedia、Freebase、Knowledge Vault等；國(guó)內(nèi)具有代表性的大規(guī)模知識(shí)圖譜有Zhishi.me、OpenKN、CN-DBpedia等。同時(shí)，行業(yè)知識(shí)圖譜也相繼出現(xiàn)，具有代表性的有電影領(lǐng)域的IMDB、醫(yī)藥領(lǐng)域的DrugBank、學(xué)術(shù)領(lǐng)域的acemap等[1]。

知識(shí)譜圖的價(jià)值主要可以歸納為以下三點(diǎn)：1)智能高效的知識(shí)檢索能力，得益于自然語(yǔ)言處理和互聯(lián)網(wǎng)的發(fā)展，知識(shí)圖譜能夠提供智能搜索、智能問(wèn)答、智能推理等能力；2)廣泛的行業(yè)應(yīng)用，很多行業(yè)發(fā)展了行業(yè)知識(shí)圖譜，應(yīng)用普遍的行業(yè)包括金融、電商、醫(yī)療等，各個(gè)行業(yè)嘗試使用知識(shí)圖譜實(shí)現(xiàn)知識(shí)的積累和靈活使用[2]；3)認(rèn)知智能的基石，近幾年蓬勃發(fā)展的深度學(xué)習(xí)屬于感知智能階段，存在的一個(gè)主要問(wèn)題是“黑箱”的不可解釋?zhuān)鉀Q該問(wèn)題的方式之一是知識(shí)驅(qū)動(dòng)，因此知識(shí)圖譜被認(rèn)為是從感知智能向認(rèn)知智能發(fā)展的基石，最新的研究進(jìn)展包括認(rèn)知圖譜[3-4]。

電信行業(yè)正在進(jìn)行數(shù)字化轉(zhuǎn)型，實(shí)現(xiàn)企業(yè)的高質(zhì)量發(fā)展，知識(shí)圖譜在數(shù)字化轉(zhuǎn)型過(guò)程中發(fā)揮重要作用。網(wǎng)絡(luò)的自動(dòng)駕駛是未來(lái)5到10年的演進(jìn)目標(biāo)，行業(yè)內(nèi)已經(jīng)提出了自動(dòng)駕駛網(wǎng)絡(luò)的分級(jí)標(biāo)準(zhǔn)[5]，網(wǎng)絡(luò)運(yùn)營(yíng)維護(hù)知識(shí)積累形成網(wǎng)絡(luò)知識(shí)圖譜，將助力自動(dòng)駕駛網(wǎng)絡(luò)的演進(jìn)。同時(shí)，知識(shí)圖譜在企業(yè)服務(wù)和管理方面也具有重要作用，典型的代表是知識(shí)圖譜的智能問(wèn)答代替人工服務(wù)等。

1 知識(shí)圖譜

1.1 知識(shí)圖譜定義及表示

目前對(duì)知識(shí)圖譜沒(méi)有統(tǒng)一的定義，文獻(xiàn)[6]給出的定義為：知識(shí)圖譜是結(jié)構(gòu)化的語(yǔ)義知識(shí)庫(kù)，用于以符號(hào)形式描述物理世界中的概念及其相互關(guān)系。其基本組成單位是“實(shí)體－關(guān)系－實(shí)體”三元組，以及實(shí)體及其相關(guān)屬性，實(shí)體間通過(guò)關(guān)系相互聯(lián)結(jié)，構(gòu)成網(wǎng)狀的知識(shí)結(jié)構(gòu)。

