日均數(shù)億次檢索請求，百度是如何做大規(guī)模知識圖譜構(gòu)建和應(yīng)用的？

演講嘉賓 | 宋勛超

整理 | 李冬梅

知識圖譜在人工智能應(yīng)用中的重要價值日益突顯。基于海量互聯(lián)網(wǎng)資源，百度構(gòu)建了超大規(guī)模的通用知識圖譜，并在智能搜索、智能推薦、智能交互等多項產(chǎn)品中實現(xiàn)了廣泛應(yīng)用。隨著文本、語音、視覺等智能技術(shù)的不斷深入，行業(yè)智能化訴求的提升，知識圖譜在復(fù)雜知識表示、多模態(tài)語義理解、行業(yè)圖譜構(gòu)建和應(yīng)用等方面都面臨新的挑戰(zhàn)。在 2019 年 11 月 22 日舉行的 AICon 全球人工智能與機器學(xué)習(xí)技術(shù)大會上，百度知識圖譜部主任研發(fā)架構(gòu)師宋勛超分享了百度在大規(guī)模知識圖譜構(gòu)建、多模語義理解、行業(yè)知識圖譜構(gòu)建及應(yīng)用等方面的最新進(jìn)展。

很高興在 AICon 大會上和大家分享百度知識圖譜部在過去一段時間里的技術(shù)進(jìn)展和應(yīng)用落地情況。本次分享的主題是“百度大規(guī)模知識圖譜構(gòu)建與智能應(yīng)用”，內(nèi)容主要分為三個部分：第一個部分是百度知識圖譜概述；第二部分是百度知識圖譜技術(shù)的進(jìn)展；第三個部分是百度知識圖譜的行業(yè)實踐。

百度知識圖譜概述

接下來先來講講第一個部分——百度知識圖譜概述。首先我想花些時間和大家一起回顧下，過去幾年，百度知識圖譜的主線工作以及技術(shù)發(fā)展歷程。百度知識圖譜源于搜索，服務(wù)搜索，同時隨著自身技術(shù)的積累和進(jìn)化，我們將知識圖譜的技術(shù)廣泛地運用在了搜索之外的業(yè)務(wù)和產(chǎn)品線上。知識圖譜構(gòu)建和應(yīng)用，我們大概經(jīng)歷了四個比較大的階段。

百度知識圖譜發(fā)展歷程

Pre-KG 階段

第一個階段是 2013 年以前，我們內(nèi)部稱之為 Pre-KG 階段。其實這個階段也是學(xué)術(shù)界和業(yè)界認(rèn)為的知識圖譜技術(shù)發(fā)展的初期階段。在這個階段，我們主要所做的工作是用定制化的方式去生產(chǎn)結(jié)構(gòu)化的數(shù)據(jù)，其實這里還不能把它叫做“知識圖譜”。當(dāng)時我們將定制化方式生產(chǎn)出來的結(jié)構(gòu)化數(shù)據(jù)，應(yīng)用在了百度搜索向智能化邁進(jìn)的早期代表性產(chǎn)品——百度知心當(dāng)中。

領(lǐng)域知識圖譜階段

第二個階段，也就是 2014 年到 2015 年。我們稱之為領(lǐng)域知識圖譜階段。在這個階段，我們知識圖譜的構(gòu)建和應(yīng)用技術(shù)體系逐漸成形，建立了一套面向垂類和領(lǐng)域知識圖譜建模構(gòu)建和應(yīng)用的架構(gòu)與機制，應(yīng)用落地層面重點支持了百度搜索的阿拉丁、推薦以及智能摘要，還有百度第一代智能生活助理度秘里面的垂類搜索和垂類問答。

通用知識圖譜階段

第三個階段，是 2016 年到 2017 年。在這個階段，我們逐漸地深化了通用知識圖譜構(gòu)建相關(guān)的架構(gòu)、算法和機制，技術(shù)重點在于統(tǒng)一融合的知識圖譜，平臺化外包化的知識圖譜構(gòu)建，并且在這個過程中，我們逐漸深化建設(shè)了一系列比較有特色的領(lǐng)域知識圖譜，包括百度漢語知識圖譜和娛樂知識圖譜。在應(yīng)用落地層面，在搜索產(chǎn)品中，百度知識圖譜開始以 KB 問答的形式來直接服務(wù)于百度搜索的首位滿足。在 DuerOS 各種端設(shè)備上的通用信息滿足，也在不斷地擴充著我們的影響面。在百度 Feed 信息流推薦這個場景中，我們基于知識圖譜構(gòu)建了大規(guī)模的興趣點和關(guān)注點圖譜，使得信息分發(fā)效果更好。

