國內(nèi)外知識圖譜發(fā)展趨勢和研究熱點(diǎn)演變分析

張玉柳，趙 波（云南師范大學(xué) 信息學(xué)院）

2019年，國際人工智能與教育大會指出：“面對人工智能對教育帶來的機(jī)遇，我國要深入開展智能教育應(yīng)用戰(zhàn)略研究，探索智能教育的發(fā)展戰(zhàn)略、標(biāo)準(zhǔn)規(guī)范以及推進(jìn)路徑”［1］。祝智庭等認(rèn)為，智能教育是智慧教育的實(shí)踐路徑［2］。特別是在智慧教育的實(shí)現(xiàn)過程中，知識的語義搜索、個性化學(xué)習(xí)推薦系統(tǒng)、學(xué)習(xí)者畫像構(gòu)建等都依賴大規(guī)模知識圖譜的發(fā)展。而知識圖譜作為人工智能領(lǐng)域重要的發(fā)展方向，又是未來“人工智能+教育”發(fā)展的重要依托。在如今知識大爆炸的時代，知識的重要性日益顯著，人們越來越重視知識之間的關(guān)聯(lián)，知識圖譜具有非常高效的語義處理功能，能夠直觀、清晰地展示出知識之間的復(fù)雜聯(lián)系，實(shí)現(xiàn)對知識結(jié)構(gòu)關(guān)系的清晰圖示［3］。伴隨著人工智能、大數(shù)據(jù)及深度學(xué)習(xí)的發(fā)展，知識圖譜取得了新的研究進(jìn)展，從最開始的Google智能搜索引擎，到現(xiàn)在的大數(shù)據(jù)分析、聊天機(jī)器人、個性化教育、推薦系統(tǒng)，都與知識圖譜有著千絲萬縷的關(guān)系。

知識圖譜作為人工智能時代國內(nèi)外快速發(fā)展的跨學(xué)科研究領(lǐng)域，正確分析與梳理其研究熱點(diǎn)和前沿趨勢對未來推進(jìn)多領(lǐng)域研究與創(chuàng)新具有重大意義。

1 數(shù)據(jù)來源和研究方法

（1）數(shù)據(jù)來源。以“知識圖譜”為主題在CNKI進(jìn)行檢索，共獲得文獻(xiàn)2,332篇，時間跨度為2005—2019年。剔除與知識圖譜主題無關(guān)的文獻(xiàn)后，獲得317篇關(guān)于國內(nèi)知識圖譜研究的文獻(xiàn)。在Web of Science數(shù)據(jù)庫中，選擇TS=（“Knowledge Graph”or“Knowledge Visualization”），時間跨度為1996—2019年，對文獻(xiàn)進(jìn)行篩選后，獲得1,210篇關(guān)于國外知識圖譜研究的文獻(xiàn)。

（2）研究方法。本研究利用科學(xué)引文數(shù)據(jù)可視化分析軟件CiteSpace和書目共現(xiàn)分析系統(tǒng)BICOMB，通過引文分析與關(guān)鍵詞共現(xiàn)可視化分析探究國內(nèi)外知識圖譜的研究熱點(diǎn)與未來的研究趨勢。

2 知識圖譜的發(fā)展脈絡(luò)

研究主體的研究規(guī)模以及分布狀況常被用來反映一個研究領(lǐng)域是否受學(xué)術(shù)群體的關(guān)注和認(rèn)同。文獻(xiàn)數(shù)量的時序變化是某領(lǐng)域發(fā)展趨勢的重要衡量指標(biāo)，在BICOMB軟件的提取界面以“年代”為關(guān)鍵字段分別統(tǒng)計(jì)國內(nèi)外知識圖譜研究文獻(xiàn)的數(shù)量（見圖1）。國內(nèi)外文獻(xiàn)量曲線擬合指數(shù)函數(shù)分別為y=0.027e0.2481x、y=2.043e0.1321x，且曲線擬合程度都比較高，均超過了0.8，在一定程度上說明未來國內(nèi)外知識圖譜的相關(guān)研究文獻(xiàn)將會與日俱增。