知識(shí)圖譜中知識(shí)的表示方法主要有3類(lèi)[7]：1)基于數(shù)理邏輯的知識(shí)表示，較早期的知識(shí)表示方法，該方法以符號(hào)邏輯為基礎(chǔ)的表示知識(shí)，優(yōu)點(diǎn)是易于表達(dá)顯性、離散的知識(shí)，缺點(diǎn)是很難使用機(jī)器生成推理規(guī)則，數(shù)據(jù)規(guī)模大時(shí)計(jì)算效率低；2)基于語(yǔ)義網(wǎng)絡(luò)的知識(shí)表示，工業(yè)界使用廣泛的一種表示方法，W3C制定的資源描述框架，使用三元組(s,p,o)來(lái)記錄各種事物及其相互關(guān)系，s和o表示實(shí)體，p表示關(guān)系，則(s,p,o)表示實(shí)體s和實(shí)體o之間存在關(guān)系p的知識(shí)；3)基于向量空間的分布式知識(shí)表示，將知識(shí)圖譜中的實(shí)體和關(guān)系嵌入到低維連續(xù)的向量空間，并且在該向量空間中完成語(yǔ)義計(jì)算。這種表示方法可以有效地挖掘隱形知識(shí)，對(duì)知識(shí)庫(kù)的構(gòu)建、推理、融合以及應(yīng)用具有重要意義，具有代表性的方法包括TransE模型[8]和RESCAL模型[9]。

1.2 知識(shí)圖譜構(gòu)建技術(shù)

知識(shí)圖譜的構(gòu)建是從原始的數(shù)據(jù)開(kāi)始，經(jīng)過(guò)知識(shí)抽取、知識(shí)融合、知識(shí)加工的步驟，最終得到知識(shí)圖譜的過(guò)程，每個(gè)步驟中涉及具體的操作內(nèi)容，如圖1所示，下面對(duì)每個(gè)步驟的內(nèi)容及研究進(jìn)展進(jìn)行詳細(xì)介紹。

圖1 知識(shí)圖譜構(gòu)建技術(shù)

1.2.1 知識(shí)抽取

知識(shí)抽取是指從海量的結(jié)構(gòu)化、半結(jié)構(gòu)化或非結(jié)構(gòu)化的數(shù)據(jù)中提取知識(shí)的過(guò)程，涉及的技術(shù)包括：實(shí)體抽取、關(guān)系抽取、屬性抽取。其中，實(shí)體屬性可以看作是實(shí)體與屬性值之間的關(guān)系，可以采用關(guān)系抽取的方法來(lái)獲得。

1)實(shí)體抽取

實(shí)體抽取是指從數(shù)據(jù)中識(shí)別實(shí)體。文獻(xiàn)[1]將實(shí)體抽取的方法分為3種：①基于規(guī)則與詞典的方法，利用人工制定的規(guī)則與詞典從數(shù)據(jù)中識(shí)別出實(shí)體。該方法抽取的實(shí)體準(zhǔn)確率高，通常面向單一領(lǐng)域，但是擴(kuò)展性比較差，難以滿(mǎn)足數(shù)據(jù)變化的需求。②基于統(tǒng)計(jì)機(jī)器學(xué)習(xí)的方法，利用數(shù)據(jù)對(duì)機(jī)器學(xué)習(xí)中模型進(jìn)行訓(xùn)練，使用訓(xùn)練好的模型來(lái)識(shí)別實(shí)體。比如Liu等將K臨近算法和線(xiàn)性條件隨機(jī)場(chǎng)模型結(jié)合來(lái)識(shí)別實(shí)體[10]。該方法需要足夠數(shù)量的訓(xùn)練數(shù)據(jù)，當(dāng)數(shù)據(jù)量較小時(shí)，準(zhǔn)確率會(huì)受到影響。③面向開(kāi)放域的抽取方法，針對(duì)海量網(wǎng)絡(luò)數(shù)據(jù)識(shí)別實(shí)體。該方法需要建立一個(gè)科學(xué)完整的命名實(shí)體分類(lèi)體系。

2)關(guān)系抽取

關(guān)系抽取是指從海量數(shù)據(jù)中提取出實(shí)體之間的關(guān)系。關(guān)系抽取可以分為3類(lèi)[7]：1)基于模板的關(guān)系抽取，使用模板通過(guò)人工或機(jī)器學(xué)習(xí)的方法抽取實(shí)體關(guān)系。該方法準(zhǔn)確率高且針對(duì)性強(qiáng)，但是對(duì)大規(guī)模數(shù)據(jù)效果差，召回率低；2)基于監(jiān)督學(xué)習(xí)的關(guān)系抽取，使用人工標(biāo)注的數(shù)據(jù)集訓(xùn)練模型，使用訓(xùn)練好的模型抽取關(guān)系。比如Sun等提出的FTK模型，計(jì)算關(guān)系相似度并通過(guò)支持向量機(jī)對(duì)關(guān)系進(jìn)行分類(lèi)[11]；3)基于半監(jiān)督或無(wú)監(jiān)督學(xué)習(xí)的關(guān)系抽取，使用少量人工標(biāo)注的數(shù)據(jù)或者無(wú)標(biāo)注數(shù)據(jù)來(lái)學(xué)習(xí)關(guān)系。比如Feng等提出了基于強(qiáng)化學(xué)習(xí)的關(guān)系分類(lèi)模型CNN-RL[12]。