通用 / 行業(yè)知識圖譜 + 多元異構(gòu)

最后一個階段也就是 2017 年至今。這個階段，我們逐漸將知識圖譜的能力釋放出去，并且深入地探索了領(lǐng)域內(nèi)比較前瞻的問題。在這個階段，我們技術(shù)聚焦的重點在于多元、異構(gòu)知識圖譜的構(gòu)建，以及基于知識圖譜的主動收錄學(xué)習(xí)模式，還有對于超越簡單三元組的多媒體知識、復(fù)雜知識和行業(yè)知識的理解和構(gòu)建。這個階段，在搜索端，我們主要的應(yīng)用落地是用知識圖譜全方位支持百度搜索首位滿足。我們除了在 Feed 信息流里面基于知識圖譜的語義關(guān)聯(lián)構(gòu)建興趣點圖譜來去做推薦外，我們還在 Feed 里面基于知識圖譜去做深度視頻內(nèi)容理解，還有智能內(nèi)容生成。從 2017 年開始，我們還逐漸地將知識圖譜在百度內(nèi)所積累的策略算法以及架構(gòu)和平臺的經(jīng)驗，遷移到行業(yè)，在客服、法律、醫(yī)療、金融、能源等等行業(yè)也都取得了一些進(jìn)展和突破。

整體上來講，截止到目前，百度通用知識圖譜的數(shù)據(jù)規(guī)模已經(jīng)達(dá)到了億級別的實體和千億級別的事實和關(guān)系。從 2014 年至今，知識圖譜的服務(wù)規(guī)模已經(jīng)增長了 490 倍。這個就是整個百度知識圖譜部門從建立以來至今，技術(shù)和應(yīng)用落地的發(fā)展歷程。

智能搜索

接下來，我就分四個部分來簡要地介紹一下億級別實體、千億級別屬性關(guān)系的大規(guī)模通用知識圖譜，在百度內(nèi)各個核心業(yè)務(wù)線的應(yīng)用情況。

首先是智能搜索。截止到目前，百度智能搜索的首位滿足率已經(jīng)達(dá)到 57%，這個是在 Robin 最新財報里面披露的一個數(shù)字。背后是基于百度最新的人工智能技術(shù)的加持，這其中 20% 左右是由百度知識圖譜的技術(shù)直接支持的?；谥R圖譜，我們直接滿足用戶的搜索需求，目前每天平均滿足數(shù)億次的檢索請求，其表現(xiàn)形式包括了各種形態(tài)的知識圖譜問答卡片以及對實體各個維度進(jìn)行信息聚合的知識大卡，這是知識圖譜在百度搜索首位直接給大家?guī)淼闹悄芑w驗。

智能對話

第二個應(yīng)用點是智能對話。在過去一年，小度的智能音箱在用戶規(guī)模上保持高速增長。在語音對話 DuerOS 這個系統(tǒng)中，知識圖譜扮演了怎樣的角色？其實，知識圖譜為它提供的是通用的信息滿足類的服務(wù)。截止到目前，百度知識圖譜助力 DuerOS 實現(xiàn)了近百類的通用知識滿足的能力，覆蓋了很大比例的通用信息滿足需求。

智能推薦

第三個層面，就是知識圖譜應(yīng)用在 Feed 信息流推薦場景中。在這個場景中，基于知識圖譜的內(nèi)容模型和智能推薦技術(shù)，F(xiàn)eed 文章的分發(fā)效率有了極大的提升。基于知識圖譜的語義關(guān)聯(lián)，我們構(gòu)建了一個大規(guī)模的關(guān)注點圖譜，通過點、邊語義篩選，以及推理生成校驗，生成關(guān)注點圖譜，文章背后蘊含的內(nèi)容關(guān)聯(lián)，以及知識的聯(lián)系，通過關(guān)注點圖譜被鏈接起來?；谥R圖譜增強的推薦，傳統(tǒng)的智能推薦具備了更強的知識關(guān)聯(lián)特性，同時推薦的可解釋性和效果也得到了大幅度的提升。

