6.17 总结与展望

知识图谱是知识工程的一个分支，以知识工程中语义网络作为理论基础，并且结合了机器学习、自然语言处理以及知识表示和推理的最新成果，在大数据的推动下受到了业界和学术界的广泛关注。知识图谱对于解决大数据中文本分析和图像理解问题发挥重要作用。为了理解文本中的自然语言以及理解图像，需要考虑知识图谱的表示和推理。本文介绍了知识图谱的两类推理方法，即基于符号的推理方法和基于统计的推理方法。两种推理方法具有各自的应用场景，并且具有互补性。基于符号的推理方法更多考虑确定性知识的推理，一般通过给定的规则对知识图谱进行推理。为了使得推理具有高效性和可扩展性，现有工作采用了多种并行框架实现并行推理。基于统计的推理是一种不确定性推理，通过统计规律对知识图谱中的缺失的边进行补全。通过采取并行框架可以对推理进行加速，从而实现海量知识图谱的关系补全。

最近几年，研究人员开始关注如何结合统计推理和逻辑推理。文献 [32] 将学到的不相交公理按照权重由高到底的顺序排列，将这些公理逐一添加到 DBpedia 本体中，如果添加某个公理使变化了的 DBpedia 本体变得不一致（通过本体推理机来检测），则移除添加，即该公理不再用来扩充DBpedia 本体。Wang 等人在文献 [34] 中提出结合词向量和规则的方法来做知识库关系补全推理。Niepert 等人在文献 [35] 中提出了一种结合描述逻辑和马尔可夫逻辑的语言，可以用于本体学习。展望未来，如何结合基于规则或者基于本体的推理和基于关系机器学习的推理，从而给出一种新的知识表示语言，是值得研究的一个方向。