1.2.2 知識(shí)融合

通過(guò)知識(shí)抽取獲得了大量的知識(shí)，因?yàn)閿?shù)據(jù)來(lái)源不同等原因，同一實(shí)體、關(guān)系、屬性的描述信息存在差異，知識(shí)存在冗余信息。有必要對(duì)知識(shí)抽取的結(jié)果進(jìn)行清理和整合，這就是知識(shí)融合。另外，知識(shí)融合也包括引入第三方知識(shí)庫(kù)來(lái)增加知識(shí)的存量。

1)實(shí)體消岐

同一名稱(chēng)在不同的語(yǔ)境下存在指代不同實(shí)體的情況，比如，李寧既可以指運(yùn)動(dòng)員，也可以表示品牌。實(shí)體消岐就是為了保證每一個(gè)實(shí)體具有清晰的名稱(chēng)。實(shí)體消岐的方法大致可以分為2類(lèi)：①基于聚類(lèi)技術(shù)的消岐方法，基本思路是度量實(shí)體的名稱(chēng)和語(yǔ)境相似度，將指向同一實(shí)體的名稱(chēng)聚為一類(lèi)。傳統(tǒng)的方法采用詞袋模型，后續(xù)的研究主要針對(duì)如何挖掘準(zhǔn)確全面的語(yǔ)義知識(shí)來(lái)尋找突破；②基于實(shí)體鏈接技術(shù)的消岐方法，基本思路是將數(shù)據(jù)中實(shí)體鏈接到知識(shí)庫(kù)中的正確詞條，來(lái)明確其真實(shí)含義，從而達(dá)到實(shí)體消岐的目標(biāo)。

2)共指消解

與歧義相對(duì)應(yīng)，在抽取的知識(shí)中可能存在不同名稱(chēng)表示同一實(shí)體，比如：“中國(guó)聯(lián)通”和“中國(guó)聯(lián)合網(wǎng)絡(luò)通信有限公司”其實(shí)是一個(gè)實(shí)體的兩個(gè)不同的名稱(chēng)。共指消解技術(shù)就將這些不同的名稱(chēng)指向同一實(shí)體的技術(shù)。研究進(jìn)展大致可以分為3類(lèi)：①以特征為基礎(chǔ)的消解，特征可以是詞匯、距離、一致性、語(yǔ)法、語(yǔ)義等；②以句法分析為基礎(chǔ)的消解，代表方法是Hobbs算法和向心理論；③以統(tǒng)計(jì)機(jī)器學(xué)習(xí)為基礎(chǔ)的消解，典型的方法包括C4.5決策樹(shù)算法的引入和實(shí)體相似性測(cè)度模型。

3)知識(shí)合并

知識(shí)合并是現(xiàn)有知識(shí)庫(kù)的引入技術(shù)，擴(kuò)充知識(shí)圖譜的容量。知識(shí)合并主要涉及2方面的內(nèi)容[6]：①合并外部知識(shí)庫(kù)，將外部知識(shí)庫(kù)合并到本地的知識(shí)圖譜，Mendes等提出了開(kāi)放數(shù)據(jù)集成框架用于知識(shí)庫(kù)合并的標(biāo)準(zhǔn)化；②合并關(guān)系數(shù)據(jù)庫(kù)，企業(yè)現(xiàn)存的關(guān)系數(shù)據(jù)庫(kù)是知識(shí)圖譜的重要知識(shí)來(lái)源，將關(guān)系數(shù)據(jù)庫(kù)轉(zhuǎn)化成資源描述框架的形式是一種流行的操作，目前已經(jīng)出現(xiàn)了大量轉(zhuǎn)化的工具(比如Triplify、OpenLink等)。

