come on
#FormatImgID_1#點我瞭解更多文字處理相關技術
戳阿虎虎的影片號觀看本期影片版本
近日，持續一個月的2020歐洲盃賽事落下帷幕，足球作為“世界第一運動”自然少不了關注，喝著啤酒看著比賽最是愜意，在這個熱情似火的夏天，足球帶來了太多值得銘記的瞬間，有歡笑也有遺憾；但或許也有許多人因事務繁忙而錯過比賽直播，不過別急，阿虎虎這就用
知識圖譜
帶你回顧歐洲盃。
我們先簡單介紹一下知識圖譜。在維基百科的官方詞條中：知識圖譜是Google用於增強其搜尋引擎功能的知識庫。本質上，知識圖譜是
一種揭示實體之間關係的語義網路
，可以對現實世界的事物及其相互關係進行形式化地描述。
三元組
是知識圖譜的一種通用表示方式，基本形式主要包括兩種：
1.實體1+關係+實體2
實體是知識圖譜
中最基本元素，可理解為某個物件、個體。舉例：
“C羅效力於尤文圖斯隊”，
C羅和尤文圖斯隊
是兩個不同實體，效力就是兩者之間的關係
。
2.概念+屬性+屬性值
，概念可理解為集合、類別，如人物、國家等；屬性即特性、特徵，如年齡、性別、面積等；屬性值就是該屬性的值。舉例：“尤文圖斯市值9。22億歐”，尤文圖斯是足球俱樂部，市值是可用於描述俱樂部的一個屬性，在這裡屬性值為9。22億歐。
知識
圖譜正是由許許多多這樣的三元組構成，它們互相連線，最終形成類似於網狀的結構，進而表達更復雜的資訊。
基於此，阿虎虎製作了歐洲盃版的知識圖譜，透過下面兩張圖，便能一覽本次賽事。
上面其實是簡單版的知識圖譜，所涉及的實體和關係比較單一，但在實際應用中，各實體間的邏輯關係要遠比這複雜得多。
上文提到三元組主要包括兩種基本形式：
實體1+關係+實體2
和
概念+屬性+屬性值
。
第一種形式的構建所涉及到的自然語言處理技術主要是
1.實體命名識別2.關係抽取3.實體統一 4.指代消解
（點選
技術知識傳送門
檢視
詳解
）
第二種形式所涉及到的自然語言處理技術與第一種差不多，但應注意的是，第二種技術
“關係抽取”
需要換成
“屬性抽取”
。
屬性抽取（Attribute Extraction）
：屬性抽取的目標是從不同資訊源中採集特定實體的屬性資訊。概念比較抽象，下面透過一則新聞來了解一下屬性抽取。
北京時間7月12日凌晨，隨著2020歐洲盃決賽落下帷幕，本屆賽事射手王也已誕生——克里斯蒂亞諾·羅納爾多憑藉5粒進球奪得金靴！
雖然葡萄牙在16強戰階段就早早被淘汰，但已經36歲的C羅還是代表葡萄牙隊留下了4場比賽5粒進球（其中3粒點球）以及1記助攻的資料。
根據規則，進球數相同的情況下，先比助攻數，如若還相同則比較出場時間。因此，C羅得以以助攻數的優勢，力壓同樣打進5球的捷克鋒霸希克，摘得賽事金靴。
作為歐洲盃歷史射手王，C羅目前的紀錄定格在14球；不過這卻是C羅首次拿到當屆歐洲盃金靴，2016年他不敵格里茲曼斬獲銀靴。另外，這也是C羅首次奪得大賽金靴。
這則新聞需要用到的三元組兩種形式都有，但今天我們主要講
“屬性抽取”
，所以這裡只談第二種：
概念+屬性+屬性值
第二種形式的語句有“已經36歲的C羅”、“留下了4場比賽”、“紀錄定格在14球”、“2016年他斬獲銀靴”等，屬性抽取的難點在於除了
要識別實體的屬性名還要識別實體的屬性值
，
比如“已經36歲的C羅”這句，屬性名為“年齡”，屬性值為“36歲”
。
“屬性抽取”
