深度語義因果圖譜

       自從2012年Google推出知識圖譜（Knowledge Graph）以來，知識圖譜的概念逐漸獲得了學界以及工業界的認可和廣泛使用。相匹配的自動化信息抽取技術與之循環發展，形成了當前網絡上的各種開放或領域知識圖譜。自動化、大規模的提取手段也成為知識圖譜技術相比于上世紀70年代的專家系統而言更具有競爭力的核心因素之一。

       然而，知識圖譜覆蓋面的拓寬以及對特定領域建模的深入，現有表達方式的不足逐漸顯露。在需要復雜知識架構以及深度推理的領域，扁平化的二元關系的表達不足以精確刻畫知識結構并保證知識的連通性。因此，我們在對知識進行建模的時候引入遞歸的表達結構以支持深度語義以及內容的可達性。

       例如，細菌性肺炎和病毒性肺炎都會導致患者出現咳嗽的癥狀，但是咳嗽的具體表現并不相同：細菌性肺炎導致的咳嗽大多有痰，而病毒性肺炎多致干咳。如果要保留內容的準確性，則需要把干咳和咳痰作為兩個獨立的實體分別和兩種肺炎聯系起來，但是干咳和咳痰內部的聯系就難以表達；而如果要清楚表達這種內在聯系，則需要指數級地擴充實體或關系數量。更不遑論這些癥狀往往還具有更細致的分類且一些分類標準還往往適用于多種癥狀和體征（比如時間特征）。對于這樣的深度語義，我們引入遞歸的表達方式，對于上述例子，我們只需要建立如下所示的嵌套的關系：

• （細菌性肺炎，導致，（咳嗽，條件，有痰））
• （病毒性肺炎，導致，（咳嗽，條件，無痰））

       本質上，知識圖譜基于描述邏輯（Description Logic）形式化模型。作為一階謂詞邏輯（First-order Predicate Logic）的一個子集，其僅包含至多2元的謂詞。引入嵌套結構之后，則其可表達更豐富的多元關系。在實踐中，這樣的遞歸結構往往是具有特定深度和模式的，因此可以將每種特定的嵌套結構展開與某個多元謂詞相對應。比如，上述例子可以等價于：

• 導致（細菌性肺炎，咳嗽，有痰）
• 導致（病毒性肺炎，咳嗽，無痰）

       早期的知識圖譜多用于表示事實性內容，比如“奧巴馬是美國總統”?？陀^事實結合一些簡單的元規則（Meta Rules）可以實現簡單的推理，但是隨著人工智能的推進，人們對推理的廣度、深度和精度提出了越來越高的要求，因果知識圖譜應運而生。因果圖譜除了包含事實性內容之外，還會將實體依照因果關系進行連接，或者建立已有關系到因果語義的轉換方式。因何也將該方法論融入技術路線，在構造事實性知識庫的同時不斷探索其與因果的認識論的結合方式，打造更優的深度語義因果知識圖譜。因何推出的醫學知識圖譜就是或者結合的典型實踐，除了按照事實關系組織醫學實體以外，還對其中部分關系賦予了因果語義，使其既可以像通用的醫學百科一樣進行查詢以外，還能夠根據患者的實際病癥進行推理，模擬醫生的思維方式進行智能診斷。目前，醫學知識庫搭配診斷算法已經在山西省人民醫院落地實踐，并對提升診療流程的效率、降低成本起到了積極作用。