首先介绍知识图谱的一些基础概念。
(资料图片)
知识图谱旨在利用图结构建模、识别和推断事物之间的复杂关联关系和沉淀领域知识，是实现认知智能的重要基石， 已经被广泛应用于搜索引擎、智能问答、语言语义理解、大数据决策分析等众多领域。
知识图谱同时建模了数据之间的语义关系和结构关系，结合深度学习技术可以把这两者关系更好得融合和表征。
2、为什么要建知识图谱我们要建设知识图谱主要是从如下两点出发考虑：一方面是蚂蚁本身的数据来源背景特点，另一方面是知识图谱能带来的好处。
[1] 数据来源本身是多元和异构的，缺乏一套统一的知识理解体系。
[2] 知识图谱能够带来多个好处，包括：
语义标准化：利用图谱构建技术提升实体、关系、概念等的标准化和归一化水平。领域知识沉淀：基于语义、图结构实现知识表示和互联，从而积累丰富的领域知识。知识复用：构建高质量的蚂蚁知识图谱，通过融合、链接等服务多下游，为业务降本提效。知识推理发现：基于图谱推理技术发现更多长尾知识，服务风控、信贷、理赔、商家运营、营销推荐等场景。3、如何构建知识图谱的概览在构建各类业务知识图谱的过程中，我们沉淀出了一套蚂蚁知识图谱的通用构建范式，主要分为如下五个部分：
从业务数据出发，作为图谱冷启动的重要数据来源。他域的知识图谱同现有图谱进行融合，通过实体对齐的技术来实现。业务领域结构化的知识库同现有的知识图谱的进行融合，也是通过实体对齐的技术实现。非结构和半结构化的数据，例如文本会对其进行信息抽取，通过实体链指技术实现对现有图谱进行更新。领域概念体系和专家规则的融入，将相关概念、规则与现有知识图谱进行链接。有了通用的构建范式后，就需要进行体系化的建设。从两个视角来看蚂蚁知识图谱的体系化建设。首先是从算法视角来看，有各种算法能力，比如知识推理、知识匹配等等。从落地视角来看，自下而上，最下面的基础依赖包括图计算引擎和认知底座计算；其上是图谱底座，包括NLP&多模平台以及图谱平台；往上是各种图谱构建技术，基于此我们就可以构建蚂蚁知识图谱；在知识图谱的基础上，我们可以做一些图谱推理；再往上，我们提供一些通用的算法能力；最上面是业务应用。
二、图谱建设接下来分享蚂蚁集团建设知识图谱的一些核心能力，包括图谱构建、图谱融合、图谱认知三个方面。
1、图谱构建图谱构建的流程主要包括六步：
数据源，获取多元数据。知识建模，将海量数据转化成结构化的数据，从概念、实体和事件三个域来建模。知识获取，搭建了知识加工研发平台。知识存储，包括Ha3存储和图存储等。知识运营，包括知识编辑、在线查询、抽取等。持续学习，让模型自动地进行迭代学习。构建过程中的三个经验与技巧融合专家知识的实体分类在构建知识图谱中，需要对输入的实体进行分类，在蚂蚁场景下是一个大规模多标签分类的任务。为了融合专家知识来进行实体分类，主要做如下三点优化：
语义信息增强：引入label语义图表示学习的Embedding。对比学习：加入层次label监督的对比。逻辑规则约束：融入专家先验知识。领域词表注入的实体识别在实体识别的基础上，从字词连边的图结构出发，让模型学习到对连边的合理赋权，对噪声词连边减小权重。提出了边界对比学习和语义对比学习两个模块：
边界对比学习，用来解决边界冲突问题。在词表注入之后，构建一个全连接图，用GAT来学习每个token的表征，边界分类正确的部分构建一个正例的图，错误的部分构建负例的图，通过对比让模型学到每个token的边界信息。语义对比学习，用来解决语义冲突问题。借鉴了原型学习思想，把label的语义的表征加进来，强化每个token与label语义之间的关联关系。逻辑规则约束的小样本关系抽取在领域问题上我们的标注样本很少，会面临few-shot或zero-shot的场景，在这种情况下进行关系抽取的核心思想就是引入外部知识库，为了解决语义空间不同导致的性能下降问题，设计了基于逻辑规则的推理模块；为了解决实体类型匹配导致的死记硬背问题，设计了细微差异感知模块。
2、图谱融合图谱融合是指不同业务领域下图谱之间的信息融合。
图谱融合的好处：
跨业务的知识复用：基于图谱本体模型，实现跨业务的知识连接。减少无效数据拷贝：连接即可应用，标准化知识服务链路。业务快速价值落地：减少业务找数据的成本，通过知识复用带来更大业务价值，降本提效。图谱融合中的实体对齐知识图谱融合过程中一个核心技术点就是实体对齐，这里我们采用了SOTA算法BERT-INT，主要包括两个模块，一个是表示模块，另一个是交互模块。
算法的实现流程主要包括召回和排序：
召回：在表示模块，利用标题文本的 BERT向量相似度召回。
基于标题+属性+邻居的排序模型：ü 利用表示模块，完成对标题、属性和邻居的向量表示：
