知識(shí)圖譜技術(shù)綜述：構(gòu)建、推理及典型應(yīng)用

摘要：知識(shí)圖譜是一種通過(guò)圖形結(jié)構(gòu)表示知識(shí)的技術(shù)，起源于語(yǔ)義網(wǎng)，旨在以可計(jì)算、可共享的方式組織和管理信息。本文綜述了知識(shí)圖譜領(lǐng)域的相關(guān)研究。首先，介紹了知識(shí)圖譜的基本構(gòu)成；其次，詳細(xì)闡述了其構(gòu)建過(guò)程；再次，討論了多種知識(shí)圖譜推理方法；接著，分析了知識(shí)圖譜在搜索引擎優(yōu)化、智能問(wèn)答系統(tǒng)、具身智能系統(tǒng)等典型應(yīng)用領(lǐng)域，特別指出其在提升具身智能系統(tǒng)的環(huán)境理解能力和決策制定中的關(guān)鍵作用；最后，討論了知識(shí)圖譜技術(shù)面臨的挑戰(zhàn)，并展望了其未來(lái)的發(fā)展方向。

關(guān)鍵詞：知識(shí)圖譜；信息抽取；知識(shí)推理；大模型；具身智能；智能制造

中圖分類號(hào)：TP18" " " " " " 文獻(xiàn)標(biāo)志碼：A

隨著大數(shù)據(jù)時(shí)代的到來(lái)，知識(shí)圖譜（knowledgegraph，KG）作為知識(shí)表達(dá)和組織方式，已逐漸成為各個(gè)領(lǐng)域的重要信息處理技術(shù)［1-3］。作為人工智能（artificialintelligence，AI）的重要組成部分，它以結(jié)構(gòu)化的方式描述客觀世界中的概念、實(shí)體及其關(guān)系。該技術(shù)的起源可追溯到20世紀(jì)50年代，當(dāng)時(shí)，GARFIELD［4］提出了將引文索引應(yīng)用于文獻(xiàn)檢索的思想。此后，眾多學(xué)者提出了相關(guān)理論，經(jīng)歷了漫長(zhǎng)的發(fā)展階段［5-7］。直到2012年，谷歌公司在其產(chǎn)品線中推出了基于知識(shí)圖譜的智能搜索引擎，標(biāo)志著知識(shí)圖譜進(jìn)入了繁榮發(fā)展階段。特別是近年來(lái)，隨著互聯(lián)網(wǎng)的蓬勃發(fā)展，信息量爆炸式增長(zhǎng)，知識(shí)圖譜更是極為廣泛地應(yīng)用于各個(gè)領(lǐng)域［8-10］。

當(dāng)前，知識(shí)圖譜的構(gòu)建和推理技術(shù)仍處于一個(gè)快速發(fā)展的階段，其強(qiáng)大的結(jié)構(gòu)化存儲(chǔ)方式、龐大的信息管理能力以及對(duì)數(shù)據(jù)語(yǔ)義的可解釋理解，廣泛應(yīng)用于自然語(yǔ)言處理［11］、推薦系統(tǒng)［12］、問(wèn)答系統(tǒng)［13］和可解釋性研究［14］等諸多領(lǐng)域。同時(shí)，知識(shí)圖譜的構(gòu)建仍面臨數(shù)據(jù)質(zhì)量［15］、知識(shí)更新［16］以及動(dòng)態(tài)維護(hù)［17］等諸多挑戰(zhàn)。因此，本文旨在詳細(xì)介紹知識(shí)圖譜的基本構(gòu)成、推理方式等，并對(duì)其在各領(lǐng)域的應(yīng)用進(jìn)行了系統(tǒng)的調(diào)研；同時(shí)，揭示知識(shí)圖譜在信息表示、知識(shí)獲取及推理等方面的最新進(jìn)展，評(píng)估其面臨的挑戰(zhàn)，并展望未來(lái)的研究方向。后續(xù)，首先，將扼要闡述知識(shí)圖譜的基本構(gòu)成與構(gòu)建；其次，將重點(diǎn)分析知識(shí)推理的相關(guān)技術(shù)及應(yīng)用；再次，將概述知識(shí)圖譜的典型應(yīng)用；最后，討論知識(shí)圖譜領(lǐng)域目前面臨的挑戰(zhàn)及未來(lái)發(fā)展方向。

1知識(shí)圖譜基本組成與構(gòu)建

知識(shí)圖譜是一個(gè)結(jié)構(gòu)化的語(yǔ)義知識(shí)庫(kù)，旨在以符號(hào)形式描述物理世界中的概念及其相互關(guān)系［18-19］。其基本組成單位是“實(shí)體-關(guān)系-實(shí)體”三元組，可以表示為K={（ei，rj，ek）}。其中，ei和ek表示實(shí)體，rj表示關(guān)系。此外，實(shí)體還包含相關(guān)的屬性-值對(duì)，表示為

這里，A（ei）表示實(shí)體ek的屬性集合，ak為屬性，vk為對(duì)應(yīng)的值。實(shí)體間通過(guò)關(guān)系相互聯(lián)結(jié)，形成網(wǎng)狀的知識(shí)結(jié)構(gòu)。以“演員-出演-電影”為例，圖1直觀地展示了知識(shí)圖譜的基本組成。

圖1直觀展示了知識(shí)圖譜的基本組成單元。其中：圓圈代表節(jié)點(diǎn)，表示實(shí)體；單向箭頭稱為邊，代表關(guān)系。圖中所示的知識(shí)可用自然語(yǔ)言表述為“演員出演了電影”。同時(shí)，每個(gè)節(jié)點(diǎn)的實(shí)體還包含一些屬性，上圖中電影節(jié)點(diǎn)的屬性包括電影名稱、發(fā)行時(shí)間、影片類型和集數(shù)等。而知識(shí)圖譜由這些節(jié)點(diǎn)和邊組成的一個(gè)網(wǎng)狀知識(shí)庫(kù)。

同時(shí)，知識(shí)圖譜通常被劃分為數(shù)據(jù)層和模式層兩個(gè)層次。數(shù)據(jù)層指真實(shí)存儲(chǔ)的數(shù)據(jù)，而模式層位于數(shù)據(jù)層之上，是知識(shí)圖譜的核心，用于存儲(chǔ)提煉后的知識(shí)。模式層通常通過(guò)本體庫(kù)進(jìn)行管理，包括“實(shí)體-關(guān)系-實(shí)體”和“實(shí)體-屬性-值”。

圖2是知識(shí)圖譜構(gòu)建流程圖。構(gòu)建過(guò)程主要包括數(shù)據(jù)獲取、信息抽取、知識(shí)融合以及知識(shí)加工。

1）數(shù)據(jù)獲取

數(shù)據(jù)獲取是知識(shí)圖譜構(gòu)建的第一步，主要包括從多種數(shù)據(jù)源中提取有價(jià)值的信息。這些數(shù)據(jù)源可以是結(jié)構(gòu)化的（如數(shù)據(jù)庫(kù)）、半結(jié)構(gòu)化的（如JSON、XML文檔）或非結(jié)構(gòu)化的（如文本、圖像）。

在獲取數(shù)據(jù)后，預(yù)處理步驟旨在提高數(shù)據(jù)的質(zhì)量和一致性。預(yù)處理通常包括數(shù)據(jù)清洗、去噪和標(biāo)準(zhǔn)化。設(shè)有數(shù)據(jù)集D，其中包含多個(gè)數(shù)據(jù)項(xiàng)di，預(yù)處理的目標(biāo)是生成一個(gè)干凈且一致的數(shù)據(jù)集D′，可以表示為D′={d′i|di∈D}，其中d′i是di清理和規(guī)范的版本。