圖1 國內(nèi)外知識圖譜研究文獻(xiàn)的數(shù)量分布

由圖1可知，國內(nèi)知識圖譜研究晚于國外，但就研究的趨緩階段、高潮階段來說國內(nèi)外基本一致。筆者通過對已有研究文獻(xiàn)的梳理發(fā)現(xiàn)，國內(nèi)關(guān)于利用知識圖譜對多領(lǐng)域進(jìn)行文獻(xiàn)可視化分析的文獻(xiàn)數(shù)量所占比例較大，導(dǎo)致部分研究者在知識圖譜自身發(fā)展態(tài)勢的研究中的數(shù)據(jù)源選擇存在些許偏差，分析出的主題熱點(diǎn)大多聚集在科學(xué)知識圖譜應(yīng)用方面。科學(xué)知識圖譜是一種展示科學(xué)知識發(fā)展進(jìn)程與結(jié)構(gòu)關(guān)系的圖形可視化技術(shù)，它涵蓋知識可視化和文獻(xiàn)計(jì)量分析等方法。如，張妮［4］、夏立新［5］等都是從理論研究、文獻(xiàn)計(jì)量方法、文獻(xiàn)可視化工具與應(yīng)用領(lǐng)域方面揭示知識圖譜研究的發(fā)展軌跡與熱點(diǎn)演變，關(guān)鍵構(gòu)建技術(shù)領(lǐng)域卻無一涉及。而國外主要側(cè)重于知識圖譜構(gòu)建技術(shù)的研究，目前，國外對知識圖譜研究比國內(nèi)的相關(guān)研究更為深入。

2.1 國內(nèi)知識圖譜研究

（1）萌芽階段（2005—2010年）。2005年，陳悅等發(fā)表了國內(nèi)第一篇與知識圖譜相關(guān)的文獻(xiàn)——《悄然興起的科學(xué)知識圖譜》。截至2019年10月29日，該文獻(xiàn)被引用量達(dá)到696次，是我國知識圖譜領(lǐng)域的開篇之作。據(jù)研究可知，此階段側(cè)重于知識圖譜的理論研究。

（2）穩(wěn)定深化階段（2010—2015年）。該階段的論文數(shù)量持續(xù)增長，知識圖譜開始被多學(xué)科領(lǐng)域的專家學(xué)者關(guān)注。2012年，國內(nèi)上線了首個關(guān)于搜索引擎的中文知識圖譜“知立方”［6］。2013年，第一屆中文知識圖譜研討會在杭州召開，探討了中文知識圖譜的構(gòu)建技術(shù)與策略等核心問題［7］。這一時期，知識圖譜研究偏向于應(yīng)用層面，呈現(xiàn)出穩(wěn)定深化態(tài)勢。

（3）繁榮發(fā)展階段（2015—至今）。該階段知識圖譜的應(yīng)用領(lǐng)域越發(fā)廣泛，發(fā)文量大幅激增，將知識圖譜研究推向高潮，同時伴隨著人工智能、大數(shù)據(jù)的發(fā)展，知識圖譜取得了更高層次的研究進(jìn)展。2019年10月20日，北京理工大學(xué)和復(fù)旦大學(xué)聯(lián)合發(fā)起2019年“知識圖譜前沿技術(shù)論壇”，旨在加強(qiáng)知識圖譜技術(shù)在智能領(lǐng)域的普及和應(yīng)用［8］。目前，我國知識圖譜正處于一個飛躍式發(fā)展階段。

2.2 國外知識圖譜研究

（1）萌芽階段（1955-1977年）。1955年，加菲爾德開創(chuàng)了利用引文索引進(jìn)行檢索文獻(xiàn)的思路［9］；1965年，普賴斯創(chuàng)新性地提出了“論文之間錯綜復(fù)雜的引證關(guān)系會形成各種大大小小的網(wǎng)絡(luò)……各種引證關(guān)系形成的網(wǎng)絡(luò)可以聚類……”，為科學(xué)計(jì)量學(xué)界打開了一扇新的大門［10］；1968年，Quillian提出了語義網(wǎng)絡(luò)，它能夠?qū)⒅R通過概念聯(lián)系起來進(jìn)行知識表示［11］。目前，語義網(wǎng)絡(luò)在人工智能領(lǐng)域被普遍的應(yīng)用。