智能寫作

最后就是智能寫作了。我們主要是以知識圖譜的數(shù)據(jù)為核心，應(yīng)用知識加工、計算、聚合等方式來生產(chǎn)高時效和高質(zhì)量的獨家內(nèi)容。這種自動寫作的方式，在特定的領(lǐng)域能夠發(fā)揮非常重要的作用，比如股市分析、體育賽事報道的自動呈現(xiàn)等等。自然語言結(jié)合知識圖譜，解決了創(chuàng)作者在寫作前、寫作中和寫作后的諸多痛點問題。目前這項工作已經(jīng)在百度大腦（ai.baidu.com）知識圖譜專區(qū)已經(jīng)開放了。下圖是過去六年來我們技術(shù)沉淀的總結(jié)：

百度知識圖譜技術(shù)進(jìn)展

我分享的第二部分是百度知識圖譜的技術(shù)進(jìn)展。這一部分內(nèi)容比較偏技術(shù)一些，它將以如何構(gòu)建一個大規(guī)模、多元異構(gòu)的知識圖譜為目標(biāo)，來進(jìn)行幾個技術(shù) Topic 的拆解。

多元異構(gòu)知識圖譜

第一個技術(shù) Topic 是近兩年我們重點解決的一個問題——多元異構(gòu)圖譜的構(gòu)建。它主要解決的問題是我們?nèi)绾卧谝粋€開放、海量數(shù)據(jù)的互聯(lián)網(wǎng)環(huán)境下，去構(gòu)建千億級事實和關(guān)系的知識圖譜；知識圖譜里面包含的所有內(nèi)容是否就是簡單的 SPO 三元組，我們是否需要將更多復(fù)雜的知識來引入到我們的知識圖譜數(shù)據(jù)中；我們怎么去理解和構(gòu)建多媒體知識以及行業(yè)知識等等。

首先，我們來講講開放海量數(shù)據(jù)構(gòu)建大規(guī)模知識圖譜這個技術(shù) Topic。在大數(shù)據(jù)時代知識圖譜技術(shù)需要處理的數(shù)據(jù)量級、百億級、千億級都非常常見，領(lǐng)域開放給我們帶來的最大的挑戰(zhàn)是什么？是數(shù)據(jù)結(jié)構(gòu)復(fù)雜、知識表達(dá)多樣、圖譜關(guān)系也很復(fù)雜、計算性能要求高等等。面向開放互聯(lián)網(wǎng)，我們研發(fā)了基于主動學(xué)習(xí)的大規(guī)模知識圖譜構(gòu)建技術(shù)，包括了以下幾個層面：首先是基于遠(yuǎn)監(jiān)督學(xué)習(xí)的開放知識抽取，來解決無標(biāo)簽、開放知識挖掘的問題；第二個方面是基于屬性聚合的本體半自動構(gòu)建，因為我們知道通用知識圖譜所涵蓋類目是非常多的，很難用專家的方式自頂向下地去描述整個客觀世界知識圖譜的本體和它的屬性和關(guān)系的體系，必須要用數(shù)據(jù)驅(qū)動的方式完成在通用海量的數(shù)據(jù)上做本體構(gòu)建的工作；第三個層面就是對多元的數(shù)據(jù)進(jìn)行知識整合、融合。

基于以上技術(shù)，百度通用知識圖譜的數(shù)據(jù)規(guī)模擴大了幾個量級，并且顯著提升了在搜索場景下知識圖譜的覆蓋度和建設(shè)效率。關(guān)鍵技術(shù)涵蓋了開放知識挖掘、自底向上的開放本體構(gòu)建、基于多源數(shù)據(jù)的知識整合。具體內(nèi)容如下圖所示：

知識圖譜 SPO 三元組這種表示方式，并不能很好地描述狀態(tài)、空間、條件、概率和時序這一系列復(fù)雜知識。我們需要研發(fā)一些具有更強語義表達(dá)能力的知識圖譜。其中一項重要工作，就是事件圖譜。事件圖譜具有更強的表達(dá)能力，它能夠?qū)@個客觀世界去進(jìn)行建模。