1.2.3 知識(shí)加工

知識(shí)加工專(zhuān)注于優(yōu)化知識(shí)圖譜的邏輯關(guān)系，經(jīng)過(guò)知識(shí)加工后的知識(shí)圖譜具有較高的邏輯性。知識(shí)加工的技術(shù)主要包括：本體構(gòu)建、知識(shí)推理和質(zhì)量評(píng)估。

1)本體構(gòu)建

本體是一個(gè)通用的數(shù)據(jù)模型，相當(dāng)于知識(shí)圖譜的模具，通過(guò)定義規(guī)則和約束條件等來(lái)規(guī)范實(shí)體、關(guān)系以及實(shí)體的類(lèi)型和屬性等之間的聯(lián)系。本體構(gòu)建的技術(shù)主要分為兩種：①人工構(gòu)建，依靠本領(lǐng)域?qū)＜液捅姲姆绞?，人工?gòu)建工作量大而且適合的專(zhuān)家難以尋找；②數(shù)據(jù)驅(qū)動(dòng)的自動(dòng)化構(gòu)建，主要包括實(shí)體并列關(guān)系相似度計(jì)算、實(shí)體上下位關(guān)系抽取、本體生成的步驟[6]。

2)知識(shí)推理

知識(shí)推理是指從已有的實(shí)體關(guān)系出發(fā)，經(jīng)過(guò)邏輯計(jì)算，建立實(shí)體間的新關(guān)聯(lián)，從而拓展和豐富知識(shí)。知識(shí)推理的方法可以分為4類(lèi)：①基于規(guī)則的推理，利用簡(jiǎn)單的規(guī)則、統(tǒng)計(jì)特征等進(jìn)行推理，該方法可解釋性強(qiáng)，準(zhǔn)確率高，但是規(guī)則不易獲得，抗干擾比差；②基于分布式表示的推理，將知識(shí)圖譜映射為低維向量表示，通過(guò)向量操作進(jìn)行推理，該方法計(jì)算方便，但是未深入考慮語(yǔ)義信息推理能力受限；③基于神經(jīng)網(wǎng)絡(luò)的推理，利用神經(jīng)網(wǎng)絡(luò)計(jì)算得到最優(yōu)的實(shí)體和關(guān)系，該方法推理能力強(qiáng)，但是復(fù)雜度高可解釋性差；④混合推理，混合以上推理方法，該方法綜合各個(gè)方法的優(yōu)勢(shì)，但目前只是簡(jiǎn)單的淺層混合。

3)質(zhì)量評(píng)估

質(zhì)量評(píng)估是在知識(shí)加入知識(shí)圖譜之前，對(duì)知識(shí)的可信度進(jìn)行評(píng)估，舍棄低質(zhì)量的知識(shí)?，F(xiàn)有質(zhì)量評(píng)估方法主要是利用數(shù)據(jù)來(lái)源的可信度來(lái)判別知識(shí)的質(zhì)量。谷歌提出了一種依據(jù)用戶(hù)貢獻(xiàn)歷史和領(lǐng)域，以及問(wèn)題的難易程度進(jìn)行自動(dòng)評(píng)估用戶(hù)貢獻(xiàn)知識(shí)質(zhì)量的方法，使用該方法對(duì)大規(guī)模用戶(hù)貢獻(xiàn)知識(shí)評(píng)估準(zhǔn)確率達(dá)到91%，召回率達(dá)到80%[6]。