可以大大豐富知識圖譜的資訊豐富度，從多層面詳細刻畫各個實體，比如人物實體的生日、性別、國籍等，都是它的屬性資訊，透過屬性抽取，透過多個數據源的獲取，我們就可以透過豐富的屬性資訊來較為完整地刻畫一個實體。
現在，一個基於上述文字的簡單知識圖譜就大概形成了，在知識圖譜的幫助下，上面一段比較雜亂的非結構化資料脈絡變得清晰起來，也更便於對其進行深加工。
（對新聞資訊處理後構建的知識圖譜）
除了上述的技術外，知識圖譜的構建還需要其他各種技術的支援，這裡就不一一展開了。在實際應用中，知識圖譜的業務型別也是非常豐富的，比如：
1.KBQA問答
（“knowledge base question answering”基於知識圖譜的問答），透過對問題進行語義理解及解析，透過知識庫進行查詢，如輸入“C羅的國籍是什麼？”，KBQA就會
基於知識圖譜的實體或關係
，輸出“葡萄牙”，而傳統的問答模式輸出的是網頁，而不是最終答案，這是根本性區別，因此KBQA更加智慧與高效，能夠較好地實現
所得即所想
，節約時間，提高效率。
KBQA
可以給企業帶來巨大收益，
對內可以減少無效勞動，提高員工工作效率
；
對外可以精準識別使用者意圖，最佳化使用者體驗，增加使用者粘性，從而為企業帶來長遠收益
。
2.搜尋+推薦
，結合行業知識圖譜等知識間的關聯推理資訊，實現相關內容自動推薦，拓展使用者搜尋邊界，
將資訊精準地推薦給目標使用者
。如電商可以給客戶推薦他們想要的產品，媒體給客戶推薦他們想要的資訊等。
3.邏輯決策輔助
，利用知識圖譜的知識，對知識進行分析處理，透過一定規則的邏輯推理，得出對於某種結論，為使用者決斷提供支援。如金融行業基於知識圖譜，可模擬經濟學的漣漪效應（如一個人支出的減少會造成其他人收入的減少，連帶也使得他們可支出的金額減少），對
期貨投資決策提供支援
。再如園區可基於產業鏈的上中下游關係，做出
招商引資決策
。
4.關聯挖
掘+根因分析
，透過知識圖譜挖掘事物之間的深層聯絡，找出根源並進行分析。如在智慧製造領域，基於知識圖譜可以快速定位到某個零部件的供應商或是說明書，在產品出現問題時，可以幫助售後快速並
精準定位到具體原因
，從而解決問題。
關於知識圖譜的應用，虎博科技已經達成了不少落地案例，比如
方正案例
（點選案例傳送門
檢視細節）。
方正證券APP“小方“App引入虎博科技智慧搜尋引擎，對所有業務板塊資料進行整合，整合了7大服務頻道，以統一的搜尋框作為資訊入口，向用戶提供智慧化的一站式全場景資訊服務。藉助
語義理解、實體識別、知識圖譜
等技術，“小方”APP能夠準確理解使用者的資訊需求，並實現資料穿透，向用戶反饋與搜尋意圖緊密關聯的有效資訊，多維度提供搜尋結果，從而連線使用者、價值資訊和目標產品。
在此案例中，
知識圖譜起到的作用是關聯挖掘，對產品進行多屬性智慧關聯，連線使用者和產品，提升產品的轉化率
。可統計範圍內容，在引入虎博智慧搜尋引擎後，其
資訊服務效率提升至少50%
，不僅縮短了服務路徑，且有效節省運營人力成本，促進線上營收增長。
以上就是阿虎虎分享的全部內容啦！虎博科技專注
NLP+知識圖譜
，現已推出
智慧搜尋問答中臺、NLP演算法中臺、新一代企業知識庫、智慧輿情繫統
等產品和服務，想用上這麼好用的知識圖譜或瞭解更多相關內容，可以點選下方
【閱讀原文】
聯絡阿虎虎進行溝通交流。