（2）穩(wěn)定深化階段（1977-2012年）。1977年，費(fèi)根鮑姆提出了知識工程的概念，認(rèn)為知識工程是應(yīng)用人工智能的原理和方法，為那些需要專家知識才能解決的應(yīng)用難題提供求解的手段［12］。1970-1990年是知識工程的白熱化發(fā)展階段，研究者認(rèn)為專家系統(tǒng)是一種利用知識表示和推理技術(shù)去處理那些只有領(lǐng)域?qū)＜也拍芙鉀Q問題的計(jì)算機(jī)程序［13］。同期，本體的概念被引入，成為當(dāng)時表示客觀世界知識的應(yīng)用方式。1998年，蒂姆·伯納斯·李建設(shè)性地提出Semantic Web的概念，萬維網(wǎng)聯(lián)盟（W3C）在此基礎(chǔ)上進(jìn)一步提出萬維網(wǎng)上的知識描述規(guī)范，使得知識從密閉邁向開放［14］。2001年，維基百科正式發(fā)起多語言百科全書協(xié)作計(jì)劃［15］，經(jīng)用戶自由訪問進(jìn)行編輯，是群體智能知識的典型代表。

（3）繁榮階段（2012年—至今）。2012年，Google提出“知識圖譜”［16］，體現(xiàn)了大規(guī)模知識圖譜在智能搜索引擎中的強(qiáng)化應(yīng)用。大規(guī)模網(wǎng)絡(luò)知識獲取的典型代表DBpedia［17］、Freebase［18］就是在維基百科結(jié)構(gòu)化知識庫的基礎(chǔ)上構(gòu)建起來的。隨著人工智能的深入發(fā)展，人工智能逐漸進(jìn)入到認(rèn)知智能的階段，促進(jìn)了知識圖譜領(lǐng)域相關(guān)構(gòu)建技術(shù)的發(fā)展。

3 知識圖譜研究主題分布

3.1 關(guān)鍵詞分析

研究采用CiteSpace生成國內(nèi)關(guān)鍵詞共現(xiàn)圖譜，選擇Pathfinder網(wǎng)絡(luò)算法用于簡化網(wǎng)絡(luò)，突出重要的結(jié)構(gòu)特征。網(wǎng)絡(luò)的結(jié)構(gòu)主要由參數(shù)r決定，三角不等式關(guān)系為：

在公式（1）中，i和j節(jié)點(diǎn)之間的鏈路權(quán)重以wij表示，nk和nk+1節(jié)點(diǎn)之間的鏈路權(quán)重以wnknk+1表示，r表示閔可夫斯基（Minkowski）距離。除“知識圖譜”外，位于前10的高頻關(guān)鍵詞包括：鏈接預(yù)測（81）、表示學(xué)習(xí)（56）、深度學(xué)習(xí)（40）、本體（39）、人工智能（38）、實(shí)體識別（33）、三元組分類（32）、知識圖譜補(bǔ)全（32）、實(shí)體分類（31）、transE（30）。

國外研究文獻(xiàn)的關(guān)鍵詞共現(xiàn)圖譜除“Knowledge Graph”外，位于前10的高頻關(guān)鍵詞包括：Ontology（52）、Knowledge Visualization（52）、Visualization（40）、Semantic Web（33）、Knowledge Graph Embedding（28）、Knowledge Representation（21）、Neural Network（16）、Link Prediction（16）、Dbpedia（15）、Recommender System（14）。

從詞頻波動可以看出，國內(nèi)外知識圖譜關(guān)鍵詞頻次過渡均平緩下滑，說明研究者的關(guān)注熱點(diǎn)比較集聚，側(cè)重于研究知識抽取、知識表示、知識推理和知識圖譜補(bǔ)全等知識圖譜構(gòu)建的關(guān)鍵技術(shù)。