數(shù)據(jù)清洗可以通過(guò)過(guò)濾無(wú)關(guān)信息和修復(fù)缺失值來(lái)實(shí)現(xiàn)。例如，對(duì)于缺失值的處理，可以使用均值填補(bǔ)法，表示為

d′i=di，如果di無(wú)缺失

2）信息抽取

信息抽取是將原始數(shù)據(jù)轉(zhuǎn)化為知識(shí)的過(guò)程，通常包括實(shí)體識(shí)別、關(guān)系抽取和屬性抽取。以關(guān)系抽取為例，假設(shè)有一組句子S，希望識(shí)別句子中實(shí)體之間的關(guān)系。關(guān)系抽取可以通過(guò)基于模式的或基于機(jī)器學(xué)習(xí)的方法實(shí)現(xiàn)。假設(shè)使用監(jiān)督學(xué)習(xí)模型來(lái)進(jìn)行關(guān)系抽取，可以用式（3）來(lái)表示關(guān)系分類的損失函數(shù)：

式中：yi為真實(shí)標(biāo)簽；y^i為模型預(yù)測(cè)值；θ為模型參數(shù)。通過(guò)優(yōu)化損失函數(shù)，可以提高模型對(duì)關(guān)系抽取的準(zhǔn)確性。

3）知識(shí)融合

知識(shí)融合涉及將來(lái)自多個(gè)來(lái)源的知識(shí)合并為一個(gè)一致的知識(shí)圖譜。由于不同來(lái)源的知識(shí)可能存在冗余和沖突，知識(shí)融合的關(guān)鍵在于如何處理這些問(wèn)題。

知識(shí)融合的過(guò)程可以描述為將多個(gè)知識(shí)圖譜G1，G2，…，Gn合并為一個(gè)綜合圖譜Gmerged。融合過(guò)程通常需要執(zhí)行去重和沖突解決。例如，對(duì)于實(shí)體去重，給定兩個(gè)實(shí)體e1和e2，可以通過(guò)計(jì)算相似度sim（e1，e2）＞τ（閾值），則可以將e1和e2視為同一實(shí)體，進(jìn)行合并。

4）知識(shí)加工

知識(shí)圖譜的動(dòng)態(tài)特性要求其能夠隨著新知識(shí)的引入而進(jìn)行更新。知識(shí)加工的過(guò)程包括新知識(shí)的引入、舊知識(shí)的替換和知識(shí)的刪除。對(duì)于動(dòng)態(tài)知識(shí)圖譜，更新過(guò)程可用圖的形式表示。

假設(shè)KG在時(shí)間t的狀態(tài)為Gtmerged，在時(shí)間t+1更新后狀態(tài)為Gt+1merged，更新過(guò)程可以表示為

式中：Knew為新引入的知識(shí)：Kobsolete為需要?jiǎng)h除的舊知識(shí)。為保持知識(shí)的有效性，可以采用時(shí)間戳或版本控制來(lái)管理知識(shí)的更新。

2知識(shí)圖譜的推理

知識(shí)圖譜推理的目標(biāo)是通過(guò)現(xiàn)有知識(shí)發(fā)現(xiàn)新知識(shí)，包括從已知事實(shí)或關(guān)系中推斷出未知的事實(shí)或關(guān)系。這一過(guò)程主要關(guān)注實(shí)體、關(guān)系和圖譜結(jié)構(gòu)3個(gè)方面的特征。具體而言，知識(shí)圖譜推理有助于推導(dǎo)出新的事實(shí)、關(guān)系、公理和規(guī)則。推理方法主要包括邏輯規(guī)則推理、圖結(jié)構(gòu)推理、分布式表示學(xué)習(xí)推理、圖神經(jīng)網(wǎng)絡(luò)推理等。

2.1基于邏輯規(guī)則的推理

基于規(guī)則的推理是通過(guò)定義或?qū)W習(xí)知識(shí)中的規(guī)則進(jìn)行挖掘與推理。AMIE［20］和AMIE+［21］算法源自早期的ILP（inductivelogicprogramming）系統(tǒng)，強(qiáng)調(diào)自動(dòng)化規(guī)則學(xué)習(xí)方法，能夠快速有效地從大規(guī)模知識(shí)圖譜中提取出置信度較高的規(guī)則，并應(yīng)用于推理任務(wù)。

根據(jù)這一規(guī)則，如果知道Ffather（x，y）為真，則可以推出Pparent（x，y）也為真。基于邏輯規(guī)則的推理具有明確性和可解釋性，但其局限性在于規(guī)則的數(shù)量和復(fù)雜度會(huì)迅速增加，導(dǎo)致推理的效率下降。此外，規(guī)則往往依賴于領(lǐng)域?qū)＜业闹R(shí)，可能存在不完備性。

2.2基于圖結(jié)構(gòu)的推理

基于圖結(jié)構(gòu)的推理是一種利用知識(shí)圖譜拓?fù)浣Y(jié)構(gòu)推導(dǎo)新知識(shí)的方法。該推理方法主要關(guān)注圖中節(jié)點(diǎn)（實(shí)體）及其邊（關(guān)系）的組織形式，通過(guò)圖的特性進(jìn)行推斷。最典型的圖結(jié)構(gòu)推理方法是路徑排序法（pathrankingalgorithm，PRA）［22］，該方法將關(guān)系路徑作為特征推理算法，通常用于知識(shí)鏈接預(yù)測(cè)任務(wù)。此外，計(jì)算的路徑特征可以轉(zhuǎn)換為邏輯規(guī)則，從而幫助人們發(fā)現(xiàn)和理解知識(shí)圖譜中隱藏的知識(shí)。PRA算法概述如表1所示。

2.3基于分布式表示學(xué)習(xí)的推理

基于分布式表示學(xué)習(xí)的推理主要依賴于將實(shí)體和關(guān)系嵌入到一個(gè)低維向量空間中。這些向量通過(guò)神經(jīng)網(wǎng)絡(luò)或其他學(xué)習(xí)算法訓(xùn)練得到，捕捉了實(shí)體間的語(yǔ)義關(guān)系。在推理過(guò)程中，可以利用這些嵌入向量計(jì)算實(shí)體之間的相似度，從而進(jìn)行關(guān)系預(yù)測(cè)或推斷新的知識(shí)。例如，可以通過(guò)計(jì)算向量之間的距離或角度來(lái)推斷未直接連接的實(shí)體間的潛在關(guān)系。這種方法有效地利用了知識(shí)圖譜中隱含的信息，增強(qiáng)了推理的準(zhǔn)確性和靈活性。常見(jiàn)的方法有TransE（translatingembedding）［23］、RESCAL［24］、DistMul［25］等。

