百度大脑UNIT3.0智能对话技术全面解析( 三 ) 百度与IDC联合调研报告显示,“企业知识

　　【如何使用DataKit】

　　周期性的在UNIT平台下载生产环境的日志,利用Python脚本挖掘日志,对挖掘出来对话样本文件进行处理。对于正例样本,可以直接导入对话技能的样本集里作为训练数据;负例样本,可简单审阅后在对话技能的训练数据中创建一个单独的负例样本集,导入该文件,作为负例训练数据,在下次训练时选择使用;而对于无结果样本,应该识别却没有识别的,筛选出来导入样本集进行人工标注。那些不应该识别的样本,则导入负例样本集。

　　知识图谱与对话,助力梳理复杂图谱知识

　　越来越多的企业想要在电商客服、法律顾问等领域做一套包含行业知识的智能对话系统,而行业或领域知识的积累、构建、抽取等工作对于企业来说是个不小的难题,百度大脑UNIT3.0推出「我的知识」版块专门为开发者提供知识建设帮助。在行业智能化的实现进程中,通过知识图谱对数据进行提炼、萃取、关联、整合,形成行业知识或领域知识,让机器形成对于行业工作的认知能力,并把这些认知能力与技能理解模型进行整合,从而实现这个行业的知识型对话系统。

　　人机对话流程中涉及的语言理解、对话决策、信息查询、语言组织等重要环节,都需要语言知识、世界知识以及必要的领域知识的指导。其中,知识图谱(Knowledge Graph,KG)是应用最为广泛的知识表示形式之一。知识图谱以图谱的形式描述真实世界的实体及其内在关系,用模式定义可能的类和实体关系,允许任意实体彼此潜在相互关联,并涵盖各种主题领域。

　　在UNIT平台中,知识图谱的具体应用可划分为三种模式:

　　1) 第一种模式对应问答型对话系统,该类对话系统将知识图谱视为答案信息来源,通过对话理解将用户问题转化为对知识图谱的查询,直接得到用户问题的答案。

　　2) 第二种模式将知识图谱视为用于对话理解的知识源,借助知识图谱中元素的属性及关系,为用户话语和对话上下文的语义理解提供辅助。

　　3) 第三种模式对应主动对话场景,借助知识图谱中概念、属性和关系之间的关联,通过话题推荐等策略实现对话过程的主动引导。

　　【知识图谱技术】

　　UNIT-我的知识整体组成如下:

　　平台:UNIT为托管知识图谱提供了的整套平台化支持。

　　算法:提供了图谱生产和应用环节的一套丰富的高质量算法。

　　架构:包含图谱生产架构,图谱存储架构,图谱算法架构,图谱应用架构。