计算标题的cos相似度。分别计算两个实体的属性和邻居集合间的相似度矩阵，并提取一维相似度特征。将三个特征拼接为特征向量计算Loss。3、图谱认知这一部分，主要介绍一下蚂蚁内部的知识表示学习框架。
蚂蚁提出了一个基于Encoder-Decoder框架的知识表示学习。其中Encoder是一些图神经的学习方法，Decoder是一些知识表示的学习，比如链接预测。这套表示学习框架可以自监督产出通用的实体/关系Embedding，有几个好处：1）Embedding Size远小于原始特征空间，降低了存储成本；2）低维向量更稠密，有效缓解数据稀疏问题；3）同一向量空间学习，对多源异质数据的融合更自然；4）Embedding具有一定的普适性，方便下游业务使用。
三、图谱应用接下来分享几个在蚂蚁集团中知识图谱的典型应用案例。
1、图谱的场景应用模式在介绍具体案例前，先来介绍一下蚂蚁知识图谱场景应用的几种模式，主要包括知识获取、知识管理和推理，以及知识服务。如下图所示。
2、一些典型的案例案例1：基于知识图谱的结构化匹配召回业务场景是支付宝主搜里面的小程序的内容下挂，要解决的业务痛点是：
商品实体，以及商品上下位关系匮乏。小程序商品级理解能力弱。解决方案是，构建了商家知识图谱。结合商家图谱的商品关系，实现对用户query商品级别的结构化理解。
案例2：用户意图实时预测在推荐系统应用这一案例是针对首页推荐进行用户意图实时预测，构建了AlipayKG，框架如上图所示。相关工作也发表在顶会www 2023上，可以参考论文做更进一步的理解。
案例3：融合知识表征的营销券推荐这个场景是消费券推荐的一个场景，业务面临的痛点为：
头部效应严重。用户核销领取行为稀疏。冷启动用户和券很多，缺少对应的足迹数据。为了解决上述问题，我们设计了融合动态图表征的深度向量召回算法。因为我们发现用户消费券的行为是有周期性的，静态的单条边是无法建模这种周期性行为的。为此我们首先构建了动态图，接着采用团队自研的动态图算法来学习Embedding表征，得到表征之后再放到双塔模型中去，进行向量召回。
案例4：基于诊疗事件的智能理赔专家规则推理最后一个案例是关于图谱规则推理。以医疗保险健康图谱为例，包括医学知识、理赔规则、“人”的健康的信息，进行实体链指，再加上逻辑规则，来作为决策的依据。通过图谱实现了专家理赔效率的提升。
四、图谱与大模型最后简单探讨一下在当前大模型快速发展的背景下知识图谱的机遇。
1、知识图谱与大模型的关系知识图谱与大模型各有优缺点，大模型的主要有通用知识建模和普适性等优点，而大模型的缺点正好是知识图谱的优点所能弥补的。图谱的优点包括准确性很高、可解释性强等。大模型和知识图谱是能够相互影响的。
图谱和大模型的融合通常存在三种路线，一种是利用知识图谱来增强大模型；第二种是利用大模型来增强知识图谱；第三种是大模型和知识图谱协同并进，优势互补，大模型可以认为是一种参数化的知识库，知识图谱可以认为是一种显示化的知识库。
2、大模型与知识图谱相应用的案例大模型应用于知识图谱构建在知识图谱构建的过程中，可以利用大模型来进行信息抽取、知识建模和关系推理。
如何利用大模型来应用于知识图谱的信息抽取达摩院的这个工作将信息抽取问题分解成了两个阶段：
在第一阶段，我们想要找到文本中存在的实体、关系或者事件类型，以减小搜索空间和计算复杂度。在第二阶段，我们根据前面抽取的类型和给定的对应列表，进一步抽取出相关信息。将知识图谱应用于大模型将知识图谱应用于大模型主要包括三个方面：
将知识图谱整合到大模型输入中。可以利用知识图谱来进行数据清洗，或利用知识图谱直接显式地进行形式化拼接。
将知识图谱融合到大模型训练中。比如同时进行两个任务的训练，知识图谱可以做知识表示的任务，大模型做MLM的预训练，两者联合建模。
将知识图谱注入到大模型推理中。首先可以解决大模型的两个问题，一是将知识图谱作为先验约束，来避免大模型“胡说八道”；第二就是解决大模型时效性问题。另一方面，基于知识图谱，可以为大模型生成提供可解释方案。
知识增强的问答系统主要包括两类，一块是知识图谱增强的问答系统，即用大模型来优化KBQA的模式；另一个是信息检索增强，类似LangChain、GopherCite、New Bing等用大模型来做知识库问答的形式。
知识增强的生成式搜索问答系统，有如下优势：
通过接入搜索系统，解决时效性问题。通过提供Reference链接，可以进行人工核查，以解决事实性错误问题。引入搜索结果，丰富上下文，增强大模型生成效果。3、总结与展望知识图谱与大模型如何更好地交互协同共进，包括如下三个方向：
推进知识图谱和大模型在NLP、问答系统等领域的深入应用。使用知识图谱进行大模型的幻觉检测和去毒。结合知识图谱的领域大模型研发。