3.2 聚類分析

關(guān)鍵詞聚類能清晰揭示出某研究領(lǐng)域的主題熱點(diǎn)，本研究聚類提取采用似然比算法。

圖2 國內(nèi)研究文獻(xiàn)的關(guān)鍵詞聚類圖

國外研究文獻(xiàn)的關(guān)鍵詞聚類圖譜如圖3所示，Q值=0.55，S值=0.7309，說明聚類結(jié)果合理且令人信服。聚類分別為知識可視化（聚類#0 Knowledge Visualization）、知識表示（聚類#1 Knowledge Representation）、深度學(xué)習(xí)（聚類#2 Deep Learning）、神經(jīng)網(wǎng)絡(luò)（聚類#3 Neural Networks）。其中知識可視化聚類出現(xiàn)的頻次最高，說明國外知識圖譜的研究重心側(cè)重于此。

圖3 國外研究文獻(xiàn)的關(guān)鍵詞聚類圖

對國內(nèi)外研究文獻(xiàn)的高頻關(guān)鍵詞進(jìn)行聚類分析，可將研究熱點(diǎn)子群分布進(jìn)行歸納，聚類結(jié)果見表1、表2。由表1可知，國內(nèi)主要從知識表示、可視化分析、知識抽取、本體建模、應(yīng)用、知識推理等方面對知識圖譜進(jìn)行研究；國外主要從知識可視化、知識表示、深度學(xué)習(xí)等方面對知識圖譜進(jìn)行研究。

表1 國內(nèi)研究文獻(xiàn)的高頻關(guān)鍵詞聚類子群（部分）

表2 國外研究文獻(xiàn)的高頻關(guān)鍵詞聚類子群（部分）

3.3 研究熱點(diǎn)分析

根據(jù)國內(nèi)外知識圖譜研究文獻(xiàn)的高頻關(guān)鍵詞的聚類分析可知，該研究領(lǐng)域熱點(diǎn)主要集中在知識圖譜的關(guān)鍵構(gòu)建與實(shí)際應(yīng)用方面，具體可以歸納為以下幾個方面。

（1）本體建模。本體建模是一種描述特定領(lǐng)域知識圖譜中知識的概念模板與骨架［19］。本體包含實(shí)體層和概念層，知識圖譜在此基礎(chǔ)上增加實(shí)體的信息，以充盈圖譜。當(dāng)前主流的本體構(gòu)建模式大多是在領(lǐng)域現(xiàn)有本體庫的基礎(chǔ)上采用自動化構(gòu)建方法拓展生成。目前，大量的領(lǐng)域本體為第二代互聯(lián)網(wǎng)發(fā)展提供了強(qiáng)有力的支持，中國科學(xué)院計(jì)算所若干實(shí)驗(yàn)室以及美國斯坦福大學(xué)知識系統(tǒng)實(shí)驗(yàn)室都在對本體建模等進(jìn)行相關(guān)研究。此外，本體也常被用來為知識圖譜定義“Schema”（一個領(lǐng)域的概念類型以及這些類型的屬性）。

（2）知識表示。知識表示是研究客觀世界各類知識如何表示成計(jì)算機(jī)或者方便機(jī)器識別和理解的形式，大多以RDF三元組來描述實(shí)體之間的關(guān)系，對知識數(shù)據(jù)進(jìn)行設(shè)計(jì)和定義，并用以支持知識的存儲與更新，確保上層構(gòu)建的使用和計(jì)算。近年來，隨著深度學(xué)習(xí)的發(fā)展，面向知識庫中的實(shí)體、概念和關(guān)系進(jìn)行表示的知識表示學(xué)習(xí)成為了主流。Tang等提出了一種具有實(shí)體描述、層次類型和文本關(guān)系信息的多源知識表示學(xué)習(xí)（MKRL）模型，實(shí)驗(yàn)結(jié)果表明多源信息對知識補(bǔ)全任務(wù)的有效性［20］。此外，融合跨媒體元素的知識表示、融合時空維度的知識表示也是未來研究的方向。

