1樓：
短期來看很難…
抖個機靈的回答，你看google還提知識圖譜嗎…知識圖譜算是把知識顯式的表達，其優點是看上去用的更準確，更放心，但是其本身就難構造到很好的準確率，且不說消歧、覆蓋這個大難題，圖譜的更新也是個很難解決的事情。實際應用用的大都是把圖譜中的實體，關係作為詞典來使用，而直接使用圖譜本身的場景並不多…
相反embedding這種算是知識的隱式表達，其缺點是黑盒，但架不住用起來方便，效果好，一來把稀疏特徵轉成稠密表達，二來不同型別的物件都可以在同一空間內用embedding表達。個人覺得知識圖譜有點類似ont-hot表示，誰好誰壞就很顯然了。
個人覺得embedding是nlp的未來，越來越多的可解釋性研究也大大緩解黑盒的問題…
2樓：yp li
短期可能是，長期不一定
十幾年前弄過一段檢索，機器翻譯。那會還沒有知識圖譜概念，深度學習也沒出來。那會統計方法比較火，已經明顯把之前很火的專家方法壓下去了，但也遇到了一定的瓶頸。
神經網路是真的在研究人腦，真是在給被試做核磁掃瞄這些，同班有個同學還報了腦資訊學的博士。
現在輪到知識圖譜火了，但那又怎麼樣呢。真實世界遠比實驗複雜，不能拿個錘子就看什麼都是釘子。真實世界是永遠沒有銀彈的，今天這個好用分高屠榜，明天出個新方法就變成新的all your need.
然後新的那個就代表未來了麼？
3樓：MIchael Player
知識圖譜是一種描繪實體之間關係的語義網路，是人工智慧重要研究領域——知識工程的主要表現形式之一。
知識圖譜通過RDF（三元組），既「實體 x 關係 x 另一實體」或「實體 x 屬性 x 屬性值」集合的形式，以人類對世界認知的角度，闡述世間萬物之間的關係，通過NLP技術、圖計算、知識表示學習等手段，將非線性世界中的知識資訊結構化，以便機器計算、儲存和查詢，起到賦予機械人類認知的效果 ，是人工智慧技術走向認知的必要基礎。
4樓：澤宇
知識圖譜提供了認知系統的關鍵技術手段，除了深度學習這種資料驅動的NLP技術，結合知識圖譜能夠提供更多的可解釋性和語義資訊。
5樓：Pelhans
個人認為很難。
知識圖譜本質上是結構化的知識，重點是結構化，即完整的 schema，可以在上面做一定程度的推理。至於知識部分，說實話，像 BERT-WWM 或者更大的一些預訓練模型裡已經包含了很多了。如果能夠合理利用 KG的結構化特徵，可以增加模型的可解釋性和推理能力，認知智慧型還是可以期待的。
可惜上面都是理想情況，結構化得知識圖譜好是好，但大規模、高質量的圖譜卻求而不得。目前大型圖譜的自動化構建效果堪憂，還需要大量的人工干預。自身都難保，還得靠 NLP 的突破才能更進一步，更別提後面的事了。
所以，難啊。
6樓：漱石先森
知識圖譜是不是NLP的未來這個問題其實不用那麼糾結。 在我看來兩者是相互交融的，在構建知識圖譜的時候會用到nlp，解決一些nlp方面的任務時也可以用到知識圖譜。兩者最終目的都是往讓機器能夠更好的認知這個世界，朝著更加智慧型化的方向去發展。
提主用影象的例子跟nlp我覺得也不太恰當。影象是感知層面的事情，基於大量標註資料，是可以讓機器學得其特徵，這個特徵是一種高維空間向量。而學習這些特徵又是需要巨大的標記資料的，知識圖譜最近這些年這麼火的乙個重要原因也是現在大資料的一波紅利已經讓深度學習吃光了，無論是影象識別，語音識別這些都是需要大量的標註資料。
而知識圖譜則是把知識提取出來，以一種機器可以理解的方式儲存起來。相當於給了機器先驗知識，小的資料量就能讓機器具備一定的知識。
當前計算智慧型和感知智慧型（影象，語音）都已經實現了，而且已經很成熟了。將來人工知識發展的未來就是奔向認知智慧型，這一更深層次的人工智慧。讓機器能真正理解這個現實的世界，具備向人一樣的認知能力還是非常困難的。
從當前的研究來看，目前最優的方法可能就是依賴知識圖譜了。當然肯定不僅僅是知識圖譜，但是知識圖譜可以起到乙個重要的作用。
7樓：智多多
不是，知識圖譜相當於把常識或者業務知識結構化了。結構化的資料更好處理，有時像業務資料庫，所以它能處理很多複雜問題。
但人在很多常識決策的時候不是結構化思考出來的，通常是直覺。前面有輛來的車我會馬上閃躲，有個滾燙的杯子我不會去碰。
8樓：SimpleZqb
知識圖譜只是減輕了神經網路學習這些知識的訓練負擔，是乙個重要的幫手，其實只要給神經網路足夠的訓練，採用一定的方法照樣可以學習這些知識。比如Bert的國內改造版詞MASK，就是讓語言模型學習實體之間的關係的乙個方法
9樓：趙照照
前兩天閱讀王垠關於人工智慧的一些見解，有一些思考。
王垠認為當前的NLP階段主要進展還在lexer階段，大部分連乙個成熟的parser都沒有。談不上理解語言。
通用的parser目前是沒有，但在問題相對封閉簡化的場景下，我們是可以做一些parser的。有了parser，語句就可以被理解為確定的「彙編」。
我理解，這個「彙編」執行的母體可以是知識圖譜，乙個建模關係和實體的資料集合，也可以是其它型別的知識建模方式，比如流程圖。這裡的關鍵是解決什麼問題。知識圖譜不是萬能的，但是可以解決一部分/一些型別NLP問題。
