logo资料库

Neo4j-ai-graph-technology-white-paper-EN-A4-CN_135.pdf

发布时间：2022-06-10 发布人：admin 分类：说明书 资料大小：3.96M 资料格式：pdf 举报 版权申诉
第1页 / 共12页
第2页 / 共12页
第3页 / 共12页
第4页 / 共12页
第5页 / 共12页
第6页 / 共12页
第7页 / 共12页
第8页 / 共12页
资料共12页，剩余部分请下载后查看
    人工智能与 图数据库技术 通过领域知识和关联数据提高AI性能 Amy E. Hodler, Mark Needham & Jake Graham 俞方桦 博士 编译 Neo4j Inc. neo4j.com The #1 Platform for Connected Data技术白皮书
    目 录 什么是人工智能(AI)? 领域知识对AI的重要性 四种通过图提供领域知 识的方法 知识图谱: 面向AI的领 域知识 使用图增强机器学习: 领域知识提高算法效率 关系特征: 高准确度 领域知识提 可解释的AI: 领域知 识提供可信度 1 2 3 3 5 7 8 结论 10 人工智能与图数据库技术 通过领域知识和关联数据提高AI性能 Amy Needham Hodler, Mark Graham Jake E. & 人工智能（AI）的概念历史悠久。 简单地给个定义，人工智能是一种解决方 案或一套工具，可以模仿人类智能的方式解决问题。 通常，它最实际的目标是进 行预测：对事物进行分类（例如添加标签）或预测值（例如系列中预期的下一个 数字）。 从更广泛的意义上说，AI有两类：狭义的和普遍的方法。 狭义AI专注于很 好地执行某项任务，例如图像识别。 更普遍的AI包括智能规划、自然语言理解 、对象识别、机器学习或解决问题的多种能力。今天的人工智能解决方案虽然 大多属于狭义的人工智能类别，但它们在适用于新情况方面拥有越来越广泛的 能力，因此随着时间的推移也变得更加强大。 使AI应用程序能够具有更广泛的能力的一种方法是为它们提供领域知识(又 称上下文，context)，为它们提供相关信息以用于解决手头的问题。 考虑一下自动驾驶汽车的情行。 在雨天条件下自动驾驶车辆是很困难 的，因为在多雨的条件下会有更多可变因素（想想太阳雨、暴风雨、冬天雨雪 混合等不同天气类型，还有光线的因素、可能从左上或右上方照射下来）。 自动驾驶汽车的AI需要学习光线和天气条件的每种可能组合，但是事实上在 换一个角度，如果能为AI提 所有可能的情况下对其进行训练上是不可能做到的。 供关联的领域相关知识（例如下雨的夜晚、夜晚和温度的关联），则可以组合来 自多个领域相关的信息并推断出下一个要采取的操作（如减速或打开前灯）。 图和图数据库技术管理关联数据并定义关系。通过应用领域相关知识增强AI 的性能，图技术提供了一种有效的技术手段来实现复杂AI应用程序的开发。 什么是人工智能 (AI) ? 人工智能技术有三大类，每种类别都以不同的方式解决问题。 人工智能是 一个总括性术语，包括机器学习（ML）和深度学习（DL）的各个子集。 1 neo4j.com The #1 Platform for Connected Data技术白皮书
    人工智能 (AI) 是一类计算机 过 程 ， 通 过 学 习 和 模 仿人 类决策的方式解决问题。 今天的AI解决方案主要用于 非常具体的任务，而不是通 用应用。 机器学习 (ML) 使用算法帮助计 算机学习特定任务的示例、实现 渐进式改进，而无需显式编程。 深度学习 (DL) 使用以神经网络为模型的级联处 理层来学习数据表示，例如特征 或分类。 机 器 学 习 中 的“ 学 习 ”部 分 意 味 着相 关算法通过迭代以优 化目标函数，通常是 实现最小化误差或损 失。 机器学习是动态 的，能够在呈现更多 数据时自行修正。 人工智能由几个技术子集组成，每个技术子集都以不同的方式解决问题。 