上圖展示的是一個歷史領(lǐng)域的事件圖譜示例。最左邊這個圖，表明了事件圖譜具有更強的知識表達(dá)能力。同樣的一幅國畫，在沒有知識或者弱知識的情況下，我們能夠認(rèn)知到這幅圖畫所蘊含的內(nèi)容是三個人，有酒、有樹，這對于 OCR 和圖片識別來說已經(jīng)算是個好的成果了。有了實體知識，也就是通用知識圖譜后，我們對這幅畫的理解程度就會加深，我們可以知道這里面描述的是劉備、關(guān)羽和張飛這三個人，這里面有酒、還有桃樹。有了事件知識圖譜，我們就能夠知道，這描述的是在東漢末年，劉、關(guān)、張三人在桃園里三結(jié)義的故事。事件圖譜持續(xù)、快速地獲取客觀世界中所發(fā)生的事件，并且挖掘事件的屬性，建立事件在空間和時間緯度上的聯(lián)系，進(jìn)而來構(gòu)成以事件為基本單位的知識網(wǎng)絡(luò)。同時，在任意一個時刻，事件圖譜都能夠和實體圖譜，也就是通用的 SPO 三元組圖譜來形成一個映射，事件圖譜和實體圖譜之間是可以相互推斷的。我們認(rèn)為事件圖譜具有更強的知識表達(dá)能力，能夠?qū)陀^世界進(jìn)行更好地建模。

上圖是百度事件知識圖譜的技術(shù)全景，我們從海量的互聯(lián)網(wǎng)數(shù)據(jù)里面去挖掘熱點事件，構(gòu)建事件知識圖譜，并且利用事件圖譜的認(rèn)知和計算技術(shù)，去服務(wù)于百度的搜索、推薦、對話、機器智能寫作和輿情監(jiān)控等等產(chǎn)品線。目前為止，事件從發(fā)生到發(fā)現(xiàn)，在百度搜索場景我們能夠達(dá)到分鐘級的感知，整體事件庫的規(guī)模達(dá)到了千萬級。

具體的應(yīng)用情況如下圖所示：

講完了事件的知識圖譜的表示和構(gòu)建，接下來進(jìn)入另外一個知識圖譜的構(gòu)建——多媒體知識圖譜。多媒體知識圖譜是我們一直關(guān)注并在未來會重點投入的一個方向。目前，視頻基本覆蓋了我們生活的方方面面，搜索和信息流的視頻化趨勢也越來越明顯。

在這個技術(shù) Topic 上，我們構(gòu)建了基于知識圖譜的視頻內(nèi)容分析，它主要去解決傳統(tǒng)視頻語義理解里缺乏背景知識的問題，幫助指導(dǎo)我們更好的理解視頻。我們構(gòu)建了一種基于知識圖譜的視頻語義理解技術(shù)，充分利用知識圖譜豐富的、海量的背景知識去提升視頻語義理解的效果。這個技術(shù)是通過對視覺、語音和文字多模的融合，結(jié)合知識圖譜的子圖關(guān)聯(lián)，去深度地理解視頻背后蘊含的知識信息。

上圖左邊是我們在該方向的技術(shù)棧的一個視圖，包括了最底層的多模分析，這個多模分析是基于百度多模分析部門，分析出來的多模結(jié)果，我們在上層建立了基于知識圖譜的語義理解的基礎(chǔ)技術(shù)，包括視頻內(nèi)容模型、跨媒體生成、知識解析、子圖關(guān)聯(lián)、視頻子圖關(guān)聯(lián)還有推理計算等。

這里面提到一個視頻問答，這項工作是發(fā)表在 2019 年 ACL 上的一個成果，它的名字叫做“Multi-grained Attention with Object-level Grounding for Visual Question Answering”，它提出了一種多粒度跨模態(tài)注意力機制，在圖片和句子的粒度基礎(chǔ)之上，引入更細(xì)粒度的實體級別信息，幫助我們更加關(guān)注實體維度的理解。

近年來，越來越多的企業(yè)都有一個核心的訴求，就是希望利用知識圖譜去沉淀行業(yè)知識，進(jìn)而提升行業(yè)知識的運用水平。我們從 2017 年開始做這個事情，目前在金融、法律、醫(yī)療、能源等領(lǐng)域都已經(jīng)有些落地，并且逐漸將積累多年的知識圖譜系列核心技術(shù)，向行業(yè)進(jìn)行通用化的遷移。

百度知識圖譜行業(yè)實踐

接下來我們闡述下第三部分主要內(nèi)容，就是百度知識圖譜的行業(yè)實踐。這一部分我們會分享一些百度知識圖譜在行業(yè)賦能方面的實踐。知識圖譜如何和行業(yè)結(jié)合是近幾年這個行業(yè)實現(xiàn)從信息化到智能化跨越大家都非常關(guān)注的一個話題。

