Граф знаний

Происхождение и история термина

По историческому обзору Hogan и соавторов, выражение knowledge graph встречалось в литературе как минимум в 1972 году. Современное распространение названия авторы связывают с анонсом Google в 2012 году и последующим интересом компаний и исследователей. ^[1] Это история развития употребления термина, а не свидетельство его изобретения Google.

16 мая 2012 года Google представил собственный Knowledge Graph. Анонс объяснял переход от совпадения слов к различению объектов и их отношений. ^[4] В дальнейшем общее понятие закрепилось и за открытыми, и за внутренними корпоративными графами, что отражено в научном обзоре 2021 года. ^[1]

Суть и механизм

Рассмотрим учебный пример редакционного справочника. В нём есть два вымышленных издания «Маяк»: одно выходит в городе Северном, другое — в Южном. Автор Анна пишет для первого. Если хранить только строку «Анна — Маяк», невозможно понять, какое издание имеется в виду. Поэтому дадим изданиям разные идентификаторы: «издание-1» и «издание-2». Название останется их свойством, а связь Анны будет вести к конкретному изданию.

В таком примере сущность — объект, который мы описываем отдельно от его названия. Вершина — его место в графе; ребро — связь с другой вершиной. Направление тоже важно: отношение «Анна пишет для издания» нельзя прочитать наоборот как «издание пишет для Анны». Так пример иллюстрирует ориентированную модель: у связи есть начало, конец и обозначенный смысл. ^[1]

В RDF (Resource Description Framework, модель описания ресурсов) запись состоит из трёх частей: субъекта, предиката и объекта. Это соответственно предмет утверждения, отношение и то, на что оно указывает. Совокупность таких троек образует RDF-граф. ^[2] Для нашего справочника словесная запись выглядит так: «издание-1 — расположено в — Северный». Это объяснение структуры, а не готовая машинная запись.

В RDF 1.1 именованные ресурсы обозначаются IRI — международными идентификаторами ресурсов. Текст, число или дата могут быть литералом, то есть записанным значением. Например, объектом утверждения о названии издания будет текст «Маяк», а объектом утверждения о местоположении — идентификатор города. ^[2] Получаются разные вопросы: «Как называется издание?» и «Где оно находится?».

Запрос SPARQL задаёт образец связей и оставляет неизвестные части переменными. Система подставляет в них значения из данных; совпадений может быть несколько или ни одного. ^[3] В нашем примере вопрос «Кто пишет для издания из Северного?» требует пройти две связи: сначала найти нужное издание по городу, затем его автора. По одной записи «Анна — Маяк» такой ответ надёжно получить нельзя.

Виды и классификации

Hogan и соавторы различают открытые графы, опубликованные для общего использования, и корпоративные, обычно обслуживающие внутренние задачи компании. Отдельно они рассматривают модели представления: ориентированные графы с подписанными рёбрами, неоднородные графы и графы свойств. ^[1] Доступность отвечает на вопрос «кто пользуется данными», модель — «как устроены записи». Эти основания не следует смешивать.

Российский учебник Яндекса поясняет неоднородность на сущностях разных типов: сотрудниках и подразделениях компании. Между ними могут существовать разные отношения, например работа в подразделении и коллегиальные связи. ^[5] Для нашего справочника аналогичное различие — автор, издание и город: это три типа объектов, хотя на рисунке все они могут выглядеть одинаковыми кружками.

Как применяется на практике

Мировой поисковый пример из анонса Google — название Taj Mahal. Оно может обозначать памятник или музыканта. Различение сущностей позволяет связать запрос с нужным объектом и сведениями о нём. ^[4] Это исторический пример 2012 года, а не описание нынешних размеров базы или правил попадания сайта в поиск.

В российском учебнике графы знаний входят в круг данных, которые могут обрабатывать графовые нейронные сети — обучаемые преобразования для решения задач на графах. ^[5] Такое учебное описание не раскрывает устройство поискового алгоритма Яндекса. Для редакционного справочника из нашего примера полезнее сначала добиться однозначности записей; необходимость обучаемой модели зависит от отдельной задачи.

Практический учебный сценарий прост: редактор получает вопрос об авторах северного «Маяка». В таблице ответа он хочет видеть автора, конкретное издание и город. Если система выводит только имя и название, читатель вновь столкнётся с исходной неоднозначностью. Поэтому качество результата проверяют относительно вопроса, ради которого собрали данные, а не по красоте изображения сети.

Как измерить или проверить

Для учебной проверки возьмём сто связей справочника и сопоставим каждую с заранее выбранным подтверждающим документом. Допустим, девяносто две подтверждены, а восемь пока не подтверждены. Это вымышленные числа, а не исследование какой-либо платформы. Доля подтверждённых записей равна числу подтверждённых связей, делённому на число всех проверенных связей и умноженному на сто процентов:

В знаменателе стоят все сто проверенных связей, включая восемь неподтверждённых. Нельзя убрать эти восемь из знаменателя: получится другой показатель. Если не проверено ни одной записи, долю вычислить нельзя. Если проверенные связи подтверждены все, результат равен ста процентам только для этой проверки.

Этот расчёт не показывает полноту справочника. Представим, что у издания десять авторов, но внесён только один и его связь подтверждена. Ошибки в этой записи нет, однако девять авторов всё равно отсутствуют. Неподтверждённая связь также не обязательно ложна: возможно, пока не найден нужный документ.

Для нашего примера полезны три контрольных вопроса: различаются ли одноимённые издания, правильно ли направлена связь автора и возвращается ли нужный город. Затем стоит намеренно удалить одну связь и повторить запрос. В SPARQL результат определяется совпадением с данными, поэтому исчезновение ответа само по себе не доказывает исчезновение объекта в мире. ^[3]

Ошибки, ограничения и спорные вопросы

Дата особенно важна для изменяющихся отношений. RDF-граф представляет снимок сведений; временной смысл нужно выражать дополнительно. ^[2] В учебном справочнике Анна могла перейти в другое издание. Если оставить прежнюю связь без периода, ответ на вопрос «где она работает сейчас?» окажется двусмысленным, даже когда историческая запись верна.

Другая ошибка — принимать правильную структуру за доказательство утверждения. RDF различает логические отношения между записями, но наличие записи само по себе не устанавливает её истинность. ^[2] Поэтому в нашем справочнике проверка формата, проверка запроса и сверка с документом — три отдельные задачи.

Частые вопросы

Связанные термины

• sushchnost
• mikrorazmetka
• rag
• bolshaya-yazykovaya-model
• gallyutsinatsii-ii