AI 是一类计算机过程，通过学习和模仿人类决策的方式解决问题。 请注意，这不需要具有实际智能。 然而，它确实为许多问题打开了大门，以执行 AI是解决方案的目标，机器学习本质上是实现它的一种 人类智能所特有的任务。 方法。 机器学习 (ML) 使用算法帮助计算机学习特定任务的示例、实现渐进式改进，而 无需显式编程。 "训练"AI涉及向算法提供大量数据，以使其能够学习如何处理这 些信息。 机器学习的“学习”部分意味着相关算法通过迭代以优化目标函数，例如 实现最小化误差或损失。 机器学习同时是动态的，能够在呈现更多数据时自行 修正。 (DL)使用以神经网络为模型的级联处理层来学习数据表示，例如特 深度学习 征或分类。深度学习的“深层”部分是指多个隐藏的抽象层。 这些图层实现 了具有层次结构的特征集，例如向水果类别添加形状、大小和气味。 领域知识对AI的重要性 对于人类和人工智能而言，领域知识对决策至关重要。 成年人每天做出成 千上万的决定（有人说大约35,000个），而且大多数都取决于我们周围的环境或 我们看待世界的角度。 如果我们正在安排旅行，会考虑旅行是为了工作、娱乐还是与他人同行， 因此最后的决定有很大差异。 在人类语言中，话语的实际含义高度依赖于情境 、谁使用短语以及其语调。 例如，如果一个人说“滚出去！”，其真实意思可能 会表达一个友好的玩笑，也可能是真正生气要求别人离开房间。 2 www.neo4j.com
    人工智能和图数据库技术 假设我们正试图 解决一个现实世界的 问题并做出一个决定 ，这个决定要求我们 拥有正确的领域知识 、并尝试以某种方式 自动化或简化决策过 程。 人类使用情境学习来确定在某种情况下什么是重要的、以及如何将其应用于 新情况。 如果要求人工智能来做出更接近人类的决策，则需要借助大量领域知 识。 如果没有外围设备和相关信息，AI需要更详尽的训练、更多的规范性规则和 更具体的应用。 图可以实现领域相关知识的四种方法 至少在四个主要区域，图可以为AI提供领域相关知识。我们将在本白皮书的 其余部分详细介绍以下各节。 首先是知识图谱，它为决策支持提供领域相关知识/上下文（例如，为呼叫 中心员工或现场支持工程师），并且帮助确保答案适合于该特定情况（例如，在 多雨驾驶条件下的自动车辆）。 其次，图提供更高的处理效率，因此借助图来优化模型并加速学习过 程可以有效地增强器学习的效率。 第三种，基于数据关系的特征提取分析可以识别数据中最具预测性的元素 。 基于数据中发现的强特征所建立的预测模型拥有更高的准确性。 第四种，也是最后一种，图提供了一种为AI决策提供透明度的方法，这 使得通过AI得到的结论更加具有可解释性。 - 知识图谱：决策的背景 最快进入实际应用的AI领域之一是决策支持。假设我们正试图解决一个现 实世界的问题：做一个决定，这个决定要求我们拥有正确的领域知识，并尝试 以某种方式自动化或简化该过程。 3 www.neo4j.com
    人工智能和图数据库技术 领域知识丰富的知识图谱 为内部知识文档和文件创 建知识图谱，并赋予元数 据标记。 应用案例: 搜索引擎 客户服务 文档分类 • • • 知识图谱提供了一种简化工作流程、自动化响应过程和扩展智能决策的方法 。在高层次上，知识图谱是相互关联的事实集合，以人类可理解的形式描述现实 世界的实体、事实或事物，及其相互关系。与具有平面结构和静态内容的简单知 识库不同，知识图谱通过获取和集成相邻的信息以获得新知识。 以下是知识图谱的一些关键特征： - 知识图谱需要围绕相关属性进行连接。由于并非所有数据都是知识，我们寻 找的是与领域相关的信息。 - 知识图谱是动态的，图本身可以理解连接实体的内容，无需手动为每条新信 息编写程序。知识图谱能够把那些对我们重要的属性进行适当的关联，基于我们已 经对它们建立的关系。 - 知识图谱需要能够被理解。有时我们说它是有语义的，因为知识本身告诉我 们它是什么。