蚂蚁大规模知识图谱构建及其应用( 三 ) _知识图谱

三、图谱应用接下来分享几个在蚂蚁集团中知识图谱的典型应用案例。
1、图谱的场景应用模式在介绍具体案例前，先来介绍一下蚂蚁知识图谱场景应用的几种模式，主要包括知识获取、知识管理和推理，以及知识服务。如下图所示。

文章插图
2、一些典型的案例案例1：基于知识图谱的结构化匹配召回

文章插图
业务场景是支付宝主搜里面的小程序的内容下挂，要解决的业务痛点是：

商品实体，以及商品上下位关系匮乏。
小程序商品级理解能力弱。

解决方案是，构建了商家知识图谱。结合商家图谱的商品关系，实现对用户query商品级别的结构化理解。
案例2：用户意图实时预测在推荐系统应用

文章插图
这一案例是针对首页推荐进行用户意图实时预测，构建了AlipayKG ，框架如上图所示。相关工作也发表在顶会www 2023上，可以参考论文做更进一步的理解。
案例3：融合知识表征的营销券推荐

文章插图
这个场景是消费券推荐的一个场景，业务面临的痛点为：

头部效应严重。
用户核销领取行为稀疏。
冷启动用户和券很多，缺少对应的足迹数据。

为了解决上述问题，我们设计了融合动态图表征的深度向量召回算法。因为我们发现用户消费券的行为是有周期性的，静态的单条边是无法建模这种周期性行为的。为此我们首先构建了动态图，接着采用团队自研的动态图算法来学习Embedding表征，得到表征之后再放到双塔模型中去，进行向量召回。
案例4：基于诊疗事件的智能理赔专家规则推理

文章插图
最后一个案例是关于图谱规则推理。以医疗保险健康图谱为例，包括医学知识、理赔规则、“人”的健康的信息，进行实体链指，再加上逻辑规则，来作为决策的依据。通过图谱实现了专家理赔效率的提升。
四、图谱与大模型最后简单探讨一下在当前大模型快速发展的背景下知识图谱的机遇。
1、知识图谱与大模型的关系

文章插图
知识图谱与大模型各有优缺点，大模型的主要有通用知识建模和普适性等优点，而大模型的缺点正好是知识图谱的优点所能弥补的。图谱的优点包括准确性很高、可解释性强等。大模型和知识图谱是能够相互影响的。
图谱和大模型的融合通常存在三种路线，一种是利用知识图谱来增强大模型；第二种是利用大模型来增强知识图谱；第三种是大模型和知识图谱协同并进，优势互补，大模型可以认为是一种参数化的知识库，知识图谱可以认为是一种显示化的知识库。
2、大模型与知识图谱相应用的案例大模型应用于知识图谱构建