课程简介

遇到的挑战主要是由两方面原因造成的。

第一，知识图谱相较于图像、语音、NLP 等 以算法为主的 AI 领域来比，它不是单单靠算法模型持续优化就能解决的，它更多 的还需要知识运营的参与以及工程系统的搭建。 最终的交付物并非是单纯的算法服务，而是一个很大的知识网络。

第二，百科知识图谱对知识有清晰的定义，大家谁去构建目标都差不多，交付物最终也不会偏差太多。但是商品知识图谱到底构建哪些知识 是没有太清晰的定义的。

总而言之，面临技术上不知从何下手，知识上不知交付终态是什么的两个问题。

目标收益

1. 对知识图谱实践的方法和场景有全面的认识
2. 对知识图谱未来的发展方向有些了解
3. 对知识图谱应用的现状和局限有一定的了解

培训对象

课程内容

案例方向

---

数据商业化/大数据架构/NLP/人工智能产品落地

案例背景

---

遇到的挑战主要是由两方面原因造成的。

第一，知识图谱相较于图像、语音、NLP 等 以算法为主的 AI 领域来比，它不是单单靠算法模型持续优化就能解决的，它更多 的还需要知识运营的参与以及工程系统的搭建。 最终的交付物并非是单纯的算法服务，而是一个很大的知识网络。

第二，百科知识图谱对知识有清晰的定义，大家谁去构建目标都差不多，交付物最终也不会偏差太多。但是商品知识图谱到底构建哪些知识 是没有太清晰的定义的。

总而言之，面临技术上不知从何下手，知识上不知交付终态是什么的两个问题。

收益

---

1. 对知识图谱实践的方法和场景有全面的认识
2. 对知识图谱未来的发展方向有些了解
3. 对知识图谱应用的现状和局限有一定的了解

解决思路

---

回顾过去，我们能有机会持续在这个方向投入，关键点有两个：第一，我们对商品知识最初就确定了清晰的定义，我们允许进入知识图谱的知识遵循客观的（非一些业务逻辑和特定约束下的规则，而是具备普适性），公开的（非隐私数据），标准化的（可以协作生产）原则，同时又与商品组织、表达、发现相关，从而沉淀的知识能够在业务应用上复用，生产的过程能够在不同角色间公开协作，同时也可以在业务场景和业务目标的驱动下，相关人员有动力参与到知识的构建中来。第二，记着漆桂林老师前些年分享讲知识图谱技术就像盲人摸象，谁看到的都不一样。在那个初期阶段，我们跟藏经阁计划的五位老师一起对知识图谱技术按推理、获取、融合、建模做了清晰的定义，从而才使得我们的工程、算法能够协作起来。

结果

---

电商的商品信息从知识生产的源头就是结构化的知识卡片，相较于知识图谱传统的应用形式，例如搜索的知识卡片、基于知识图谱关系的推荐、基于 KBQA 的问答等，在电商的场景下，知识图谱的应用是有本质区别的。

总体来看，我们的商品知识图谱正在为天猫、淘宝、Lazada、AliExpress、1688、飞猪、盒马、天猫精灵等 20 多个业务线提供商品相关的知识服务和推理决策支持。典型的应用形式例如：

（1）通过图片、条码等极少信息的 AI 识别，识别出商品 ID，利用知识服务，快速帮助商家把线下商品基础信息数字化，同时还能通过 AI 帮助商品更好地描述其商品卖点与亮点。知识图谱帮助企业智能运营。

（2）通过知识图谱本体间的映射，帮助商品在不同的市场间做自动的信息转化，例如国内商家在天猫的商品，一键自动在东南亚市场多个国家通过多个语言即时上线。知识图谱助力商家把商品卖全球。

（3）通过推理帮助平台自动拦截有问题的商品，知识图谱为消费者保驾护航。

（4）通过商品知识图谱帮助 C2M，发现新需求，指导生产端生产商品。例如这次疫情，我们很早就发现了印有“今天已经消毒”字样的指示牌需求，给到有生产能力的工厂，为突发的需求量提前预警。