在與客服機器人的斗智斗勇中，我們經(jīng)常會遇到這樣的情況：
視頻中，用戶在問第二個問題時，并沒有提到城市，但是客服機器人可以準確回答珠海分行?？头C器人「機智過人」的背后，便是來自捷通華聲AI硬核技術——知識圖譜。
知識圖譜可以將非結(jié)構(gòu)化、結(jié)構(gòu)化、半結(jié)構(gòu)化數(shù)據(jù)經(jīng)過知識抽取、知識融合、知識加工等方法構(gòu)建成有關聯(lián)關系的圖模型。知識圖譜由實體、關系和屬性三部分構(gòu)成，能夠非常清晰的體現(xiàn)不同實體之間的關系。在智能客服中，知識圖譜利用知識庫來輔助理解用戶問話內(nèi)容。
以上圖為例，張京的「職業(yè)」是翻譯，她的「國籍」是中國…在知識圖譜中，將客觀存在的「職業(yè)」和「國籍」等屬性關系，作為連接線，將張京與個人標簽之間進行連接。當然，除此外，張京還有很多個人標簽，比如畢業(yè)院校外交學院，漢族等等。
在現(xiàn)實世界中還存在很多隱性或復雜的關系。在客服領域，這種關系同樣存在，這就需要對各種關系不斷的挖掘，從而構(gòu)建龐大的知識圖譜，以便更好的服務用戶。
知識圖譜構(gòu)建
簡單來說，知識圖譜的構(gòu)建類和思維導圖非常相似，只要找到關聯(lián)關系，就可以將各個實體連接起來，主要包括知識抽取、知識融合及知識加工。
知識抽取
知識抽取就是從獲取到的各種原始數(shù)據(jù)中提取出實體、關系和屬性。知識抽取步驟所涉及的數(shù)據(jù)有非結(jié)構(gòu)化數(shù)據(jù)、結(jié)構(gòu)化和半結(jié)構(gòu)化數(shù)據(jù)。以非結(jié)構(gòu)化數(shù)據(jù)的關系抽取為例，可以分為開放領域關系抽取和限定領域三元組抽取。
限定領域三元組抽取是在一個或多個限定的領域內(nèi)對實體間的語義關系進行抽取，即實體領域已做限制，如：
數(shù)據(jù)：以下是鈞達股份在北京時間9月19日14:26分盤口異動快照:9月19日，鈞達股份盤中快速上漲，5分鐘內(nèi)漲幅超過2%，截至14點26分，報18.05元，成交3310.86萬元，換手率4.92%。
抽取結(jié)果：鈞達股份，漲跌幅，超過2%
開放領域三元組抽取是依據(jù)模型對自然語言句子理解的結(jié)果進行開放式抽取實體關系，即對實體領域不做限制，如：
數(shù)據(jù):7月19日，河南省自然資源廳地質(zhì)勘查處陳軍副處長協(xié)同自然資源部專家孟立山組成省廳地質(zhì)災害防治調(diào)研組蒞臨方城縣調(diào)研指導工作。
抽取結(jié)果：河南省自然資源廳，副處長，陳軍
知識融合
知識抽取完成后，需要將不同類型實體信息進行知識融合，即將不同知識庫的同一實體和同一屬性分別融合在一起。
把來自不同知識庫或名稱不同但表示特征相同的屬性進行信息融合，將同一實體中等價的屬性進行歸類統(tǒng)一，如：「注冊地，注冊地點，注冊地址」融合為「注冊地址」
對表示同一個對象的多個實體之間構(gòu)建對齊關系，同時對實體包含的信息進行融合和聚集。如：「捷通華聲，捷通華聲靈云，捷通華聲科技股份有限公司」屬性值相同融合。
知識加工
對知識圖譜進一步補充擴展，形成更加靈活的知識大腦。
知識圖譜功能
捷通華聲的知識圖譜支持查詢實體或?qū)嶓w對應屬性、查詢多個實體間的關聯(lián)關系，實現(xiàn)實體間的屬性值進行計算，以及根據(jù)多個實體的屬性值進行篩選等功能。
屬性查找
查詢實體或?qū)嶓w對應屬性時，對于某一實體以及實體對應的某種屬性進行提問，返回其答案。例如當圖譜數(shù)據(jù)為：姚明-身高-226cm
Q：姚明的身高是多少？
A：姚明的身高是226cm
關系查詢
查詢多個實體間的關聯(lián)關系時，對于多個實體之間的關聯(lián)關系提問，返回其關系。例如圖譜數(shù)據(jù)包括“葉惠美-兒子-周杰倫”和“周杰倫-妻子-昆凌”
Q：葉惠美和昆凌什么關系？
A：葉惠美的兒子是周杰倫，周杰倫的妻子是昆凌
插值計算
實現(xiàn)實體間的屬性值進行計算，例如圖譜數(shù)據(jù)為“小明-年齡-5”和“小王-年齡-6”
Q：小王比小明大幾歲？
A:1歲
按值篩選
根據(jù)多個實體的屬性值進行篩選，例如圖譜數(shù)據(jù)為“小明年齡5”，“小王年齡6”，以及“小洪年齡7”
Q:6歲以下的人有哪些？
A：小明，小王
