การวิเคราะห์กราฟความรู้
- ผู้เสนอ
- Ehrlinger, L. & Wöß, W.; Google (popularized)
- ปี
- 2012–2016
- ประเภท
- Graph-based knowledge representation and analysis
- กลุ่มวิธี
- Network science
ข้อความนี้เป็นการแปลด้วยเครื่องและยังไม่ได้รับการตรวจทาน อ่านต้นฉบับภาษาอังกฤษ
ใช้ทำอะไร?
การวิเคราะห์กราฟความรู้ (Knowledge Graph Analysis) เป็นกรอบการทำงานสำหรับการแทน จัดเก็บ และให้เหตุผลเกี่ยวกับความรู้เชิงข้อเท็จจริงที่มีโครงสร้างในรูปแบบของกราฟมีทิศทาง (directed graph) ซึ่งประกอบด้วยเอนทิตี (entities) และความสัมพันธ์ที่มีประเภท (typed relations) เอนทิตี (โหนด) และความสัมพันธ์ (เส้นเชื่อม) จะถูกแสดงในรูปของสามสิ่งอันดับ (subject–predicate–object triples) ทำให้สามารถสืบค้น อนุมาน และบูรณาการแหล่งข้อมูลที่แตกต่างกันหลากหลายข้ามโดเมน เช่น การวิจัยชีวการแพทย์ อีคอมเมิร์ซ และวรรณกรรมทางวิทยาศาสตร์
แนวคิดเบื้องหลังวิธีการ
ลองนึกภาพกราฟความรู้ว่าเป็นสารานุกรมขนาดใหญ่ที่เครื่องอ่านได้ โดยทุกข้อเท็จจริงจะถูกจัดเก็บในรูปของสามสิ่งอันดับที่มีโครงสร้าง: 'ไอน์สไตน์ — เกิดที่ — เมืองอุล์ม' (Einstein — bornIn — Ulm) โครงสร้างกราฟนี้แตกต่างจากตารางแบบแบนราบ (flat table) ตรงที่ช่วยให้คุณสามารถนำทางผ่านสายโซ่ของความหมาย — เช่น การค้นหาสถาบันทั้งหมดที่ผู้ได้รับรางวัลโนเบลซึ่งเคยศึกษาในเยอรมนีเคยสอนในภายหลัง — ผ่านการท่องกราฟ (graph traversal) แบบง่ายๆ แทนที่จะต้องใช้การเชื่อมโยงตาราง (SQL joins) ที่ซับซ้อน จากนั้น งานวิเคราะห์จะถามว่า: เอนทิตีใดมีการเชื่อมต่อมากที่สุด ชุมชนของแนวคิดใดที่รวมกลุ่มกัน ข้อเท็จจริงใดที่มีแนวโน้มว่าจะขาดหายไป และความสัมพันธ์ใหม่ใดที่สามารถอนุมานได้จากความสัมพันธ์ที่มีอยู่?