智能元数据帮助我们遍历图以查找特定问题的答案，即使一开始我们 并不明确地知道如何要求它做到。 - 实际上，知识图谱通常包含异构数据类型。它结合并揭示了信息孤岛之间的 联系。 领域知识丰富的知 识图谱 为内部知识文档和文件 创建知识图谱，并赋予 元数据标记。 外部感知知识图谱 自然语言知识图谱 为外部数据源建立知识 图谱，并汇总和映射到 感兴趣的实体。 为技术术语、首字母 缩写词、拼写错误等 建立知识图谱。 知识图谱根据知识类型和使用的数据分成相关的三个类别 当今市场上有三种主要的知识图谱类别：领域知识图谱、外部感知图谱和 自然语言处理（NLP）图谱。 领域相关知识图谱 领域知识丰富的知识图谱解决了这样的挑战：简单的基于关键字的文档 搜索、或简单识别单个单词的重要性对于检索拥有大量异构数据的知识库并 不准确和有效。 建立知识图谱则使我们能够将内部文档、文档相关的领域知识、以及元 数据标记相结合，在图数据库中能够更快地连接和遍历这些知识。 4 www.neo4j.com
    人工智能和图数据库技术 外部感知知识图谱 外部数据源聚合映射到 感兴趣的实体。 应用案例 • 供应链合规风险 • 市场活动 • 销售机会 自然语言处理知识 图谱 建立特定技术术语、产品 名称、行业首字母缩略词 、部件号甚至常见的拼写 错误的知识图谱。 应用案例 • 增强型搜索 • 聊天机器人 • 改进的内容分类 5 对于领域知识丰富的知识图谱，最常见的用例是Google的搜索引擎，另外文 档分类和客户支持也是常见的应用场景。 例如，如果我们能够根据每年收到的数 以万计的复杂技术支持问题，向技术支持人员快速展示最类似的问题、以及如何 解决问题的方法和相关文档，那么会大大加快问题解决的速度。 包含丰富领域相关知识的知识图谱适用于以文档形式获得和保存大量知识的 组织。 知识图谱有助于填补信息收集、与能够查找和应用该信息（通过数据关联 ）之间的差距。 一个成功的例子是美国宇航局的经验教训数据库，该数据库记录 了过去5年来的任务和项目知识。 外部感知知识图谱 外部感知知识图谱聚合外部数据源并将它们映射到感兴趣的内部实体。 例如， 在评估供应链风险时，我们可能希望查看所有供应商、他们在所有地方的工厂、以 及我们所有的供应线，以分析中断风险。 另外，还可以考虑当特定地点发生自然灾 害时会如何影响供应链并识别在那些地点附近的类似供应商。 一般而言，我们需要能够从市场中收集大量信息：感知信息，确定与领域相 关的信息内容，并将其呈现给需要的人。 除了供应链监控之外，外部洞察感知还 用于分析合规风险、市场活动的影响和识别销售机会。 例如，路透社（现更名为Refinitiv）拥有关于企业财务内容的知识图谱，使组 织能够连接外部和内部知识，并在大市有时间做出反应之前快速做出最佳财务决 策。 自然语言处理知识图谱 自然语言处理（NLP）知识图谱包含关于人类语言的复杂性和细微差别的知 NLP知识图谱需要了解公司的特定技术术语、产品名称、行业首字母缩略词 识。 、部件号甚至常见的拼写错误。 这是分析师创建知识图谱以映射含义和构建本体 的地方，在此基础上进一步改进搜索并提供更相关的结果。 重型设备制造商Caterpillar使用NLP知识图谱来支持自然语言搜索，并从数千 份保修文档中提取含义。另一个例子是eBay App for Google Assistant，它使用所 有三种类型的知识图谱：相关领域知识、外部感知和NLP，来引导购物者获得完美 的产品。 今天，基于图的AI应用程序的许多实现都利用了知识图谱。 本文的其余部分 会继续探讨图技术对提升AI应用有重要贡献的其他领域。 知识图谱增强机器学习：领域知识提高运行效率 当前的机器学习方法通常依赖于存储在表中的数据。 机器学习这些数据充其 量只是资源密集型操作。 超过一半的受访企业CIO表示，迭代模型的学习效率是 将AI项目从概念转化为生产力的最大挑战之一。 www.neo4j.com