（3）知識抽取。知識抽取是以實(shí)體抽取、事件抽取、關(guān)系抽取等形成的研究熱點(diǎn)，它是從非結(jié)構(gòu)化、半結(jié)構(gòu)化與結(jié)構(gòu)化的數(shù)據(jù)中以自動或者半自動的方式抽取實(shí)體、關(guān)系以及屬性等信息的技術(shù)。①實(shí)體抽取方法大致分為基于規(guī)則與詞典的方法、基于遷移學(xué)習(xí)的方法以及基于統(tǒng)計(jì)機(jī)器學(xué)習(xí)的方法三類?；谝?guī)則的方法依賴專家編寫規(guī)則，浪費(fèi)許多人力且規(guī)則的擴(kuò)展性差。彭敏龍等提出僅利用未標(biāo)記的數(shù)據(jù)和命名實(shí)體字典執(zhí)行命名實(shí)體識別的方法，大大降低了對詞典質(zhì)量的要求。基于遷移學(xué)習(xí)的實(shí)體抽取主要是面向開放域的抽取，包括跨域、跨應(yīng)用、跨語言三種模式。基于統(tǒng)計(jì)機(jī)器學(xué)習(xí)的方法是采用數(shù)據(jù)進(jìn)行訓(xùn)練、測試后再進(jìn)行實(shí)體識別［21］。②事件抽取是從數(shù)據(jù)中抽取事件信息，進(jìn)行事件觸發(fā)詞的檢測與分類、事件元素的識別，包含時間、地點(diǎn)、參與對象等元素，并以結(jié)構(gòu)化和語義化的形式展現(xiàn)。常用方法有基于規(guī)則的方法、基于知識庫的方法、基于機(jī)器學(xué)習(xí)的方法、基于深度學(xué)習(xí)的方法以及基于強(qiáng)化學(xué)習(xí)的方法?；谝?guī)則的方法需要資深專家定義好語義框架用來表示事件的抽取方式；基于知識庫的方法如劉樹林等提出利用FrameNet自動檢測事件的方法，提高事件抽取的性能［22］；基于機(jī)器學(xué)習(xí)的方法主要利用自然語言處理工具，根據(jù)分類任務(wù)進(jìn)行事件抽取；基于深度學(xué)習(xí)的方法有Joint Model［23］方式等；基于強(qiáng)化學(xué)習(xí)的方法是將強(qiáng)化學(xué)習(xí)的思想用于事件抽取，有學(xué)者研究了生成對抗式模仿學(xué)習(xí)的事件提取，提出了一種基于模仿學(xué)習(xí)框架進(jìn)行的逆強(qiáng)化學(xué)習(xí)［24］。③關(guān)系抽取是從多領(lǐng)域原始數(shù)據(jù)中提取實(shí)體與實(shí)體之間的語義關(guān)系，將實(shí)體關(guān)聯(lián)起來，逐步形成知識網(wǎng)狀結(jié)構(gòu)。關(guān)系抽取過程中經(jīng)常會運(yùn)用大量監(jiān)督學(xué)習(xí)方法。鄭孫聰?shù)忍岢隽艘环N可以將聯(lián)合提取任務(wù)轉(zhuǎn)換為標(biāo)注問題，研究了不同的端到端模型以直接提取實(shí)體及其關(guān)系，而無需分別識別實(shí)體和關(guān)系［25］。隨著研究的深入，國內(nèi)外對于關(guān)系抽取還有許多極具建設(shè)性的挑戰(zhàn)，如資源缺乏、面向開放域、跨語言等方面的知識抽取等。

