導(dǎo)讀：借助阿里知識圖譜的建設(shè)鲫凶，阿里電商平臺管控從過去的“巡檢”模式升級為發(fā)布端實時逐一檢查。在海量的商品發(fā)布量的挑戰(zhàn)下衩辟，最大可能地借助大數(shù)據(jù)螟炫、人工智能阻止壞人、問題商品進入阿里生態(tài)艺晴。同時面臨問題商家實時的對弈昼钻、變異和惡意攻擊等諸多挑戰(zhàn)，知識圖譜仍然保持著每天千萬級別的攔截量封寞，億級別的全量智能審核次數(shù)然评，在濫發(fā)、侵權(quán)狈究、合規(guī)碗淌、假貨、經(jīng)營范圍等多個場景全面與問題賣家正面交鋒抖锥，實時對弈亿眠。為了最大限度地保護知識產(chǎn)權(quán)，保護消費者權(quán)益磅废，我們對知識圖譜推理引擎技術(shù)提出了智能化纳像、自學(xué)習(xí)、毫秒級響應(yīng)还蹲、可解釋等更高地技術(shù)要求爹耗，實現(xiàn)良好的社會效益。
?阿里知識圖譜運用
阿里巴巴生態(tài)里積累了海量的商品數(shù)據(jù)谜喊，這些寶貴的商品數(shù)據(jù)來自于淘寶潭兽、天貓、1688斗遏、AliExpress等多個市場山卦，同時品牌商、行業(yè)運營诵次、治理運營账蓉、消費者、國家機構(gòu)逾一、物流商等多種角色參與其中铸本，貢獻著校正著這樣一個龐大的商品庫。無論是知識產(chǎn)權(quán)保護遵堵，還是提升消費者購物體驗箱玷，實現(xiàn)商品數(shù)據(jù)的標準化（商品規(guī)范的統(tǒng)一和商品信息的確定性）, 以及與內(nèi)外部數(shù)據(jù)之間的深度互聯(lián)怨规，意義都非常重大，阿里商品知識圖譜承載著商品標準化這一基礎(chǔ)性锡足，根源性的工作波丰。 基于此，我們才能知道哪些商品是同樣一件產(chǎn)品舶得，我們才能確切地知道一個品牌是否被授權(quán)掰烟，品牌下的產(chǎn)品賣到了哪些市場。
阿里知識圖譜以商品沐批、標準產(chǎn)品纫骑、 標準品牌、 標準條碼九孩、標準分類為核心惧磺， 利用實體識別、實體鏈指和語義分析技術(shù)捻撑，整合關(guān)聯(lián)了例如輿情磨隘、百科、國家行業(yè)標準等9大類一級本體顾患，包含了百億級別的三元組番捂，形成了巨大的知識網(wǎng)。
阿里知識圖譜綜合利用前沿的NLP江解、語義推理和深度學(xué)習(xí)等技術(shù)设预，打造全網(wǎng)商品智能服務(wù)體系，服務(wù)阿里生態(tài)中的各個角色犁河。商品知識圖譜廣泛地應(yīng)用于搜索鳖枕、前端導(dǎo)購、平臺治理桨螺、智能問答宾符、品牌商運營等核心、創(chuàng)新業(yè)務(wù)灭翔。能夠幫助品牌商透視全局數(shù)據(jù)魏烫，幫助平臺治理運營發(fā)現(xiàn)問題商品，幫助行業(yè)基于確定的信息選品肝箱，做人貨場匹配提高消費者購物體驗等等哄褒。為新零售、國際化提供可靠的智能引擎煌张。
引入機器學(xué)習(xí)算法搭建推理引擎
我們設(shè)計了一套框架來實現(xiàn)知識表示和推理呐赡。此外：知識圖譜實體、關(guān)系骏融、詞林（同義詞链嘀、上下位詞）井辜、垂直知識圖譜(例如地理位置圖譜、材質(zhì)圖譜)管闷、機器學(xué)習(xí)算法模型等都納入進來做統(tǒng)一的描述。
按照不同場景窃肠，我們把推理分為：上下位和等價推理包个；不一致性推理；知識發(fā)現(xiàn)推理冤留；本體概念推理等碧囊。例如
1.???上下位和等價推理。檢索父類時纤怒，通過上下位推理把子類的對象召回糯而，同時利用等價推理（實體的同義詞、變異詞泊窘、同款模型等）熄驼，擴大召回。 例如烘豹，為保護消費者我們需要攔截 “產(chǎn)地為某核污染區(qū)域的食品”瓜贾，推理引擎翻譯為 “找到產(chǎn)地為該區(qū)域，且屬性項與“產(chǎn)地”同義携悯，屬性值是該區(qū)域下位實體的食品祭芦，以及與命中的食品是同款的食品”。
