转自CCF：https://dl.ccf.org.cn/lecture/lectureDetail?id=4409498440943616。
摘要：全网知识图谱有其独特的优势、价值，不仅帮助机器理解文本，也是智能信息服务的高效手段。知识图谱和搜索的结合越来越紧密，成为重要的数据和技术驱动。同时，知识图谱应用于智能问答，包括在有屏、无屏场景下也都发展迅速。当然知识图谱本身也面临很多的挑战、难题。本次报告分享这方面工作的一些经验和心得，希望对大家有所启发和帮助。
知识图谱是近年来信息技术领域的重要研究方向，尤其在智能搜索和问答系统中发挥着关键作用。阿里巴巴的神马知识图谱是这方面的典型实践，它致力于构建一个通用的知识图谱，旨在理解和组织互联网上的信息，为用户提供更智能、个性化的服务。
神马知识图谱是一个全面描绘客观世界的实体、概念及其相互关系的数据库。它的应用价值主要体现在以下几个方面：
1. **自然语言理解**：通过实体链接技术，知识图谱可以帮助计算机理解用户查询的意图，从而提高搜索的准确性。
2. **信息组织与智能服务**：知识图谱可以将互联网信息按实体、关系进行组织，不仅限于文字，还包括问答、图片、视频等内容，提供更加丰富和智能化的服务。
3. **用户画像构建**：通过捕捉用户的兴趣点，如关心的人物、事件、地点等，知识图谱能够帮助构建用户画像，进而优化信息推送，如信息流服务。
神马知识图谱的数据规模庞大，包含45亿条关系，覆盖了1700个不同的类型，涉及人物、地点、组织、电影等多个领域。它的发展历程展示了知识图谱在搜索、信息流、对话机器人和智能音箱等应用场景中的不断深化。
在技术实现上，神马知识图谱的构建主要包括以下几个关键点：
1. **知识表示和建模**：定义统一的Schema，包括类型、属性及其属性值，通过继承关系整合异构知识。
2. **知识抽取**：采用结构化、半结构化和自由文本三种方式抽取知识，结合自然语言处理和深度学习技术，确保知识的全面性和实时性。
3. **知识融合和挖掘**：通过Schema映射、实体对齐、属性融合、关系挖掘等方法，解决数据的不一致性和不确定性。
4. **应用层技术**：包括query实体识别和链接，内容分析，以及基于搜索数据的热度计算，提升查询理解和信息检索的效率。
在实际应用中，知识图谱与搜索的结合产生了显著的效果，如通过query分析与理解，提供语义查询、知识卡片、垂直搜索和知识推荐等功能。知识卡片覆盖了多个行业，如人物、视频、疾病、教育等，为用户提供一站式信息服务。同时，实体推荐利用深度学习模型，如DeepMatch，实现搜索结果的深度语义匹配，改善用户体验。
知识图谱是智能搜索和问答系统的核心组成部分，它通过整合和理解大量信息，提升了信息检索的智能性和用户体验。随着技术的发展，知识图谱在未来的应用场景将更加广泛，对于推动人工智能的进步具有重要意义。