10樓：AMAGI·WANG
知識圖譜是出自於符號派，nlp是聯結派的神經網路，兩者出發點不同；知識圖譜區域性運用神經網路，關鍵在於可以解釋神經網路的黑箱，重點是生成基層的三元資料結構；nlp對詞性上下文語義等進行分析，兩者是有交叉的；
11樓：找到App
知識圖譜和NLP技術可以單獨發展，但相互交叉結合帶來的技術效果相當於1+1>2 。
未來十年的時代主題是AI，而知識圖譜和NLP都是應用在AI中的基礎核心技術，不能將其中乙個看作是另乙個的未來，這會過於片面性。
當前，知識圖譜在商業應用中，會結合NLP技術，自動檢測外部知識，分析理解知識，資料清洗後，自動輸入有效的知識，並建立場景化知識網路再儲藏起來，同時，也會產生結構化知識結果，並向外輸出結果。
12樓：趙丹
NLP的進展離不開知識圖譜，然而眼下的知識表示理論和技術都不支援NLP領域產生飛躍性的進步。僅僅是更大規模，更多節點和關係，並不能引起質變。知識表示的基礎理論必須有所突破，產生一種像資訊理論之於資訊那樣，對知識進行嚴格數學描述的理論，才能真正實現語義的形式化，從而實現真正的自然語言理解。
參見我的文章
NLP能解決語義問題嗎？
13樓：wei chris
我覺得之所以有這個疑問，乙個很大的原因是NLP本身的發展落後於人民對它的期望，需要找乙個方向加持一下研究的意義和效果。這一點影象要好很多，至少搞影象的人喊知識圖譜的聲音很少。
但是我覺得，知識圖譜可以說是整個AI的未來。所以單說是NLP的未來，既正確也片面。當前的人工智慧基本還在識別層面，並不在認知和決策層面，而知識圖譜最大的貢獻應該就是認知，推理和決策。
NLP的窘境在於，識別也不保準，認知和推理更是麻煩。如果NLP不寄希望於知識圖譜，能寄希望於什麼呢？機器翻譯，對話生成？
這些應用真的理解自己的結果嗎？
然而這條路並不好走。本人在開放領域做過知識圖譜，現在幹醫療垂直領域。兩種型別的知識圖譜完全不是一回事。
開放領域的知識圖譜通常包含的節點和關係很多，最終的準確性也無從判別(現實世界沒那麼多非黑即白的事情)，很多情況下只能走ab test。垂直領域的知識圖譜節點和關係型別很有限，強調準確，但是最大的問題是語料很少，中文的更少。國內這麼多醫療創業公司，喊人工智慧三五年了，有多少認真做出過系統的知識圖譜的。
如果做出來了，到處宣傳都來不及。
知識圖譜是塊寶，但是不一定能拿得起來！
14樓：某翔
80年代風是否是Gucci的未來？
知識圖譜其實某種意義上來講也是個老方向了，對於現在純粹以統計學習方法支撐的部分NLP模型當然有幫助。就像大家看慣了現代設計之後Gucci重新跑回去做80年代Balenciaga出了雙老爹鞋，因為現行的點子在某一段時間帶來的提高有限，於是跑回去尋找以前的靈感，前人留下的坑，看能不能有所提高。
畢竟世紀初的時候我們都認為SVM才是人工智慧的未來（逃
15樓：飛鶴
其實，題主這個問題，可以分塊的去想。
知識圖譜的有點，在於標識各項知識，及知識間的相互關係。如果要用深度學習去解決NLP的問題，知識圖譜是乙個相當不錯的推進器。
深度學習，需要很長時間的知識總結，END-END不光需要時間，還需要大量的資料積累。所以，如果在訓練的前期，使用知識圖譜，可以使初期學習縮短，在指定的task上得到高caauracy。
其後，因為有知識圖譜的存在，可以讓後續深度訓練得到必要的知識反饋，從而更好的判斷結果的狀態已經後續遺傳的方向及計算必要性。
NLP也可以利用反向邏輯，製作出知識圖譜。但知識圖譜，不是NLP的未來，知識NLP在現階段乙個落地方向，或二次起點。
16樓：
兩者不一樣但是又相輔相成，nlp的落地應用需要知識圖譜的輔助，否則應用會很傻，知識圖譜的構建需要nlp技術的輔助，否則需要大量人工
知識圖譜的構建流程？
想想想財務自由 你好。我的專欄除了github示例，還有構建知識圖譜常用的工具平台，以及學習資源。望參考。想想想財務自由 Github 知識圖譜的應用示例想想想財務自由 持續更新 知識圖譜相關工具平台整理想想想財務自由 知識圖譜學習資源 持續更新 王大力 知乎首答，想認真寫一寫。本科211，碩士美國...
構建知識圖譜的軟體？
雲悠水澈 有人說腦圖是網狀結構圖，有人說是樹形圖，好像沒有標準定義。如果是專業的 全面 系統的研究和表示，可能網狀結構圖為好。但evernote 是乙個筆記，你是想找個樹形結構筆記嗎？如果是的話，可以試試小筑筆記，樹形結構，無限分層。如果不是必須要個有連線的圖的話，這個就更利於積累 梳理 利用知識，...
知識圖譜是先有雞還是先有蛋的問題？
post 正常專案實施的話，依據專案規模，如果專案規模較小前期沒有很多語料的情況下，基本都是人工根據業務經驗 專業名詞 構建實體和關係，實現專業知識圖譜 有些也叫領域知識圖譜 構建。後續上線後會以詞頻統計 聚類 關聯規則等演算法挖掘輔助推薦實體新增，當然也需人為確認。並不是說不提倡使用演算法進行實體...