    人工智能和图数据库技术 知识图谱提供了 提高效率的领域相关 内容，因为它将数据 连接起来，从而在关 系上实现了多个分离 度、有利于大规模快 速遍历和分析。 知识图谱提供了提高效率的领域相关内容，因为它将数据连接起来，从而在 关系上实现了多个分离度、有利于大规模快速遍历和分析。从这一意义上说，图 加速了机器学习的效果。 人类天生具备自然地连接相关信息的能力。 举个例子，考虑一下人们在被问 到“这张关于狗的照片让你想起什么？”时的反应。人类不需要运行繁复的程序， 例如最近邻分类器，将该狗与所有像狗的对象进行比较。 我们几乎立即就会发现 它 哺乳动物 - 而不是人类或其他无生命的物体 - 并将它归类为狗。 当数据以表的形式存储时，需要多次迭代才能连接它。 例如，当过滤过程 需要在数据管道中连接多个表以揭示某种关系时，其效率变得非常之低。 而像 协同过滤等数据科学实践却往往需要频繁连接(JOIN)、索引和查找多个表来得 到要求的结果。 在许多机器学习系统中，来自现实世界关联的数据被存储为表， 然后通过迭代连接以产生决策树。 扩展性是关于机器学习效率的另一个问题。 有数据进行计算。 些方法往往会减慢迭代速度，因为它们要么计算密集、要么需要人为参与。 单的图查询则可以通过返回仅包含所需数据的子图来加速此过程。 机器学习算法可能需要针对所 然而，这 简 为避免这种情况，分析师会手动创建数据子集。 对存储在图数据库中的关联数据进行训练效率更高。 高效，特别是与典型的手动设置或统计推断相比。 图过滤过程相当地 使用图，我们可以快速提取可以用于预测的特征、并重新转换数据以便在机 器学习的管道中使用。 例如，从图中我们将相关的数据子集（例如强连通子图 ）提取为表状格式以进行模型构建。 6 www.neo4j.com
    人工智能和图数据库技术 “我们越来越多地了 解到，从朋友和朋友 的朋友那里获取关于 某人的信息，要比自 己手头掌握的关于这 个人信息在进行预测 方 面 能 获 得 更 好 的 结果。” - James Fowler, Connected 关系特征: 领域知识提高准确度 关系往往是行为的最强预测因素。 例如，研究表明，你更大的朋友圈在预测你是否会投票方面比你的直接朋友圈 会是一个更好的指标（在这种情况下，朋友的朋友比直接的朋友更有影响力）。 关联数据的特征可以从图中与连接相关的指标得到，例如进出节点的关系数量(入 度和出度)、潜在三角形或共同邻居的数量。 当前的机器学习方法通常依赖于从表构建输入数据。 这意味着尝试抽象、 简化并且(有时)则完全遗漏了大量的预测关系和领域相关知识。 通过将关联的 数据和关系存储为图，可以更直接地提取关系的特征、并更轻松地包含所有重 要信息。 关系特性可以在许多行业中使用，尤其在调查欺诈和洗钱等金融犯罪领域。在 这些案例中，犯罪分子经常试图通过多层次混淆和复杂网络关系来隐藏犯罪活动 。传统方法可能无法检测到这种行为，而这正是图在提取关系特征方面所擅长的领 域。 使用关系特征有几种不同的方法。 在上一节我们介绍了通过特征提取重新格 Engineering )，它结合 式化我们的数据；具有更大价值的则是特征工程(Feature 并处理数据以创建 新的、更有意义的特征。 特征工程可能需要同时涉及简单查询或图算法。 当我们确切地知道想要找到什 么时，例如确定某人的网络中有多少已知的欺诈者，特定的查询就可以很好地解决 问题。 基于“平面数据”的传统方法简化或完全省略了可用于预测的关系。 添加了高度预测性功能，在不改变当前工作流程的情况下提高了准确性。 (包含数据和关系的)图为模型 7 www.neo4j.com
    分享到：
    赞 收藏

    相关推荐

    资料库

    存储

    共收录294份资料，累计8个分类，关注成员有19位，主要包括：EMC,SUN,IBM,Dell,HP,Microsoft,Veritas,其它

    热门标签

    EMC SUN IBM Dell HP Microsoft Veritas 其它

    最新资料