2 認(rèn)知圖譜

人工智能的發(fā)展正在處于感知智能的階段，即數(shù)據(jù)驅(qū)動(dòng)的智能，三要素是數(shù)據(jù)、算法和算力，主要研究深度神經(jīng)網(wǎng)絡(luò)及其應(yīng)用，并且在聲圖文等某些領(lǐng)域達(dá)到甚至超過(guò)了人類(lèi)的識(shí)別水平，但是以深度神經(jīng)網(wǎng)絡(luò)為代表的深度學(xué)習(xí)算法存在不可解釋的“黑箱”和不安全等問(wèn)題，這些問(wèn)題來(lái)自于數(shù)據(jù)驅(qū)動(dòng)的智能的先天性缺陷。為解決上述問(wèn)題，人工智能將邁向認(rèn)知智能階段，也被稱(chēng)為第三代人工智能[13]，核心是知識(shí)和數(shù)據(jù)共同驅(qū)動(dòng)的智能，技術(shù)上可以將深度學(xué)習(xí)與大規(guī)模知識(shí)結(jié)合起來(lái)，實(shí)現(xiàn)認(rèn)知推理和邏輯表達(dá)，最新的成果是認(rèn)知圖譜。

2.1 認(rèn)知圖譜的定義

認(rèn)知圖譜是一個(gè)全新的概念，文獻(xiàn)[14]提出認(rèn)知圖譜可以被解釋為基于原始文本數(shù)據(jù)，針對(duì)特定問(wèn)題情境，使用強(qiáng)大的機(jī)器學(xué)習(xí)模型動(dòng)態(tài)構(gòu)建的，節(jié)點(diǎn)帶有上下文語(yǔ)義信息的知識(shí)圖譜。認(rèn)知圖譜主要內(nèi)容包括以下4個(gè)方面[15]：①融合表示學(xué)習(xí)與符號(hào)邏輯的知識(shí)表示；②多源、動(dòng)態(tài)、異質(zhì)碎片化知識(shí)的在線(xiàn)獲取和動(dòng)態(tài)融合；③基于時(shí)空特性的知識(shí)演化和多粒度知識(shí)推理；④富知識(shí)的用戶(hù)理解和交互式知識(shí)適配。

2.2 認(rèn)知圖譜的研究進(jìn)展

文獻(xiàn)[3]提出了一種認(rèn)知圖譜的應(yīng)用框架，如圖2所示，由2個(gè)系統(tǒng)組成，系統(tǒng)1負(fù)責(zé)經(jīng)驗(yàn)性的直覺(jué)判斷，這一黑盒過(guò)程提取重要信息，并動(dòng)態(tài)構(gòu)建認(rèn)知圖譜；系統(tǒng)2則在圖上進(jìn)行關(guān)系推理，由于認(rèn)知圖譜保留了實(shí)體節(jié)點(diǎn)上語(yǔ)義信息的隱表示，所以在符號(hào)邏輯之外，也可以使用圖神經(jīng)網(wǎng)絡(luò)。本質(zhì)上，認(rèn)知圖譜的改進(jìn)思路是減少知識(shí)圖譜構(gòu)建時(shí)的信息損失，將信息處理壓力轉(zhuǎn)移給檢索和自然語(yǔ)言理解算法，同時(shí)保留圖結(jié)構(gòu)進(jìn)行可解釋關(guān)系推理。

圖2 認(rèn)知圖譜的應(yīng)用框架

文獻(xiàn)[16]基于認(rèn)知圖譜構(gòu)建了一個(gè)電商領(lǐng)域的推薦系統(tǒng)：認(rèn)知智能計(jì)算平臺(tái)。該平臺(tái)主要包括基礎(chǔ)數(shù)據(jù)層、推理引擎層和用戶(hù)交互層?；A(chǔ)數(shù)據(jù)層在構(gòu)建跨領(lǐng)域知識(shí)圖譜的同時(shí)理解數(shù)據(jù)背后的含義，推理引擎層使用超大規(guī)模圖神經(jīng)網(wǎng)絡(luò)對(duì)消費(fèi)者意圖進(jìn)行推理，用戶(hù)交互層基于用戶(hù)交互的視覺(jué)智能和文本智能，理解消費(fèi)者意圖，助力消費(fèi)者決策。