海量數(shù)據(jù)的知識化轉(zhuǎn)化是目前眾多行業(yè)所面臨亟待解決的問題。我這里面列舉了一些數(shù)字，用來說明幾個特性：一、行業(yè)數(shù)據(jù)體量巨大；二、行業(yè)知識需求廣泛；三、行業(yè)知識轉(zhuǎn)化困難。根據(jù)一項權(quán)威分析報告顯示，到 2020 年，我們整個行業(yè)里所積累的數(shù)據(jù)體量將從 2015 年的 5ZB，上升到 2020 年的 44ZB。具體到行業(yè)內(nèi)部，比如法律行業(yè)，每年會產(chǎn)生 4 億份卷宗，醫(yī)療行業(yè)，每年數(shù)據(jù)的增長率達(dá)到了 48%，也就是說我們現(xiàn)在正處在一個數(shù)據(jù)爆炸的時代。怎么利用這些數(shù)據(jù)更好地提升行業(yè)的智能化應(yīng)用水平，是我們一直在思考的問題。

第二個特性是行業(yè)對知識的需求非常廣泛。根據(jù)我國國民經(jīng)濟對行業(yè)的分類，我們將行業(yè)分為了 14 大知識密集型服務(wù)行業(yè)，其中以客服行業(yè)為代表，目前，我國現(xiàn)有 500 萬專職客服人員，以每人每年六萬的人力成本來算，這就是 3000 億的人力成本。

第三個特性是目前數(shù)據(jù)到知識的轉(zhuǎn)化是非常困難的。2020 年我們已經(jīng)有 44ZB 的數(shù)據(jù)，而實際上這些數(shù)據(jù)的利用率也只有 0.4%。以走在信息化前列的金融行業(yè)為例，我們有 80% 的數(shù)據(jù)蘊含在非結(jié)構(gòu)化的數(shù)據(jù)里面，都沒有被充分發(fā)揮和利用。人工構(gòu)建一個知識圖譜的成本是非常高的，以 Freebase 為例，它的整體規(guī)模成本是 65 億，如果將這 65 億除以 Freebase 里面所有包含知識條目數(shù)，基本上每條知識就是 2.25 美元。所以，知識圖譜的行業(yè)化應(yīng)用將是百度和業(yè)界都會關(guān)注的重點。

這里面列舉了我們過去兩年總結(jié)出來的通用知識圖譜技術(shù)和行業(yè)知識圖譜技術(shù)的不同，也正是基于這些不同，我們建立了一套行業(yè)知識圖譜構(gòu)建與應(yīng)用的技術(shù)體系。具體而言，我們認(rèn)為，行業(yè)知識圖譜和通用知識圖譜在下面四個維度有著很大不同，這四個維度也是知識圖譜從表示、構(gòu)建、到服務(wù)和應(yīng)用的四個全周期維度。

上圖是我們知識圖譜全流程智能化的簡要視圖，從知識建模、到知識構(gòu)建，再到知識計算和知識應(yīng)用，我們在每一個環(huán)節(jié)都有自己的關(guān)注點。比如在知識建模這個層面，我們會重點關(guān)注知識模式的動態(tài)擴展、行業(yè)復(fù)雜知識表達(dá)、行業(yè)與業(yè)界標(biāo)準(zhǔn)的兼容開放、可視化協(xié)同建模，以及我們會將通用知識模型引入和內(nèi)置到行業(yè)知識圖譜的表達(dá)過程中。

接下來我們深入講解下幾個重點技術(shù)問題。

首先第一個問題是行業(yè)知識圖譜構(gòu)建時我們面臨的最大挑戰(zhàn)——知識理解冷啟動的問題。在百度內(nèi)部知識圖譜構(gòu)建，理解算法層面，我們有大量的互聯(lián)網(wǎng)語料，我們有基于用戶點擊貢獻(xiàn)的海量標(biāo)注，這些信息幫助我們在通用領(lǐng)域?qū)⑺惴ㄍ频揭粋€比較好的效果上。在行業(yè)內(nèi)，一般標(biāo)注數(shù)據(jù)會缺失，專家標(biāo)注的人力成本又非常高，為了解決上述問題，我們在行業(yè)應(yīng)用過程中遵循一個范式去解決行業(yè)語料冷啟動問題。上圖展示了這個范式的大致流程。