（4）知識推理。知識推理是指在現(xiàn)有知識的完善程度上，進(jìn)一步通過各種方法挖掘隱含的知識，能夠從現(xiàn)有知識庫中發(fā)現(xiàn)或新增知識，建立實(shí)體之間新的關(guān)聯(lián)，以此拓展知識圖譜的知識覆蓋面。知識推理可以對實(shí)體間的關(guān)系、屬性以及本體的概念層次框架等進(jìn)行更深層次的推理。但是研究者們很難列舉出全部的推理規(guī)則，知識的推理規(guī)則大致可以分為以下三類。①基于邏輯的推理包括一階謂詞邏輯、描述邏輯以及規(guī)則等。Lu等提出了ORBO算法，降低了算法的時間復(fù)雜度，提高了推理效率［26］。②基于統(tǒng)計(jì)的推理大多集中在機(jī)器學(xué)習(xí)和統(tǒng)計(jì)學(xué)習(xí)方面，如馬爾可夫邏輯網(wǎng)、貝葉斯推斷等。王坤等從理論上推導(dǎo)了隱馬爾科夫異分布模型的貝葉斯估計(jì)方法，以實(shí)證分析比較了模型的貝葉斯估計(jì)值和真實(shí)值的差異，驗(yàn)證了其可靠性［27］。③在基于圖的推理中，路徑排序算法、不完備知識庫的關(guān)聯(lián)規(guī)則挖掘較為典型。隨著圖神經(jīng)網(wǎng)絡(luò)的發(fā)展，張仲偉等分析了基于神經(jīng)網(wǎng)絡(luò)的知識推理方法［28］，這種方法的推理能力和泛化能力更強(qiáng)，對知識庫中實(shí)體關(guān)聯(lián)和文本信息的利用率更高，推理效果更好。

（5）科學(xué)知識圖譜。2005年，陳悅等首次將“科學(xué)知識圖譜”概念引入國內(nèi)［29］，隨后便得到了研究者的廣泛關(guān)注。我國多個領(lǐng)域均有涉及利用科學(xué)知識圖譜對文獻(xiàn)進(jìn)行分析，以探究領(lǐng)域的發(fā)展趨勢，相關(guān)文獻(xiàn)也呈激增之勢?？茖W(xué)知識圖譜是在科學(xué)計(jì)量學(xué)的基礎(chǔ)上發(fā)展衍生的，它涵蓋了計(jì)算機(jī)科學(xué)、信息計(jì)量學(xué)和圖形學(xué)等多種學(xué)科理論。目前，我國對于科學(xué)知識圖譜的研究大多在理論、分析方法、分析工具及其應(yīng)用等方面。

（6）知識圖譜的應(yīng)用。知識圖譜的應(yīng)用領(lǐng)域隨著不同時期研究主題的變化而變化，整體趨勢呈現(xiàn)多元化、社會化的特點(diǎn)。如在教育領(lǐng)域，崔京菁等構(gòu)建了基于知識圖譜的翻轉(zhuǎn)課堂教學(xué)模式，推動了教學(xué)研究的發(fā)展［30］；余勝泉等研發(fā)了基于育人知識圖譜的“AI好老師”個性化育人助理系統(tǒng)［31］。目前，知識圖譜在智能問答、可視化決策、推薦系統(tǒng)、語義搜索等應(yīng)用中發(fā)揮著越來越重要的價值。

4 知識圖譜未來研究趨勢探析

4.1 知識圖譜到認(rèn)知圖譜的進(jìn)階

近幾年，中國計(jì)算機(jī)大會舉行了以“認(rèn)知圖譜與推理”為主題的論壇，深入探討了如何構(gòu)建高質(zhì)量的大規(guī)模認(rèn)知圖譜（Cognitive Graph），并列舉智能推理、認(rèn)知智能等與知識圖譜結(jié)合應(yīng)用的實(shí)例。如，阿里為改變電商業(yè)務(wù)中推薦不精確、重復(fù)推薦、缺乏新意等問題，提出構(gòu)建大規(guī)模電商認(rèn)知圖譜，將用戶需求映射為圖譜中的節(jié)點(diǎn)，將這些點(diǎn)和電商領(lǐng)域內(nèi)外的相關(guān)知識關(guān)聯(lián)起來，使得商品更好地滿足用戶的需求［32］?！罢J(rèn)知”技術(shù)是整個人工智能研發(fā)中繞不開的關(guān)鍵技術(shù)，認(rèn)知智能的應(yīng)用抓手是智能解釋，認(rèn)知圖譜可以促進(jìn)這種“解釋”。如，基于用戶認(rèn)知的智能推薦系統(tǒng)充分抓住用戶心理，能夠?yàn)橛脩暨M(jìn)行最滿意的推薦。把知識圖譜與認(rèn)知智能相結(jié)合，形成認(rèn)知圖譜，這樣的圖譜先有“認(rèn)知”，再有“推理”，能夠提升用戶對智能推薦的滿意程度。

