数据量、数据处理能力与知识图谱

公众号:AI智见未来

前言

之前的文章中提到过知识图谱的主要应用方向有三个:语义搜索、智能问答、可视化决策。而底层基础决定上层建筑,底层的基础说来说去还是知识快速查询、图实时计算、以及知识推理,但当下的最大困难是数据的获取与知识的抽取。

知识图谱背后,强大的自然语言处理能力,是不可或缺的,尤其是医药行业,缺少可商业化的实体识别、抽取工具,如果一味的追求高质量的数据或自动化的办法,必然导致在行业发展初期数据量上的滞后性。


规则模式

考虑到医疗行业的本身的局限性,数据需要保证严谨、合规、科学。因此可靠的数据来源为临床病历、医学指南、医学教科书、相关论文、科普资讯、医患问答。以上数据来源大多都为文献,但是文献有文献的好处,语言描述多为书面语,可以从中总结规律,从而升级为模板进行收取。比如,( 疾病->症状),书面语描述多为:<X疾病>的症状有<Y症状>,<X疾病>的临床表现为<Y症状>,<X疾病>容易引起<Y症状>等不适症状等等。

人的书写与口语表达都存在一定的模式,针对这些数据及模式,学习文献中的语法及结构,采用机器学习算法,综合统计自然语言处理,收集足够数量的数据,数据量越大越能体现出规律及语法,从海量文本中学习知识的描述方式,如果想单方面从结构化数据中获取更多的数据,那么数据量将及其有限,产出的知识效果将难以支撑上层应用。与其说知识图谱的规模从根本上决定了智能的瓶颈,不如说是数据量的积累和数据的处理能力决定了智能的发展。

即使是高度结构化的医学病历,其结构中也大多存在着大段的文本,要想抽取其中的疾病症状,也需要强大的自然语言处理能力,所以这块终究是绕不过去的。


个人建议

基于模板的方式虽然简单粗暴,但是易于利用非结构化文本进行冷启动,数据海量。其实无论采用哪种方式,前期的人工训练、干预都必不可少。虽然此方法计算复杂度较高,但可以提升计算性能,根据抽取效果对规则模式的效果设计打分卡,从而优化算法,提升覆盖率与召回率。

如果最开始就想建立大而全知识图谱,各方面都考虑,必然导致各方面受缚,无法前进。前期选择一个小领域,例如疾病、药品。以深度优先或者广度优先的方式,从海量文本抽取信息。(个人建议采用广度优先,此处的原因与爬虫的工程要点区别不大,是采用深度优先还是广度优先,类比可得出)。

如果没有聪明的办法,就先想办法把笨办法做到最好。


公众号

推荐阅读更多精彩内容