2.4基于圖神經(jīng)網(wǎng)絡(luò)的推理

隨著人工智能時(shí)代的到來(lái)［26］，圖神經(jīng)網(wǎng)絡(luò)（graphneuralnetwork，GNN）與知識(shí)圖譜的融合更加緊密。GNN能夠有效處理圖結(jié)構(gòu)數(shù)據(jù)，通過(guò)節(jié)點(diǎn)的鄰域信息進(jìn)行學(xué)習(xí)，從而捕捉實(shí)體間復(fù)雜的關(guān)系和上下文信息。而知識(shí)圖譜提供了豐富的結(jié)構(gòu)化信息和背景知識(shí)，有助于提升GNN的表現(xiàn)。在構(gòu)建知識(shí)圖譜時(shí)，GNN可以用于自動(dòng)化推理、關(guān)系預(yù)測(cè)和實(shí)體分類，提高構(gòu)建效率和準(zhǔn)確性。同時(shí)，知識(shí)圖譜中的先驗(yàn)知識(shí)也能增強(qiáng)GNN的學(xué)習(xí)能力，降低對(duì)標(biāo)注數(shù)據(jù)的依賴。其中代表性的GNN網(wǎng)絡(luò)有GCN［27］、GraphSAGE［28］、MPNN［29］、GAT［30］等等。這種互補(bǔ)關(guān)系推動(dòng)了推薦系統(tǒng)和問(wèn)答系統(tǒng)等智能應(yīng)用發(fā)展。

知識(shí)圖譜推理通過(guò)已有知識(shí)發(fā)現(xiàn)新知識(shí)，主要方法包括邏輯規(guī)則推理、圖結(jié)構(gòu)推理、分布式表示學(xué)習(xí)推理和圖神經(jīng)網(wǎng)絡(luò)推理。邏輯規(guī)則推理強(qiáng)調(diào)可解釋性但面臨效率問(wèn)題；圖結(jié)構(gòu)推理利用拓?fù)涮卣靼l(fā)現(xiàn)隱藏知識(shí)；分布式表示學(xué)習(xí)通過(guò)嵌入向量提高推理準(zhǔn)確性；而圖神經(jīng)網(wǎng)絡(luò)則結(jié)合鄰域信息捕捉復(fù)雜關(guān)系，推動(dòng)智能應(yīng)用的發(fā)展。表2是不同知識(shí)圖譜推薦方法的優(yōu)缺點(diǎn)。

3典型應(yīng)用領(lǐng)域

目前，知識(shí)圖譜在眾多領(lǐng)域發(fā)揮著重要的作用，包括搜索引擎優(yōu)化、智能問(wèn)答系統(tǒng)、醫(yī)療健康、推薦系統(tǒng)、具體智能、智能制造等領(lǐng)域，促進(jìn)了信息的整合與應(yīng)用。

3.1搜索引擎優(yōu)化

知識(shí)圖譜在搜索引擎優(yōu)化中的應(yīng)用主要體現(xiàn)在提升信息檢索的準(zhǔn)確性和效率。通過(guò)建立實(shí)體及其關(guān)系的圖結(jié)構(gòu)，搜索引擎能夠更好地理解用戶查詢的語(yǔ)義，并提供相關(guān)的搜索結(jié)果。YANG等［31］開(kāi)發(fā)并應(yīng)用了一個(gè)針對(duì)路面工程的現(xiàn)場(chǎng)知識(shí)圖譜和搜索引擎。這個(gè)系統(tǒng)旨在整合、管理和檢索路面結(jié)構(gòu)、材料和性能信息，以支持路面設(shè)計(jì)的持續(xù)改進(jìn)和優(yōu)化。LI等［32］提出了AliMeKG，這是一種電子商務(wù)領(lǐng)域的知識(shí)圖譜，可以捕捉用戶問(wèn)題、興趣點(diǎn)、商品信息及其關(guān)系。它有助于了解用戶需求、回答售前問(wèn)題和生成解釋文本。作者指出將AliMeKG應(yīng)用于多個(gè)在線商業(yè)場(chǎng)景，如導(dǎo)購(gòu)、屬性問(wèn)題解答和賣點(diǎn)生成，并取得了積極有益的商業(yè)成果。蔣雪瑤等［33］提出了一種基于多模態(tài)模式遷移的知識(shí)圖譜實(shí)體配圖方法。該方法從不同類別的頭部實(shí)體中提取相應(yīng)的語(yǔ)義模板，并將視覺(jué)模式遷移到同類非頭部實(shí)體的圖像獲取過(guò)程中。語(yǔ)義模板用于構(gòu)建搜索引擎的檢索關(guān)鍵詞，而視覺(jué)模式則用于對(duì)檢索結(jié)果進(jìn)行去噪。

WANG等［34］提出了Richpedia，旨在通過(guò)在Wikidata的文本實(shí)體中分配足夠的、多樣化的圖像來(lái)提供一個(gè)全面的多模態(tài)知識(shí)圖譜。此外，還根據(jù)維基百科中的超鏈接和描述，在圖像實(shí)體之間設(shè)置了資源描述框架鏈接（視覺(jué)語(yǔ)義關(guān)系）。LISSANDRINI等［35］提出了一種模型，它可以將圖搜索范例與成熟的信息檢索技術(shù)連接起來(lái)。該方法不需要用戶提供任何額外的知識(shí)，而是以原則性語(yǔ)言建模方法為基礎(chǔ)。該研究通過(guò)經(jīng)驗(yàn)展示了該方法在大型知識(shí)圖譜上的有效性和效率，以及學(xué)者的建議是如何幫助建立更完整、信息更豐富的查詢的。

3.2智能問(wèn)答系統(tǒng)

智能問(wèn)答系統(tǒng)利用知識(shí)圖譜提供精準(zhǔn)的答案，通常采用基于圖的推理和問(wèn)答匹配策略。問(wèn)答過(guò)程可分為問(wèn)題理解、信息檢索和答案生成3個(gè)主要步驟。首先設(shè)計(jì)并開(kāi)發(fā)了一種架構(gòu)，以提供交互式用戶界面。

AITMLOUKandJIANG［36］提出了一種基于意圖分類和自然語(yǔ)言理解的機(jī)器學(xué)習(xí)方法，以理解用戶意圖并生成SPARQL查詢。并特別處理了一個(gè)新的社交網(wǎng)絡(luò)數(shù)據(jù)集，即myPersonality，將其添加到現(xiàn)有的知識(shí)庫(kù)中，通過(guò)理解分析查詢來(lái)擴(kuò)展聊天機(jī)器人的功能。該系統(tǒng)可按需擴(kuò)展新的領(lǐng)域，具有靈活、多知識(shí)庫(kù)、多語(yǔ)言的特點(diǎn)，可針對(duì)廣泛的主題直觀地創(chuàng)建和執(zhí)行不同的任務(wù)。PRAMANIK等［37］提出了一種處理復(fù)雜問(wèn)題的方法，這種方法可以在一個(gè)統(tǒng)一的框架內(nèi)，在RDF數(shù)據(jù)集和文本體或單個(gè)來(lái)源的混合體上無(wú)縫運(yùn)行。該方法被稱為Uniqorn，它通過(guò)使用微調(diào)BERT模型從RDF數(shù)據(jù)和/或文本語(yǔ)料庫(kù)中檢索與問(wèn)題相關(guān)的證據(jù)，即時(shí)構(gòu)建上下文圖。生成的圖通常包含所有與問(wèn)題相關(guān)的證據(jù)，但也有大量噪音。Uniqorn通過(guò)組斯坦納樹(shù)圖算法來(lái)處理這種輸入，從而在上下文圖中識(shí)別出最佳答案候選。

