人工智能时代的知识图谱
近年来，随着人们对AI认知能力的积极探索，知识图谱因其表达能力强、拓展性好，基于知识进行推理等优势得到了学界与业界的高度关注。知识图谱，旨在描述客观世界概念、实体、事件及其之间关系，具备可解释性，而且可以用于解决复杂决策问题。这也意味着通过深度学习与知识图谱的结合，模型底层特征空间与人类自然语言之间巨大的语义鸿沟问题有望得以解决。在大数据和机器学习两大引擎下，大规模知识图谱的自动化构建成为现实，这就加快了知识图谱的落地与应用。
传统意义上，知识图谱可以划分为通用知识图谱和领域知识图谱。例如，国外的谷歌搜索引擎和国内的百度搜索引擎，这类通用领域知识图谱是最先被大家熟知的应用；而场景的不断丰富、需求不断增多、用户对体验与品质的要求不断提高，各行各业都亟需构建领域知识图谱。
那么，从趋势到实际需要，知识图谱已经取得了哪些学术与技术成果，产业与应用发生了哪些变化？当
下知识图谱领域最关注的问题又是什么？未来，知识图谱又有哪些发展前景？
近两年知识图谱研究有一些值得关注的成果，比如：
知识抽取，如何在少量甚至无标注场景下进行知识图谱构建是一个具有挑战性的问题。目前大家都在关注基于图神经网络、增强学习、交互式知识抽取等方法。知识融合，代表性工作有交互式知识融合以及基于表示学习的知识融合的工作。
知识更新，针对百科类知识图谱的自动化更新技术取得了一些突破，从而可以对百科知识进行自动化更新。
知识推理，最近两年有不少混合式推理的方法出现，也就是混合机器学习和符号推理的方法，这些方法的提出对于解决某些机器学习技术的不可解释性，以及提升知识图谱的推理能力都有作用。
与此同时，这些关键技术的应用也有一些突破性的进展，尤其是在知识抽取和知识融合方面：一是人机交互的商业化系统的出现，二是关于人机交互的信息抽取和知识融合的学术论文也开始。
在他看来，知识图谱表示学习与推理也取得了很多进展，大家开始研究知识表示学习在多模态数据上的应用，即结合文本、知识图谱、图像或者视频的知识表示学习，以及基于知识表示学习的推理。
知识图谱从以前研究与产业界脱钩，到现在领域知识图谱成为研究的重点，开始面向解决实际的问题。比如最近司法知识图谱的构建出现了不少研究成果。另外，知识图谱用于解决问答、推荐系统、图像理解方面的论文也不断在增加。
同时，知识图谱在不同行业也得到了广泛应用，领域知识图谱成为企业的迫切需求。例如，金融领域中的信用评估、风险控制、反欺诈问题；医疗领域中的智能问诊问题。从通用知识图谱到领域知识图谱，知识图谱开始在越来越广泛、复杂的场景中落地并解决实际问题。
“在医疗、电商、金融、军工、电力、司法、教育、公安、石油这几个领域知识图谱已经落地并且取得了突出成果。”漆桂林谈到。知识图谱可以帮助这些领域的公司或研究机构更好地处理多源异构数据，也就是说可以提供一个统一数据模型并且可以灵活地集成和关联这些数据，对这些数据进行关联分析。
知识图谱的产学研需要有一个整体规划，这也是我一直在实践的。
首先需要了解产业界对知识图谱的需求，知道知识图谱可以解决什么应用问，带来什么价值。
其次，通过了解知识图谱落地的挑战，确定知识图谱的研究课题。从短期和长期来看，短期课题是要解决产业界急迫的问题，
比如少量标注情况下的信息抽取方法的研究；而长期课题是面向三年之后可能对知识图谱落地有用的技术，比如无标注场景下的信息抽取技术。
最后，让知识图谱技术可以快速普及。