下圖是我們行業(yè)知識圖譜構(gòu)建的全流程，包括了知識建模、抽取、清洗、消歧、建邊和關(guān)聯(lián)，這里面列舉了現(xiàn)在我們重點關(guān)注的三個行業(yè)：法律知識圖譜、醫(yī)療知識圖譜和金融知識圖譜。

我剛剛提到了計算挖掘和推理是目前行業(yè)對于知識圖譜需求非常大的一個點，是超越了簡單問答等等一系列淺層應(yīng)用的點。比如在金融行業(yè)，我們有大量的交易數(shù)據(jù)、投資數(shù)據(jù)，我們可以從這些數(shù)據(jù)里面去挖掘出有價值的信息，將其應(yīng)用在反欺詐、風(fēng)險控制和智能營銷這些領(lǐng)域。這些應(yīng)用會依賴一個基于圖表示的計算分析引擎 --- 圖數(shù)據(jù)庫。百度 BGraph 就是這樣一個擁有自主知識產(chǎn)權(quán)的大規(guī)模高性能原生圖數(shù)據(jù)庫。

最后我們講一下知識圖譜問答。知識圖譜問答在行業(yè)上面分了三種技術(shù)，去滿足行業(yè)對于知識圖譜的問答需求。第一部分就是 KBQA，它是基于知識圖譜結(jié)構(gòu)化數(shù)據(jù)的問答技術(shù)，主要是用兩種 semantic parsing 技術(shù)去解決行業(yè)知識圖譜問答問題。第二部分是 IRQA，也就是是閱讀理解 QA，第三部分是知識推理計算型 QA。通過這三種 QA，我們在行業(yè)知識庫、行業(yè)智能客服等多個場景中都取得了非常好的 QA 效果。

總  結(jié)

我們目前面向行業(yè)所構(gòu)建的行業(yè)知識圖譜一體化服務(wù)，包括了最底層的離線架構(gòu)、檢索架構(gòu)（圖數(shù)據(jù)庫），以及上層豐富的應(yīng)用技術(shù)，我們將它封裝成行業(yè)知識圖譜平臺（ai.baidu.com 上有專區(qū)），大家可以通過這個入口，與我們?nèi)〉寐?lián)系。在應(yīng)用層面，我們目前有三個標(biāo)準(zhǔn)化的產(chǎn)品，一個是圖數(shù)據(jù)庫，一個是智能客服，還有一個是基于知識圖譜的智能知識庫。在行業(yè)深耕層面主要是醫(yī)療、金融、法律、能源這幾個行業(yè)，我們現(xiàn)在都有了一些規(guī)模化落地，并且還在不斷的擴充著落地范疇。

知識圖譜一直都是人工智能的熱門領(lǐng)域，隨著 2020 年的鐘聲敲響，知識圖譜也逐漸進(jìn)入到了下半場，繁雜的應(yīng)用場景、深度的知識應(yīng)用、密集的專家知識都給知識圖譜帶來了不小的挑戰(zhàn)，那么如何在這場沒有硝煙的戰(zhàn)爭中拔得頭籌呢？相信 AICon2020 上海會給你提供一個很好的基礎(chǔ)，AICon 本次也會重點關(guān)注知識圖譜的最新技術(shù)進(jìn)展，將邀請一線大廠的講師為大家分享他們走過的那些坑以及總結(jié)出來的經(jīng)驗教訓(xùn)。

嘉賓介紹：

宋勛超，碩士畢業(yè)于浙江大學(xué)，百度知識圖譜部主任研發(fā)架構(gòu)師。參與了百度知識圖譜設(shè)計、構(gòu)建和應(yīng)用的整體流程，具有豐富的知識圖譜實踐經(jīng)驗。目前主要負(fù)責(zé)通用知識圖譜構(gòu)建、語義理解、圖譜架構(gòu)等技術(shù)，同時負(fù)責(zé)百度行業(yè)知識圖譜相關(guān)工作。研發(fā)成果在百度搜索、信息流、DuerOS，百度云等多項產(chǎn)品中廣泛應(yīng)用

作者：AI前線
鏈接：https://xueqiu.com/9217191040/141858150
來源：雪球
著作權(quán)歸作者所有。商業(yè)轉(zhuǎn)載請聯(lián)系作者獲得授權(quán)，非商業(yè)轉(zhuǎn)載請注明出處。
風(fēng)險提示：本文所提到的觀點僅代表個人的意見，所涉及標(biāo)的不作推薦，據(jù)此買賣，風(fēng)險自負(fù)。