YASUNAGA等［38］提出了一個(gè)新模型QA-GNN，它通過(guò)兩個(gè)關(guān)鍵的創(chuàng)新來(lái)應(yīng)對(duì)上述挑戰(zhàn)：（1）相關(guān)性評(píng)分，使用LM來(lái)估計(jì)KG節(jié)點(diǎn)相對(duì)于給定QA上下文的重要性；（2）聯(lián)合推理，將QA上下文和KG連接起來(lái)形成一個(gè)聯(lián)合圖，并通過(guò)圖神經(jīng)網(wǎng)絡(luò)相互更新它們的表示。張博凱和李想［39］提出了一種基于知識(shí)圖譜的Android端農(nóng)技智能問(wèn)答系統(tǒng)，該系統(tǒng)通過(guò)爬蟲(chóng)工具采集并預(yù)處理海量農(nóng)技問(wèn)答數(shù)據(jù)，訓(xùn)練CRF模型識(shí)別農(nóng)技命名實(shí)體，構(gòu)建“農(nóng)作物-病蟲(chóng)害-農(nóng)藥”知識(shí)庫(kù)，并在Android端集成命名實(shí)體識(shí)別和知識(shí)圖譜查詢推薦算法，形成一個(gè)智能化的農(nóng)技問(wèn)答系統(tǒng)，具備高自動(dòng)化程度和應(yīng)用價(jià)值。AGARWAL等［40］提出了一種方法，通過(guò)將整個(gè)英文Wikidata知識(shí)圖譜轉(zhuǎn)換為自然語(yǔ)言文本，來(lái)創(chuàng)建一個(gè)名為KELMCorpus的大規(guī)模合成語(yǔ)料庫(kù)。這個(gè)語(yǔ)料庫(kù)被用來(lái)增強(qiáng)檢索語(yǔ)言模型，并且在開(kāi)放域問(wèn)答和探針任務(wù)上顯示出了顯著的性能提升。

3.3醫(yī)療健康

在醫(yī)療健康領(lǐng)域［41］，知識(shí)圖譜用于整合多種來(lái)源的醫(yī)療數(shù)據(jù)，以支持臨床決策、疾病診斷和個(gè)性化治療。知識(shí)圖譜中的實(shí)體可以是患者、疾病、藥物及其相互關(guān)系。知識(shí)圖譜的構(gòu)建涉及數(shù)據(jù)整合和知識(shí)抽取。MALIK等［42］設(shè)想在這些知識(shí)的支持下，未來(lái)的臨床決策支持系統(tǒng)和工具將有助于復(fù)雜神經(jīng)疾病的預(yù)后、診斷和治療。現(xiàn)有的知識(shí)圖譜只包含概念和概念之間的關(guān)系，并將這些知識(shí)提供給信息提取和知識(shí)管理應(yīng)用程序。然而，擬議的特定領(lǐng)域自動(dòng)知識(shí)圖譜整理框架能夠提取概念、關(guān)系、個(gè)體和隊(duì)列圖譜以及預(yù)測(cè)知識(shí)。通過(guò)對(duì)1025名顱內(nèi)動(dòng)脈瘤患者的電子健康記錄中的結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)采用基于本體的信息提取、集合學(xué)習(xí)和基于跳格技術(shù)的詞嵌入，提出了一種新型的全自動(dòng)知識(shí)圖譜整理框架，該框架由概念、不同的層次關(guān)系和非層次關(guān)系以及預(yù)測(cè)蛛網(wǎng)膜下腔出血的預(yù)測(cè)規(guī)則組成。王宇亮等［43］提出了一種基于意圖-槽位注意機(jī)制的醫(yī)療咨詢意圖理解與實(shí)體抽取算法。該算法旨在通過(guò)建立意圖和槽位之間的相互促進(jìn)關(guān)系，實(shí)現(xiàn)在語(yǔ)義層次上的建模，以提高醫(yī)療對(duì)話系統(tǒng)中自然語(yǔ)言理解的準(zhǔn)確率。

ZHANG等［44］提出了健康知識(shí)圖譜生成器。首先，這是一個(gè)端到端的平臺(tái)，可用于從多種來(lái)源構(gòu)建特定疾病的可擴(kuò)展健康知識(shí)圖譜。其次，分析了臨床醫(yī)生的能力和需求，設(shè)計(jì)了讓臨床醫(yī)生參與的任務(wù)，并實(shí)施了臨床醫(yī)生在環(huán)工具集，將臨床醫(yī)生的先驗(yàn)知識(shí)整合到健康知識(shí)圖譜的構(gòu)建中。第三，設(shè)計(jì)了一種可擴(kuò)展的機(jī)制，用于在現(xiàn)有知識(shí)圖譜中添加新的疾病。第四，提出了一種定量工作量估算算法，用于定量評(píng)估臨床醫(yī)生在構(gòu)建過(guò)程中的工作量，并利用該算法計(jì)算出工作量。CHANDAK等［45］提出了用于精準(zhǔn)醫(yī)學(xué)分析的多模態(tài)知識(shí)圖譜PrimeKG。PrimeKG整合了20種高質(zhì)量資源，描述了17080種疾病與4050249種關(guān)系，代表了十大生物學(xué)尺度，包括疾病相關(guān)蛋白擾動(dòng)、生物學(xué)過(guò)程和途徑、解剖學(xué)和表型尺度，以及全部獲批藥物及其治療作用，極大地?cái)U(kuò)展了以往在以疾病為根基的知識(shí)圖譜方面所做的努力。

3.4推薦系統(tǒng)

知識(shí)圖譜在推薦系統(tǒng)中的應(yīng)用主要體現(xiàn)在通過(guò)理解用戶需求和偏好來(lái)提供個(gè)性化的推薦。通過(guò)構(gòu)建用戶與物品之間的多維關(guān)系，知識(shí)圖譜能夠幫助提升推薦的準(zhǔn)確性和多樣性。HUANG等［46］提出了一種基于知識(shí)圖譜的新型推薦方法KG2Rec，為用戶提供滿足其實(shí)時(shí)需求的適當(dāng)推薦。設(shè)計(jì)了特定屬性知識(shí)圖譜模型來(lái)模擬“用戶-物品”和“物品-物品”的雙向關(guān)系。基于特定屬性知識(shí)圖譜模型，可以從中挖掘出特定屬性的“用戶-物品”關(guān)系特征。然后，將“用戶-物品”關(guān)系特征整合到基于局部敏感哈希技術(shù)的改進(jìn)型協(xié)同過(guò)濾算法中，實(shí)現(xiàn)Top-N物品推薦。饒子昀等［47］探討了應(yīng)用知識(shí)圖譜的推薦方法與系統(tǒng)。文中指出，數(shù)據(jù)稀疏和冷啟動(dòng)問(wèn)題是當(dāng)前推薦系統(tǒng)面臨的兩大挑戰(zhàn)。知識(shí)圖譜作為一種附加信息形式，可以在一定程度上緩解這些挑戰(zhàn)，提高推薦準(zhǔn)確度。李慧等［48］提出一種結(jié)合論文內(nèi)容與引用特征的學(xué)者研究興趣發(fā)現(xiàn)方法，構(gòu)建基于學(xué)術(shù)知識(shí)圖譜與隨機(jī)游走算法的論文推薦模型。通過(guò)預(yù)訓(xùn)練文本嵌入模型和引文網(wǎng)絡(luò)，挖掘?qū)W者研究興趣，并運(yùn)用深度學(xué)習(xí)技術(shù)計(jì)算學(xué)者對(duì)論文的興趣概率，最終生成TopN論文推薦列表。