3 電信行業(yè)前沿應(yīng)用

電信行業(yè)正在進(jìn)行數(shù)字化轉(zhuǎn)型，實(shí)現(xiàn)企業(yè)的高質(zhì)量發(fā)展，以知識(shí)圖譜和認(rèn)知圖譜為代表的人工智能技術(shù)在電信行業(yè)擁有廣泛的應(yīng)用前景。一方面，政府報(bào)告多次要求電信企業(yè)“提速降費(fèi)”，電信企業(yè)需要主動(dòng)降低運(yùn)營(yíng)成本，知識(shí)圖譜等新技術(shù)的引入將會(huì)提升企業(yè)運(yùn)行效率、替代部分人力。另一方面，國(guó)內(nèi)市場(chǎng)已經(jīng)進(jìn)入存量競(jìng)爭(zhēng)的時(shí)代，不斷提升服務(wù)質(zhì)量成為競(jìng)爭(zhēng)的關(guān)鍵所在，知識(shí)圖譜等新技術(shù)的引入將為客戶(hù)提供更加人性化和周到的服務(wù)。

3.1 企業(yè)服務(wù)

1)電信詐騙預(yù)防與挖掘

隨著互聯(lián)網(wǎng)金融的發(fā)展，電信詐騙行為呈現(xiàn)爆發(fā)式增長(zhǎng)，給用戶(hù)帶來(lái)巨大的經(jīng)濟(jì)損失，知識(shí)圖譜為解決電信詐騙提供了新的手段。文獻(xiàn)[4]基于事理認(rèn)知圖譜實(shí)現(xiàn)了一個(gè)預(yù)防網(wǎng)絡(luò)詐騙系統(tǒng)，測(cè)試數(shù)據(jù)為運(yùn)營(yíng)商的10萬(wàn)條用戶(hù)群在線(xiàn)交互信息，采用事理相關(guān)性推斷分析、博弈演化評(píng)估等技術(shù)，代替人工審核，進(jìn)而總結(jié)出各種網(wǎng)絡(luò)電話(huà)詐騙手段運(yùn)作規(guī)律，從歷史序列值和當(dāng)前序列值中合理推斷出未來(lái)發(fā)生可能的概率，找出欺詐者的蛛絲馬跡，挖掘其數(shù)據(jù)的矛盾點(diǎn)和可疑點(diǎn)，結(jié)果顯示預(yù)測(cè)準(zhǔn)確率達(dá)到95%。文獻(xiàn)[17]使用電信詐騙的數(shù)據(jù)構(gòu)建了知識(shí)圖譜，然后使用圖遍歷及圖算法、混合高斯模型，從聯(lián)系鏈路、必要人物、核心人物的發(fā)現(xiàn)以及社會(huì)關(guān)系識(shí)別的維度進(jìn)行分析挖掘。

2)疫情防控

2019年突發(fā)全球性的新冠疫情，嚴(yán)重影響了人們的生產(chǎn)和生活習(xí)慣，剛開(kāi)始由于對(duì)新冠病毒的不了解，導(dǎo)致了人們的恐慌，同時(shí)每天有大量來(lái)自于官方、媒體、研究的新冠信息，對(duì)這些信息進(jìn)行整合，構(gòu)建新冠知識(shí)圖譜將極大的助力疫情的防控。電信運(yùn)營(yíng)商為用戶(hù)提供了互聯(lián)網(wǎng)的接入服務(wù)及相關(guān)的增值服務(wù)，利用新冠知識(shí)圖譜，電信運(yùn)營(yíng)商可以為用戶(hù)提供疫情的查詢(xún)服務(wù)，包括新冠病毒知識(shí)、辟謠信息、疫情人數(shù)、患者車(chē)次等疫情相關(guān)的知識(shí)問(wèn)答，國(guó)內(nèi)中高風(fēng)險(xiǎn)地區(qū)查詢(xún)，國(guó)內(nèi)外疫情人數(shù)查詢(xún)。疫情查詢(xún)服務(wù)為知識(shí)普及、疫情防控、社會(huì)穩(wěn)定做出重要貢獻(xiàn)。同時(shí)還可以結(jié)合人工智能的語(yǔ)音識(shí)別技術(shù)，依靠多輪對(duì)話(huà)機(jī)器人可以更加方便為用戶(hù)提供服務(wù)。

3.2 網(wǎng)絡(luò)運(yùn)營(yíng)