在教育領(lǐng)域，建構(gòu)主義學(xué)習(xí)理論認(rèn)為，學(xué)習(xí)是學(xué)習(xí)者根據(jù)自己的經(jīng)驗(yàn)，對外部信息進(jìn)行主動選擇、加工和處理的過程［33］。自2011年提出學(xué)習(xí)分析技術(shù)之后，研究者開始依托具有強(qiáng)大語義處理能力的知識圖譜開展學(xué)習(xí)分析的教育研究。目前，素質(zhì)教育最大的局限性就是學(xué)生認(rèn)知超載，學(xué)生常常因教學(xué)活動、探究過程的復(fù)雜性而感到不堪重負(fù)。認(rèn)知負(fù)荷理論認(rèn)為，只有將認(rèn)知負(fù)荷控制在工作記憶所能承載的范圍之內(nèi)，有效學(xué)習(xí)才能得以順利實(shí)現(xiàn)［34］。如何降低認(rèn)知負(fù)荷、設(shè)置學(xué)生學(xué)習(xí)的復(fù)雜梯度和學(xué)習(xí)路徑是一個關(guān)鍵問題?；谥R圖譜的個性化學(xué)習(xí)推薦能夠準(zhǔn)確把握學(xué)習(xí)者對知識的認(rèn)知基礎(chǔ)，構(gòu)建學(xué)習(xí)者的認(rèn)知圖譜，自動監(jiān)測學(xué)習(xí)遷移，通過序列感知的智能推薦為學(xué)生提供最適合自己的學(xué)習(xí)路徑，形成個性化學(xué)習(xí)環(huán)境，有效降低學(xué)習(xí)負(fù)荷。如，唐燁偉等構(gòu)建了一種基于學(xué)習(xí)者畫像的精準(zhǔn)個性化學(xué)習(xí)路徑規(guī)劃框架，以滿足學(xué)生個性化學(xué)習(xí)需求［35］。知識圖譜以高效的方式向認(rèn)知圖譜進(jìn)階，能夠促進(jìn)認(rèn)知智能時代教育領(lǐng)域更進(jìn)一步的發(fā)展。

4.2 知識圖譜構(gòu)建平臺

知識圖譜當(dāng)前正在從通用知識圖譜向行業(yè)知識圖譜的應(yīng)用拓展。業(yè)界亟需一種能夠支持知識圖譜構(gòu)建的平臺，以構(gòu)建領(lǐng)域知識圖譜。實(shí)踐發(fā)現(xiàn)，構(gòu)建特定領(lǐng)域知識圖譜時，需要與領(lǐng)域?qū)＜夷ズ隙ㄖ祁I(lǐng)域知識圖譜的Schema。Chen等提出了一種自動化構(gòu)建方法，能夠全面考慮知識復(fù)雜梯度以及前驅(qū)后繼關(guān)系［36］。但不論是人工構(gòu)建方法還是自動化構(gòu)建方法，在構(gòu)建過程中都存在依賴專家經(jīng)驗(yàn)、費(fèi)時費(fèi)力等問題。此外，在知識圖譜的構(gòu)建過程中主要針對可編碼、可量化的顯性知識，在很多情況下沒有考慮隱性知識，進(jìn)而因數(shù)據(jù)模式的變化帶來較高的維護(hù)成本，研究者無法構(gòu)建出“十全十美”的知識圖譜來滿足變化的需求，這就要求知識圖譜能夠較易更新與擴(kuò)展。