JIANG等［49］提出了一種用于推薦的新型知識(shí)圖譜擴(kuò)散模型。該框架集成了生成擴(kuò)散模型和數(shù)據(jù)增強(qiáng)范式，從而實(shí)現(xiàn)了穩(wěn)健的知識(shí)圖譜表征學(xué)習(xí)。這種整合有助于更好地協(xié)調(diào)知識(shí)感知項(xiàng)目語(yǔ)義和協(xié)作關(guān)系建模。此外，還引入了協(xié)作知識(shí)圖譜卷積機(jī)制，將反映用戶與項(xiàng)目互動(dòng)模式的協(xié)作信號(hào)納入其中，從而指導(dǎo)知識(shí)圖譜的擴(kuò)散過(guò)程，在3個(gè)公開(kāi)可用的數(shù)據(jù)集上進(jìn)行了廣泛的實(shí)驗(yàn)。LI等［50］介紹了一種端到端的深度學(xué)習(xí)模型，名為“表征增強(qiáng)型知識(shí)圖卷積網(wǎng)絡(luò)”，它能動(dòng)態(tài)分析每個(gè)用戶的偏好，并推薦合適的商品。它結(jié)合了物品端和用戶端的知識(shí)圖譜，豐富了兩者的表征，最大限度地利用了知識(shí)圖譜中的豐富信息。

3.5具身智能系統(tǒng)

具身智能（embodiedAI）是指一種具有物理身體并能通過(guò)感知和交互與環(huán)境進(jìn)行實(shí)時(shí)互動(dòng)的智能系統(tǒng)［51］。近年來(lái)，隨著大模型的快速發(fā)展，具身智能系統(tǒng)的研究愈加突出。這類系統(tǒng)由“本體”和“智能體”耦合而成，能夠在復(fù)雜環(huán)境中執(zhí)行任務(wù)。簡(jiǎn)單來(lái)說(shuō)，它讓AI不再局限于虛擬世界的數(shù)據(jù)處理和決策，而是能夠像人類一樣在現(xiàn)實(shí)世界中感知、學(xué)習(xí)和行動(dòng)［52］。圖3直觀展示了具身智能的學(xué)習(xí)與決策過(guò)程。

從提高機(jī)器人在新環(huán)境中導(dǎo)航性能的角度，YANG等［53］提出了一種基于時(shí)間變化知識(shí)圖推理網(wǎng)絡(luò)的機(jī)器人目標(biāo)導(dǎo)航方法，旨在幫助機(jī)器人高效地在未知環(huán)境中找到目標(biāo)物體。該方法模仿人類尋找物體的行為，優(yōu)先考慮物體可能出現(xiàn)的區(qū)域，并根據(jù)環(huán)境進(jìn)行路徑規(guī)劃。研究中，該方法通過(guò)動(dòng)態(tài)更新知識(shí)圖，結(jié)合先前知識(shí)和當(dāng)前場(chǎng)景信息，提升了機(jī)器人的導(dǎo)航能力和泛化性能。另一方面，從機(jī)器人抓取策略的角度，KWAK等［54］創(chuàng)建了名為roboKG的知識(shí)圖譜，包含關(guān)于物體（如材料和組成部分）、任務(wù)及適當(dāng)?shù)臋C(jī)器人操作（如抓取哪個(gè)部件、使用哪種夾爪、抓取力度）的信息。通過(guò)知識(shí)圖譜嵌入技術(shù)，生成了roboKG中實(shí)體和關(guān)系的知識(shí)表示，使機(jī)器人能夠預(yù)測(cè)針對(duì)特定任務(wù)的抓取策略。

從場(chǎng)景知識(shí)對(duì)機(jī)器人智能影響的角度，SONG等［55］指出，現(xiàn)有知識(shí)庫(kù)在細(xì)節(jié)上稀疏、類別不平衡且容量有限，而預(yù)訓(xùn)練模型則面臨知識(shí)不確定性和維護(hù)難度的問(wèn)題。他們提出了一種面向場(chǎng)景的多模態(tài)知識(shí)圖譜構(gòu)建方法，以提升具身智能在真實(shí)世界中的智能水平。從提升服務(wù)機(jī)器人安全框架的角度，QI等［56］提出了一個(gè)新穎的框架，以提高服務(wù)機(jī)器人的安全性控制。該框架通過(guò)結(jié)合大型語(yǔ)言模型、機(jī)器人控制提示和知識(shí)圖譜來(lái)增強(qiáng)服務(wù)機(jī)器人的安全性。

3.6智能制造

在智能制造中，知識(shí)圖譜作為一種信息整合和管理工具，在創(chuàng)新設(shè)計(jì)、故障診斷、質(zhì)量控制等方面發(fā)揮了重要作用［57］。

KO等［58］提出了基于機(jī)器學(xué)習(xí)和知識(shí)圖譜的設(shè)計(jì)規(guī)則構(gòu)建方法，用于增材制造。這種方法旨在通過(guò)從數(shù)據(jù)中提取知識(shí)，結(jié)合現(xiàn)有的先驗(yàn)知識(shí)，來(lái)構(gòu)建和改進(jìn)增材制造的設(shè)計(jì)規(guī)則。在故障診斷方面，LIU等［59］提出了結(jié)合知識(shí)圖譜和大型語(yǔ)言模型的聯(lián)合模型，用于航空裝配領(lǐng)域的故障診斷。該模型通過(guò)將航空裝配知識(shí)圖譜嵌入到大型語(yǔ)言模型中，增強(qiáng)了模型在專業(yè)領(lǐng)域的知識(shí)推理能力，尤其是在故障定位方面。

在質(zhì)量控制方面，陰艷超等［60］提出了融合時(shí)序知識(shí)圖譜的流程生產(chǎn)工藝質(zhì)量預(yù)測(cè)方法。該方法旨在解決流程制造過(guò)程中質(zhì)量預(yù)測(cè)的難題，通過(guò)結(jié)合知識(shí)圖譜技術(shù)和深度學(xué)習(xí)模型，提高質(zhì)量預(yù)測(cè)的準(zhǔn)確性和效率。WANG等［61］提出了一種基于人-信息-物理系統(tǒng)（human-cyber-physical，HCP）知識(shí)圖的智能制造過(guò)程中的質(zhì)量控制方法。該方法通過(guò)HCP知識(shí)圖實(shí)現(xiàn)了案例檢索、自動(dòng)分析和輔助決策，使質(zhì)量控制過(guò)程更加智能化。

4挑戰(zhàn)與展望

1）知識(shí)的自動(dòng)獲取

知識(shí)圖譜的構(gòu)建面臨的首要挑戰(zhàn)是知識(shí)的自動(dòng)獲取。由于數(shù)據(jù)源的多樣性和復(fù)雜性，從結(jié)構(gòu)化、半結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)中提取有用信息并將其轉(zhuǎn)化為結(jié)構(gòu)化知識(shí)是一個(gè)巨大的挑戰(zhàn)。

2）多源知識(shí)融合

知識(shí)圖譜的構(gòu)建面臨多源知識(shí)融合的挑戰(zhàn)。不同數(shù)據(jù)源可能存在數(shù)據(jù)格式不一致、命名模糊、數(shù)據(jù)冗余和數(shù)據(jù)沖突等問(wèn)題。如何高效融合來(lái)自不同領(lǐng)域和不同格式的數(shù)據(jù)，消除數(shù)據(jù)間的歧義和冗余，是知識(shí)圖譜構(gòu)建中的一個(gè)重要課題。如何開(kāi)發(fā)更先進(jìn)的知識(shí)融合算法和工具，自動(dòng)處理多源數(shù)據(jù)的異構(gòu)性和沖突，特別是如何通過(guò)引入機(jī)器學(xué)習(xí)和深度學(xué)習(xí)技術(shù)，讓知識(shí)融合過(guò)程更加智能化和自動(dòng)化。