電信運(yùn)營(yíng)商管理著非常龐大和復(fù)雜的網(wǎng)絡(luò)，為了更加便利的管理，劃分成了接入網(wǎng)、承載網(wǎng)、傳輸網(wǎng)、核心網(wǎng)等不同的網(wǎng)絡(luò)域，不同的網(wǎng)路域具有專(zhuān)業(yè)的知識(shí)，近年來(lái)隨著SDN/NFV、云原生、人工智能等新技術(shù)的引入，網(wǎng)絡(luò)結(jié)構(gòu)出現(xiàn)更多的變化。專(zhuān)業(yè)的知識(shí)和復(fù)雜的網(wǎng)絡(luò)為網(wǎng)絡(luò)故障的診斷帶來(lái)了極大的困難。網(wǎng)絡(luò)知識(shí)圖譜可以將網(wǎng)絡(luò)各個(gè)專(zhuān)業(yè)知識(shí)、運(yùn)維專(zhuān)家的經(jīng)驗(yàn)、設(shè)備的產(chǎn)品信息等數(shù)據(jù)進(jìn)行積累，對(duì)于新技術(shù)的數(shù)據(jù)可以進(jìn)行及時(shí)補(bǔ)充，形成強(qiáng)大的網(wǎng)絡(luò)知識(shí)庫(kù)。一方面，網(wǎng)絡(luò)知識(shí)圖譜可以為運(yùn)維人員提供即時(shí)的智能查詢(xún)服務(wù)，包括各類(lèi)基礎(chǔ)知識(shí)和常見(jiàn)運(yùn)維知識(shí)，提供多輪查詢(xún)功能，不斷的明確問(wèn)題。另一方面，文獻(xiàn)[18]利用網(wǎng)絡(luò)知識(shí)圖譜的知識(shí)推理功能，設(shè)計(jì)了一種智能化的故障診斷系統(tǒng)，融合專(zhuān)家經(jīng)驗(yàn)和文檔知識(shí)，實(shí)現(xiàn)智能化的根因推導(dǎo)。

3.3 企業(yè)管理

電信行業(yè)的數(shù)字化轉(zhuǎn)型也改變了企業(yè)的人才結(jié)構(gòu)，由以CT人才為主轉(zhuǎn)向CT和IT的更多領(lǐng)域人才，云計(jì)算、大數(shù)據(jù)、人工智能、區(qū)塊鏈等人才不斷涌現(xiàn)，人才專(zhuān)業(yè)跨度在增大。同時(shí)人才的能力層次各不相同，來(lái)源渠道各異。知識(shí)圖譜為人才高效管理提供了可行方法，文獻(xiàn)[19]提出基于知識(shí)圖譜構(gòu)建的人才能力標(biāo)簽圖譜，有效挖掘深層次的人才能力，發(fā)揮專(zhuān)家人才支撐服務(wù)一線(xiàn)、經(jīng)驗(yàn)技術(shù)分享的作用，為人力在人崗匹配和晉升培養(yǎng)等方面提供幫助。

4 結(jié)語(yǔ)

深度學(xué)習(xí)的發(fā)展為知識(shí)圖譜的研究帶來(lái)了新的思路，特別是在知識(shí)抽取和知識(shí)推理過(guò)程中具有很好的泛華能力，但仍然存在可解釋性差的問(wèn)題。同時(shí)，知識(shí)圖譜也被認(rèn)為從感知智能向認(rèn)知智能發(fā)展的技術(shù)之一，將深度學(xué)習(xí)和知識(shí)圖譜結(jié)合在一起出現(xiàn)了認(rèn)知圖譜，在學(xué)術(shù)界和產(chǎn)業(yè)界引起了廣泛關(guān)注。電信行業(yè)正在進(jìn)行數(shù)字化轉(zhuǎn)型，知識(shí)圖譜和認(rèn)知圖譜具有廣闊的應(yīng)用前景，主要體現(xiàn)在企業(yè)運(yùn)營(yíng)的降本增效，本文列舉了幾項(xiàng)電信領(lǐng)域的典型應(yīng)用，包括：電信詐騙預(yù)防與挖掘、疫情防控、網(wǎng)絡(luò)故障智能查詢(xún)和診斷、人才管理。