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(xué)界以及工業(yè)界的認(rèn)可和廣泛使用。相匹配的自動化信息抽取技術(shù)與之循環(huán)發(fā)展，形成了當(dāng)前網(wǎng)絡(luò)上的各種開放或領(lǐng)域知識圖譜。自動化、大規(guī)模的提取手段也成為知識圖譜技術(shù)相比于上世紀(jì)70年代的專家系統(tǒng)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(lǐng)域建模的深入，現(xiàn)有表達(dá)方式的不足逐漸顯露。在需要復(fù)雜知識架構(gòu)以及深度推理的領(lǐng)域，扁平化的二元關(guān)系的表達(dá)不足以精確刻畫知識結(jié)構(gòu)并保證知識的連通性。因此，我們在對知識進(jìn)行建模的時候引入遞歸的表達(dá)結(jié)構(gòu)以支持深度語義以及內(nèi)容的可達(dá)性。

       例如，細(xì)菌性肺炎和病毒性肺炎都會導(dǎo)致患者出現(xiàn)咳嗽的癥狀，但是咳嗽的具體表現(xiàn)并不相同：細(xì)菌性肺炎導(dǎo)致的咳嗽大多有痰，而病毒性肺炎多致干咳。如果要保留內(nèi)容的準(zhǔn)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(lián)系起來，但是干咳和咳痰內(nèi)部的聯(lián)系就難以表達(dá)；而如果要清楚表達(dá)這種內(nèi)在聯(lián)系，則需要指數(shù)級地擴充實體或關(guān)系數(shù)量。更不遑論這些癥狀往往還具有更細(xì)致的分類且一些分類標(biāo)準(zhǔn)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(dá)方式，對于上述例子，我們只需要建立如下所示的嵌套的關(guān)系：

• （細(xì)菌性肺炎，導(dǎo)致，（咳嗽，條件，有痰））
• （病毒性肺炎，導(dǎo)致，（咳嗽，條件，無痰））

       本質(zhì)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(jié)構(gòu)之后，則其可表達(dá)更豐富的多元關(guān)系。在實踐中，這樣的遞歸結(jié)構(gòu)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(jié)構(gòu)展開與某個多元謂詞相對應(yīng)。比如，上述例子可以等價于：

• 導(dǎo)致（細(xì)菌性肺炎，咳嗽，有痰）
• 導(dǎo)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(nèi)容，比如“奧巴馬是美國總統(tǒng)”?？陀^事實結(jié)合一些簡單的元規(guī)則（Meta Rules）可以實現(xiàn)簡單的推理，但是隨著人工智能的推進(jìn)，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(yīng)運而生。因果圖譜除了包含事實性內(nèi)容之外，還會將實體依照因果關(guān)系進(jìn)行連接，或者建立已有關(guān)系到因果語義的轉(zhuǎn)換方式。因何也將該方法論融入技術(shù)路線，在構(gòu)造事實性知識庫的同時不斷探索其與因果的認(rèn)識論的結(jié)合方式，打造更優(yōu)的深度語義因果知識圖譜。因何推出的醫(yī)學(xué)知識圖譜就是或者結(jié)合的典型實踐，除了按照事實關(guān)系組織醫(yī)學(xué)實體以外，還對其中部分關(guān)系賦予了因果語義，使其既可以像通用的醫(yī)學(xué)百科一樣進(jìn)行查詢以外，還能夠根據(jù)患者的實際病癥進(jìn)行推理，模擬醫(yī)生的思維方式進(jìn)行智能診斷。目前，醫(yī)學(xué)知識庫搭配診斷算法已經(jīng)在山西省人民醫(yī)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。