3）知識(shí)表示學(xué)習(xí)

知識(shí)表示學(xué)習(xí)是知識(shí)圖譜研究中的一個(gè)關(guān)鍵挑戰(zhàn)。它需要將知識(shí)表示為計(jì)算機(jī)能夠處理的形式，如向量表示。然而，仍存在許多挑戰(zhàn)，例如如何融合更多的本體特征，以及如何實(shí)現(xiàn)知識(shí)表示學(xué)習(xí)與本體推理的等價(jià)性分析等。探索融合神經(jīng)符號(hào)系統(tǒng)的知識(shí)表示學(xué)習(xí)方法，開(kāi)發(fā)更高效和準(zhǔn)確的知識(shí)表示算法，才能使知識(shí)圖譜在預(yù)測(cè)、推理和推薦等任務(wù)中的表現(xiàn)更加出色。

4）通用知識(shí)圖譜構(gòu)建與具身智能系統(tǒng)高級(jí)應(yīng)用融合

目前，具身智能系統(tǒng)在獲取高質(zhì)量的機(jī)器人數(shù)據(jù)集、高效利用人類示范數(shù)據(jù)、認(rèn)知復(fù)雜環(huán)境、執(zhí)行長(zhǎng)期任務(wù)、發(fā)現(xiàn)因果關(guān)系以及持續(xù)學(xué)習(xí)方面面臨諸多挑戰(zhàn)［62］。因此，構(gòu)建通用知識(shí)圖譜，并將其服務(wù)于具身智能系統(tǒng)高級(jí)應(yīng)用，這將幫助系統(tǒng)深入理解復(fù)雜環(huán)境，提高語(yǔ)言理解、環(huán)境感知和任務(wù)執(zhí)行等類人高級(jí)任務(wù)的適應(yīng)性和可靠性，特別是面對(duì)未知場(chǎng)景的魯棒性。

5結(jié)束語(yǔ)

知識(shí)圖譜在搜索引擎優(yōu)化、智能問(wèn)答系統(tǒng)、醫(yī)療健康、推薦系統(tǒng)、具身智能系統(tǒng)以及智能制造等多個(gè)領(lǐng)域的應(yīng)用具有顯著的優(yōu)勢(shì)。通過(guò)合理構(gòu)建和應(yīng)用知識(shí)圖譜，能夠有效提升信息檢索的質(zhì)量、增強(qiáng)系統(tǒng)的智能化水平，以及改善用戶體驗(yàn)。隨著技術(shù)的不斷發(fā)展，知識(shí)圖譜的應(yīng)用前景將更加廣闊。本文綜述了知識(shí)圖譜的研究現(xiàn)狀，詳細(xì)介紹了其基本構(gòu)成、構(gòu)建流程及推理技術(shù)，并總結(jié)知識(shí)圖譜在多個(gè)領(lǐng)域的應(yīng)用現(xiàn)狀，尤其是在面向具身智能方面。然而，隨著知識(shí)圖譜規(guī)模的擴(kuò)展，其在數(shù)據(jù)質(zhì)量、一致性、可擴(kuò)展性及隱私保護(hù)方面仍面臨諸多挑戰(zhàn)，特別是跨領(lǐng)域知識(shí)的融合、自適應(yīng)通用知識(shí)圖譜的構(gòu)建等。

參考文獻(xiàn)：

[1]PENGC，XIAF，NASERIPARSAM，etal.Knowledgegraphs：opportunitiesandchallenges［J］.ArtificialIntelligenceReview，2023，56（11）：13071-13102.

［2］俞書(shū)偉，翁炅洲，劉飛揚(yáng)，等.基于專利知識(shí)圖譜構(gòu)建法的健身產(chǎn)品創(chuàng)新趨勢(shì)及設(shè)計(jì)方向研究［J］.包裝工程，2024，45（18）：65-74.

［3］盧葦，劉丹.大規(guī)模個(gè)性化定制研究的知識(shí)圖譜分析［J］.貴州大學(xué)學(xué)報(bào)（自然科學(xué)版），2021，38（3）：92-97.

［4］GARFIELDE.Citationindexesforscience［J］.Science，1955，122（3159）：108-111.

［5］QINB，WANGS，DUXY，etal.Graph-basedqueryrewritingforknowledgesharingbetweenpeerontologies［J］.InformationSciences，2008，178（18）：3525-3542.

［6］URENV，CIMIANOP，IRIAJ，etal.Semanticannotationforknowledgemanagement：requirementsandasurveyofthestateoftheart［J］.JournalofWebSemantics，2006，4（1）：14-28.

［7］FELGENBAUMEA.Theartofartificialintelligence：themesandcasestudiesofknowledgeengineering［C］//Proceedingsofthe5thInternationalJointConferenceonArtificialIntelligence-Volume2.Cambridge：MorganKaufmannPublishersInc.，1977：1014-1029.

［8］畢鑫，聶豪杰，趙相國(guó)，等.面向知識(shí)圖譜約束問(wèn)答的強(qiáng)化學(xué)習(xí)推理技術(shù)［J］.軟件學(xué)報(bào)，2023，34（10）：4565-4583.

［9］沈華，熊開(kāi)宇，閆斌，等.知識(shí)圖譜的用戶興趣向量化方法及應(yīng)用［J］.南昌大學(xué)學(xué)報(bào)（理科版），2020，44（6）：610-616.

［10］沈英漢，江旭暉，王元卓，等.時(shí)態(tài)知識(shí)圖譜的推理研究綜述［J］.計(jì)算機(jī)學(xué)報(bào)，2023，46（6）：1272-1301.

［11］CHENHN，LUOXW.Anautomaticliteratureknowledgegraphandreasoningnetworkmodelingframeworkbasedonontologyandnaturallanguageprocessing［J］.AdvancedEngineeringInformatics，2019，42：100959.1-100959.17.

［12］GAOM，LIJY，CHENCH，etal.Enhancedmulti-tasklearningandknowledgegraph-basedrecommendersystem［J］.IEEETransactionsonKnowledgeandDataEngineering，2023，35（10）：10281-10294.

［13］NIP，OKHRATIR，GUANS，etal.Knowledgegraphanddeeplearning-basedText-to-GraphQLmodelforintelligentmedicalconsultationchatbot［J］.InformationSystemsFrontiers，2022，26（1）：137-156.

［14］XUB，YANGGC.Interpretabilityresearchofdeeplearning：aliteraturesurvey［J］.InformationFusion，2025，115：102721.1-102721.46.

［15］XUEB，ZOUL.Knowledgegraphqualitymanagement：acomprehensivesurvey［J］.IEEETransactionsonKnowledgeandDataEngineering，2023，35（5）：4969-4988.

［16］FEIL，WUT，KHANA.Onlineupdatesofknowledgegraphembedding［C］//ProceedingsoftheComplexNetworksamp;TheirApplicationsX.Cham：Springer，2022：523-535.

［17］LIMKYH，YOSALTS，CHENCH，etal.Graph-enabledcognitivedigitaltwinsforcausalinferenceinmaintenanceprocesses［J］.InternationalJournalofProductionResearch，2024，62（13）：4717-4734.

［18］CAOJH，F(xiàn)ANGJY，MENGZQ，etal.Knowledgegraphembedding：asurveyfromtheperspectiveofrepresentationspaces［J］.ACMComputingSurveys，2024，56（6）：159.1-159.42.