2.???不一致推理憔鬼。在與問題賣家對弈過程中龟劲，我們需要對商品標題、屬性轴或、圖片昌跌、商品資質(zhì)、賣家資質(zhì)中的品牌照雁、材質(zhì)避矢、成分等基礎(chǔ)信息，做一致性校驗囊榜。比如說標題中的品牌是Nike而屬性或者吊牌中品牌是Nake审胸，如下圖所示，左邊描述了商品標題卸勺、屬性砂沛、吊牌上的品牌信息是一致的，推理為一致曙求。右邊為吊牌和商品品牌不一致的商品碍庵，被推理引擎判斷為有問題的商品映企。
3.???知識發(fā)現(xiàn)推理。一致性推理的目的是確保信息的確定性静浴，例如通過一致性推理我們能確保數(shù)據(jù)覆蓋到的食品配料表正確堰氓。但消費者購物時很少看配料表那些繁雜的數(shù)字。消費者真正關(guān)心的是無糖苹享、無鹽等強感知的知識點双絮。為了提高消費者購物體驗，知識發(fā)現(xiàn)推理通過底層配料表數(shù)據(jù)和國家行業(yè)標準例如：
無糖：碳水化合物≤ 0.5 g /100 g（固體）或100 mL（液體）
無鹽：鈉≤5mg /100 g 或100 mL
我們可以把配料表數(shù)據(jù)轉(zhuǎn)化為“無糖”“無鹽”等知識點得问。從而真正地把數(shù)據(jù)變成了知識囤攀。通過AB test驗證，類似知識點在前端導(dǎo)購中極大地改善了消費者購物體驗宫纬。
推理引擎背后技術(shù)框架
首先焚挠，推理引擎把自然語言通過語義解析(semantic parsing)轉(zhuǎn)換為邏輯表達式(logical form)。語義解析采用了結(jié)合神經(jīng)網(wǎng)絡(luò)和符號邏輯執(zhí)行的方式：自然語言經(jīng)過句法漓骚、語法分析蝌衔、 NER、 Entity Linking蝌蹂， 被編碼為分布式表示(distributed representation)胚委，句子的分布式表示被進一步轉(zhuǎn)義為邏輯表達式。
在分布式表示轉(zhuǎn)換為邏輯表達式的過程中叉信，我們首先面臨表示和謂詞邏輯(predicate)操作之間映射的問題亩冬。我們把謂詞當(dāng)做動作，通過訓(xùn)練執(zhí)行symbolicoperation硼身，類似neural programmer中利用attention機制選擇合適的操作硅急，即選擇最有可能的謂詞操作，最后根據(jù)分析的句法等把謂詞操作拼接為可能的邏輯表達式佳遂，再把邏輯表達式轉(zhuǎn)換為查詢等营袜。過程示意如下圖所示。
其次丑罪，邏輯表達式會觸發(fā)后續(xù)的邏輯推理和圖推理荚板。邏輯表達式在設(shè)計過程中遵循以下幾個原則：邏輯表達式接近人的自然語言，同時便于機器和人的理解吩屹。表達能力滿足知識圖譜數(shù)據(jù)跪另、知識表示的要求。應(yīng)該易于擴展煤搜，能夠非常方便的增加新的類免绿、實體和關(guān)系，能夠支持多種邏輯語言和體系擦盾，如Datalog嘲驾、OWL等淌哟，即這些語言及其背后的算法模塊是可插拔的，通過可插拔的功能辽故，推理引擎有能力描述不同的邏輯體系徒仓。
以上下位和等價推理為例：“產(chǎn)地為中國的食品”，”
用邏輯表達式描述為：
?x: 食物(x)???(??y: 同義詞(y誊垢，產(chǎn)地)) (x, (??z: 包括下位實體(中國, z)))
隨后找同款：
?t, x: ($?c:屬于產(chǎn)品(x, c)??屬于產(chǎn)品(t, c))?
此外掉弛，推理引擎還用于知識庫自動補全。我們基于embedding做知識庫補全彤枢。主要思路是把知識庫中的結(jié)構(gòu)信息等加入embedding，考慮了Trans系列的特征筒饰，還包括邊缴啡、相鄰點、路徑瓷们、實體的文本描述 (如詳情)业栅、圖片等特征，用于新關(guān)系的預(yù)測和補全谬晕。
阿里知識圖譜經(jīng)過我們?nèi)甑慕ㄔO(shè)碘裕，已經(jīng)形成了巨大的知識圖譜和海量的標準數(shù)據(jù)，同時與浙江大學(xué)陳華鈞教授團隊成立聯(lián)合項目組攒钳，引入了前沿的自然語言處理帮孔、知識表示和邏輯推理技術(shù)，在阿里巴巴新零售不撑、國際化戰(zhàn)略下發(fā)揮著越來越重要的作用文兢。