2019年3月20日，中國電子技術(shù)標(biāo)準(zhǔn)化研究院向IEEE標(biāo)準(zhǔn)協(xié)會提報的標(biāo)準(zhǔn)提案《知識圖譜架構(gòu)》正式獲批立項(xiàng)［37］。隨著信息服務(wù)向知識服務(wù)的轉(zhuǎn)變，相關(guān)機(jī)構(gòu)和專家應(yīng)根據(jù)知識圖譜構(gòu)建的相關(guān)方法學(xué)構(gòu)建一個完善、高效的知識圖譜平臺，提升構(gòu)建的效率，且能夠以低人工投入構(gòu)建出高質(zhì)量的知識圖譜應(yīng)用。

4.3 知識圖譜的測試評估

現(xiàn)階段，知識圖譜有待向標(biāo)準(zhǔn)化趨勢發(fā)展，乃至提升整個行業(yè)的知識管理和應(yīng)用水平，但是知識圖譜的測試認(rèn)證相關(guān)研究還面臨著測試與評估的環(huán)節(jié)眾多、方法缺失、標(biāo)準(zhǔn)空白等問題。通用知識圖譜和領(lǐng)域知識圖譜的實(shí)際應(yīng)用效果或者構(gòu)建圖譜的模式是否有效，必須經(jīng)得起科學(xué)的評判標(biāo)準(zhǔn)檢驗(yàn)。

國內(nèi)外多數(shù)機(jī)構(gòu)均在嘗試研究對知識圖譜的測試評估。如，2019年全國知識圖譜與語義計(jì)算大會發(fā)布關(guān)于知識圖譜的主題測評任務(wù)［38］，對知識圖譜領(lǐng)域的學(xué)術(shù)成果與產(chǎn)業(yè)需求進(jìn)行探討，促進(jìn)其技術(shù)發(fā)展。美國倫斯勒理工學(xué)院Tetherless World Constellation研究所則專注研制知識圖譜測評系統(tǒng)［39］，對多源異構(gòu)知識圖譜中存在的顯性錯誤或者隱性缺陷進(jìn)行檢測和評估。未來，應(yīng)建立健全知識圖譜標(biāo)準(zhǔn)符合性測試評估體系和知識質(zhì)量評估技術(shù)指標(biāo)，以提高知識圖譜的標(biāo)準(zhǔn)化應(yīng)用，讓知識圖譜成為教育領(lǐng)域提高教學(xué)質(zhì)量的工具，這已經(jīng)成為認(rèn)知智能時代教育信息化發(fā)展的重要措施。

4.4 知識圖譜關(guān)鍵技術(shù)的發(fā)展突破

知識圖譜是人工智能領(lǐng)域頗受關(guān)注的發(fā)展方向，但其核心技術(shù)方面還存在許多瓶頸。如，如何精確獲取知識之間的關(guān)聯(lián)進(jìn)行關(guān)系抽取，如何解決多源異構(gòu)的歧義、噪聲，如何開展面向開放域、跨語言等方向的知識抽取等，這些都是知識圖譜拓展領(lǐng)域應(yīng)用范圍面臨的難題。此外，基于深度學(xué)習(xí)的序列標(biāo)注算法進(jìn)行高質(zhì)量的實(shí)體識別、基于開放式數(shù)據(jù)庫的遠(yuǎn)程監(jiān)督學(xué)習(xí)以及小樣本的抽取和構(gòu)建問題等，也都尚未與知識圖譜構(gòu)建及應(yīng)用領(lǐng)域?qū)崿F(xiàn)深度融合，技術(shù)上都有待突破。

知識圖譜作為一種圖數(shù)據(jù)結(jié)構(gòu)，亟需通過與自然語言處理、認(rèn)知科學(xué)、超級計(jì)算、深度學(xué)習(xí)、認(rèn)知計(jì)算等技術(shù)深度融合，突破知識圖譜領(lǐng)域核心構(gòu)建的技術(shù)瓶頸，健全知識圖譜領(lǐng)域核心技術(shù)體系。另外，研究者應(yīng)重點(diǎn)關(guān)注認(rèn)知科學(xué)領(lǐng)域復(fù)雜知識類型的探索，以及研究融合跨媒體元素、時空維度的知識表示［39］等都是未來知識圖譜研究需要努力研究的著力點(diǎn)。