［19］WANGZ，ZHANGJ，F(xiàn)ENGJ，etal.Knowledgegraphembeddingbytranslatingonhyperplanes［C］//ProceedingsoftheTwenty-EighthAAAIConferenceonArtificialIntelligence（AAAI）.Québec：AAAIPress，2014：1112-1119.

［20］GALARRAGALA，TEFLIOUDIC，HOSEK，etal.AMIE：associationruleminingunderincompleteevidenceinontologicalknowledgebases［C］//Proceedingsofthe22ndInternationalConferenceonWorldWideWeb.RiodeJaneiro：AssociationforComputingMachinery，2013：413-422.

［21］ZEMANV，KLIEGRT，SVTEKV.RDFRules：makingRDFruleminingeasierandevenmoreefficient［J］.SemanticWeb，2021，12（4）：569-602.

［22］DEAZEVEDOJ，SILVESTREMADEIRAJJER，VIEIRAMARTINSEQ，etal.Acomputationalimprovementforashortestpathsrankingalgorithm［J］.EuropeanJournalofOperationalResearch，1994，73（1）：188-191.

［23］YANGH，LIUJ.Knowledgegraphrepresentationlearningasgroupoid：unifyingTransE，RotatE，QuatE，ComplEx［C］//Proceedingsofthe30thACMInternationalConferenceonInformationamp;KnowledgeManagement.VirtualEvent，Queensland：AssociationforComputingMachinery，2021：2311-2320.

［24］CHACHLAKISDG，TSITSIKASY，PAPALEXAKISEE，etal.Robustmulti-relationallearningwithabsoluteprojectionrescal［C］//Proceedingsofthe2019IEEEGlobalConferenceonSignalandInformationProcessing（GlobalSIP）.Ottawa：IEEE，2019：1-5.

［25］MELOAN，HERRERA-QUINTEROLF，SALINASC，etal.Knowledge-basedexplainablepedestrianbehaviorpredictor［C］//Proceedingsofthe2024IEEEIntelligentVehiclesSymposium（IV）.Jeju：IEEE，2024：3348-3355.

［26］XUB，LIUXB，GUWJ，etal.Afinesegmentationmodelofflue-curedtobacco’smainveinsbasedonmulti-level-scalefeaturesofhybridfusion［J］.SoftComputing，2024，28（17）：10537-10555.

［27］KIPFTN，WELLINGM.Semi-supervisedclassificationwithgraphconvolutionalnetworks［J/OL］.arXivpreprintarXiv：160902907，2016.（2016-09-09）［2024-01-09］.https：//doi.org/10.48550/arXiv.1609.02907.

［28］HAMILTONWL，YINGR，LESKOVECJ.Inductiverepresentationlearningonlargegraphs［C］//Proceedingsofthe31stInternationalConferenceonNeuralInformationProcessingSystems.LongBeach：CurranAssociatesInc.，2017：1025-1035.

［29］GILMERJ，SCHOENHOLZSS，RILEYPF，etal.Neuralmessagepassingforquantumchemistry［C］//Proceedingsofthe34thInternationalConferenceonMachineLearning.Sydney：JournalofMachineLearningResearch（JMLR.org），2017：1263-1272.

［30］VELICKOVIG′P，CUCURULLG，CASANOVAA，etal.Graphattentionnetworks［J/OL］.arXiv：1710.10903，2017.（2017-10-30）［2024-09-10］.https：//doi.org/10.48550/arXiv.1710.10903.

［31］YANGZH，BIYX，WANGLB，etal.Developmentandapplicationofafieldknowledgegraphandsearchengineforpavementengineering［J］.ScientificReports，2022，12（1）：7796.1-7796.12.

［32］LIFL，CHENH，XUG，etal.AliMeKG：domainknowledgegraphconstructionandapplicationinE-commerce［C］//Proceedingsofthe29thACMInternationalConferenceonInformationamp;KnowledgeManagement.VirtualEvent，Ireland：AssociationforComputingMachinery，2020：2581-2588.

［33］蔣雪瑤，力維辰，劉井平，等.基于多模態(tài)模式遷移的知識(shí)圖譜實(shí)體配圖［J］.計(jì)算機(jī)工程，2022，48（8）：70-76.

［34］WANGM，WANGHF，QIGL，etal.Richpedia：alarge-scale，comprehensivemulti-modalknowledgegraph［J］.BigDataResearch，2020，22：100159.1-100159.11.

［35］LISSANDRINIM，MOTTIND，PALPANAST，etal.Graph-querysuggestionsforknowledgegraphexploration［C］//ProceedingsoftheWebConference2020.Taipei：AssociationforComputingMachinery，2020：2549-2555.

［36］AITMLOUKA，JIANGLL.KBot：aknowledgegraphbasedChatBotfornaturallanguageunderstandingoverlinkeddata［J］.IEEEAccess，2020，8：149220-149230.

［37］PRAMANIKS，ALABIJ，ROYRS，etal.Uniqorn：unifiedquestionansweringoverRDFknowledgegraphsandnaturallanguagetext［J］.JournalofWebSemantics，2024，83：100833.1-100833.22.

［38］YASUNAGAM，RENH，BOSSELUTA，etal.QA-GNN：Reasoningwithlanguagemodelsandknowledgegraphsforquestionanswering[J/OL].arXivpreprintarXiv：2104.06378，2021（2022-04-13）[2024-09-15].https：//doi.org/10.48550/arXiv.2104.06378.

［39］張博凱，李想.基于知識(shí)圖譜的Android端農(nóng)技智能問(wèn)答系統(tǒng)研究［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2021，52（增刊1）：164-171.

［40］AGARWALO，GEH，SHAKERIS，etal.Knowledgegraphbasedsyntheticcorpusgenerationforknowledge-enhancedlanguagemodelpre-training[J/OL].arXivpreprintarXiv：2010.12688，2020（2020-10-23）[2024-09-23].https：//doi.org/10.48550/arXiv.2010.12688.

［41］王楚童，李明達(dá)，孫孟軒，等.融合大規(guī)模醫(yī)學(xué)事實(shí)的跨語(yǔ)言雙層知識(shí)圖譜［J/OL］.軟件學(xué)報(bào)：1-14（2024-06-19）［2024-08-19］.https：//doi.org/10.13328/j.cnki.jos.007173.

［42］MALIKKM，KRISHNAMURTHYM，ALOBAIDIM，etal.Automateddomain-specifichealthcareknowledgegraphcurationframework：subarachnoidhemorrhageasphenotype［J］.ExpertSystemswithApplications，2020，145：113120.1-113120.15.

［43］王宇亮，楊觀賜，羅可欣.基于意圖—槽位注意機(jī)制的醫(yī)療咨詢意圖理解與實(shí)體抽取算法［J］.計(jì)算機(jī)應(yīng)用研究，2023，40（5）：1402-1409.

［44］ZHANGY，SHENGM，ZHOUR，etal.HKGB：aninclusive，extensible，intelligent，semi-auto-constructedknowledgegraphframeworkforhealthcarewithclinicians’expertiseincorporated［J］.InformationProcessingamp;Management，2020，57（6）：102324.1-102324.16.

［45］CHANDAKP，HUANGKX，ZITNIKM.Buildingaknowledgegraphtoenableprecisionmedicine[J/OL].ScientificData，2023，10（1）（2023-02-02）[2024-09-20].https：//www.nature.com/articles/s41597-023-01960-3.

［46］HUANGWJ，LIQM，MENGSM.KG2Rec：LSH-CFrecommendationmethodbasedonknowledgegraphforcloudservices［J］.WirelessNetworks，2024，30（5）：3483-3494.

［47］饒子昀，張毅，劉俊濤，等.應(yīng)用知識(shí)圖譜的推薦方法與系統(tǒng)［J］.自動(dòng)化學(xué)報(bào)，2021，47（9）：2061-2077.

［48］李慧，崔子賢，王玙.基于學(xué)術(shù)知識(shí)圖譜與有偏隨機(jī)游走的論文推薦研究［J/OL］.數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn)：1-19（2024-08-21）［2024-09-11］.http：//kns.cnki.net/kcms/detail/10.1478.G2.20240821.1343.004.html.

［49］JIANGY，YANGY，XIAL，etal.DiffKG：knowledgegraphdiffusionmodelforrecommendation［C］//Proceedingsofthe17thACMInternationalConferenceonWebSearchandDataMining（WSDM）.Merida：AssociationforComputingMachinery，2024：313-321.

［50］LIC，CAOY，ZHUY，etal.Rippleknowledgegraphconvolutionalnetworksforrecommendationsystems［J］.MachineIntelligenceResearch，2024，21（3）：481-494.

［51］DUANJ，YUS，TANHL，etal.AsurveyofembodiedAI：fromsimulatorstoresearchtasks［J］.IEEETransactionsonEmergingTopicsinComputationalIntelligence，2022，6（2）：230-244.

［52］NYGAARDTF，MARTINCP，TORRESENJ，etal.Real-worldembodiedAIthroughamorphologicallyadaptivequadrupedrobot［J］.NatureMachineIntelligence，2021，3（5）：410-419.

［53］YANGBJ，YUANXF，YINGZM，etal.HOGN-TVGN：human-inspiredembodiedobjectgoalnavigationbasedontime-varyingknowledgegraphinferencenetworksforrobots［J］.AdvancedEngineeringInformatics，2024，62：102671.1-102671.14.

［54］KWAKJH，LEEJ，WHANGJJ，etal.Semanticgraspingviaaknowledgegraphofroboticmanipulation：agraphrepresentationlearningapproach［J］.IEEERoboticsandAutomationLetters，2022，7（4）：9397-9404.

［55］SONGY，SUNP，LIUH，etal.Scene-drivenmultimodalknowledgegraphconstructionforembodiedAI［J］.IEEETransactionsonKnowledgeandDataEngineering，2024，36（11）：6962-6976.

［56］QIY，KYEBAMBOG，XIES，etal.SafetycontrolofservicerobotswithLLMsandembodiedknowledgegraphs［J/OL］.arXiv：240517846，2024.（2024-03-28）［2024-10-15］.https：//doi.org/10.48550/arXiv.2405.17846.

［57］張?jiān)Q，肖士易，徐雪松，等.基于知識(shí)圖譜多集池化的健康狀態(tài)智能評(píng)估方法［J］.計(jì)算機(jī)集成制造系統(tǒng)，2024，30（3）：893-905.

［58］KOH，WITHERELLP，LUY，etal.Machinelearningandknowledgegraphbaseddesignruleconstructionforadditivemanufacturing［J］.AdditiveManufacturing，2021，37：101620.1-101620.16.

［59］LIUP，QIANL，ZHAOX，etal.Jointknowledgegraphandlargelanguagemodelforfaultdiagnosisanditsapplicationinaviationassembly［J］.IEEETransactionsonIndustrialInformatics，2024，20（6）：8160-8169.

［60］陰艷超，唐進(jìn)，顧文娟.融合時(shí)序知識(shí)圖譜與CNN-LSTM的流程生產(chǎn)工藝質(zhì)量預(yù)測(cè)［J/OL］.計(jì)算機(jī)集成制造系統(tǒng)，1-15（2024-04-30）［2024-09-28］.https：//doi.org/10.13196/j.cims.2023.0324.

［61］WANGSL，YANGJH，YANGB，etal.Anintelligentqualitycontrolmethodformanufacturingprocessesbasedonahuman-cyber-physicalknowledgegraph［J］.Engineering，2024，41：242-260.

［62］LIUY，CHENW，BAIY，etal.Aligningcyberspacewithphysicalworld：acomprehensivesurveyonembodiedAI［J］.arXivpreprintarXiv：240706886，2024.（2024-07-09）［2024-09-16］https：//doi.org/10.48550/arXiv.2407.06886.

（責(zé)任編輯：曾晶）

文章編號(hào)1000-5269（2025）02-0001-10" "DOI：10.15958/j.cnki.gdxbzrb.2025.02.01" " "收稿日期：2024-10-24

基金項(xiàng)目：國(guó)家自然科學(xué)基金地區(qū)基金資助項(xiàng)目（62373116，62163007）；貴州省科技計(jì)劃項(xiàng)目（黔科合支撐［2023］一般118，黔科合平臺(tái)人才［2020］6007-2，黔科合支撐[2023]一般366，黔科合支撐［2023］一般124，黔科合支撐［2023］一般117）

作者簡(jiǎn)介：楊觀賜（1983—），男，教授，博士生導(dǎo)師，研究方向：多模態(tài)融合認(rèn)知與自主無(wú)人系統(tǒng)、智能機(jī)器人技能學(xué)習(xí)，E-mail：gcyang@gzu.edu.cn.

*通訊作者：楊觀賜，E-mail：gcyang@gzu.edu.cn.

Abstract：

Knowledgegraphsareatechnologythatusesgraphicalstructurestorepresentknowledge，originatingfromthesemanticweb，andbeingdesignedtoorganizeandmanageinformationinacomputableandshareablemanner.Thisarticlereviewsrelatedresearchintheareaofknowledgegraphs.First，itpresentsthefundamentalcomponentsofknowledgegraphs;Then，itprovidesadetailedexplanationoftheconstructionprocess;Next，itexaminesmultiplereasoningmethodsforknowledgegraphs;Followingthat，itanalyzesthetypicalapplicationsofknowledgegraphsacrossdifferentdomains，includingsearchengineoptimization，intelligentquestion-answeringsystems，andembodiedintelligencesystems.Anditspecificallyemphasizesthekeyroleinimprovingtheenvironmentalcomprehensionanddecision-makingabilitiesofembodiedintelligentsystems.Lastly，itaddressesthechallengesfacedbyknowledgegraphtechnologyandlooksaheadtoitsfuturedevelopmentpaths.

楊觀賜，男，1983年10月生，工學(xué)博士，教授，博士生導(dǎo)師，主要從事多模態(tài)融合認(rèn)知與自主無(wú)人系統(tǒng)、智能機(jī)器人技能學(xué)習(xí)研究。貴州省省管專家（II類），貴州省優(yōu)秀青年科技人才，貴州省高層次創(chuàng)新型人才（百層次），貴州大學(xué)學(xué)科學(xué)術(shù)帶頭人。主持國(guó)家自然科學(xué)基金等省級(jí)以上項(xiàng)目20余項(xiàng)。在《InformationFusion》《NeuralNetworks》《自動(dòng)化學(xué)報(bào)》等刊物上發(fā)表SCI/EI收錄論文近80篇（其中ESI高被引論文9篇）。曾獲貴州省科技進(jìn)步二等獎(jiǎng)4次、三等獎(jiǎng)1次，貴州省青年科技獎(jiǎng)，貴州大學(xué)國(guó)華獎(jiǎng)。曾被評(píng)為貴州省教育工委“優(yōu)秀共產(chǎn)黨員”，貴州省普通本科高校“金師”（教學(xué)名師）。