ประวัติศาสตร์
คำว่า 'knowledge graph' ได้รับความนิยมโดย Google ในปี 2012 เมื่อเปิดตัว Knowledge Graph เพื่อปรับปรุงผลการค้นหาด้วยข้อเท็จจริงที่มีโครงสร้าง คำจำกัดความทางวิชาการที่เป็นทางการถูกเสนอโดย Ehrlinger และ Wöß ในปี 2016 สาขานี้ต่อยอดมาจากงานก่อนหน้านี้ในเทคโนโลยีเว็บเชิงความหมาย (semantic web technologies) (RDF, OWL) ตั้งแต่ช่วงต้นทศวรรษ 2000 และจากฐานความรู้ปัญญาประดิษฐ์เชิงสัญลักษณ์ (symbolic AI knowledge bases) เช่น Cyc (1984) ตั้งแต่ปี 2017 เครือข่ายประสาทเทียมกราฟ (graph neural networks) และเอ็มเบ็ดดิ้งแบบหม้อแปลง (transformer-based embeddings) ได้พัฒนาการเติมเต็มกราฟความรู้และการให้เหตุผลให้ก้าวหน้าอย่างมาก
ควรใช้เมื่อใด
ใช้การวิเคราะห์กราฟความรู้เมื่อปัญหาการวิจัยของคุณเกี่ยวข้องกับเอนทิตีที่เชื่อมโยงกันและมีความหลากหลายจากหลายแหล่ง และคุณต้องการสืบค้นผ่านสายโซ่ความสัมพันธ์ อนุมานข้อเท็จจริงที่ขาดหายไป หรือบูรณาการออนโทโลยีเฉพาะทาง — เช่น การจับคู่เครือข่ายผู้เขียนร่วมและการอ้างอิง (co-authorship and citation networks) เครือข่ายปฏิสัมพันธ์ระหว่างยา–ยีน–โรค (drug–gene–disease interaction networks) หรือกราฟความสัมพันธ์ระหว่างผลิตภัณฑ์–ลูกค้า–คุณลักษณะ (product–customer–attribute graphs) วิธีนี้จะโดดเด่นเมื่อข้อมูลมาในรูปของสามสิ่งอันดับเชิงสัมพันธ์ (relational triples) หรือสามารถแสดงในลักษณะนั้นได้อย่างเป็นธรรมชาติ อย่าใช้วิธีนี้เมื่อข้อมูลของคุณเป็นเพียงตารางแบบแบนราบที่ไม่มีโครงสร้างความสัมพันธ์ของเอนทิตีที่มีความหมาย เมื่อคุณต้องการการอนุมานทางสถิติที่โปร่งใสพร้อมค่า p-value และช่วงความเชื่อมั่น (confidence intervals) (ให้ใช้ regression หรือ ERGM แทน) หรือเมื่อกราฟมีขนาดเล็กพอที่การสืบค้นฐานข้อมูลเชิงสัมพันธ์จะเพียงพอ
ข้อจำกัดและข้อควรพิจารณา
- การสร้างกราฟต้องใช้ความพยายามด้านวิศวกรรมข้อมูลอย่างมาก: การสกัดเอนทิตี (entity extraction) การแก้ไขการอ้างถึงซ้ำ (coreference resolution) และการออกแบบออนโทโลยีเป็นงานที่ไม่ใช่เรื่องง่าย
- คุณภาพของกราฟขึ้นอยู่กับความสมบูรณ์และความถูกต้องของข้อมูลต้นฉบับ สามสิ่งอันดับที่เบาบางหรือไม่ถูกต้องจะลดทอนคุณภาพของการอนุมาน
- แบบจำลองการทำนายการเชื่อมโยงโดยใช้เอ็มเบ็ดดิ้งเป็นกล่องดำ (black boxes) การอธิบายว่าเหตุใดสามสิ่งอันดับจึงถูกทำนายจึงต้องใช้เครื่องมือตีความเพิ่มเติม
- ไม่มีกรอบการทดสอบนัยสำคัญทางสถิติในตัว — แตกต่างจาก ERGM หรือ regression จึงไม่มีค่า p-value สำหรับเส้นเชื่อมหรือเส้นทางแต่ละรายการ
- ค่าใช้จ่ายในการบำรุงรักษา: เมื่อข้อเท็จจริงพื้นฐานเปลี่ยนแปลงไป กราฟจะต้องได้รับการอัปเดตเพื่อหลีกเลี่ยงความรู้ที่ล้าสมัยหรือไม่สอดคล้องกัน
เงื่อนไขจากแหล่งที่มาไม่สามารถใช้แทนการทบทวนทางวิทยาศาสตร์ที่เป็นอิสระหรือการตรวจสอบโดยเอนจินวิเคราะห์ได้
จุดแข็ง
- บูรณาการข้อมูลที่หลากหลายจากหลายแหล่งภายใต้สกีมาความหมายที่เป็นหนึ่งเดียว
- เปิดใช้งานการสืบค้นและการให้เหตุผลแบบหลายทอดที่ตารางแบบแบนราบและฐานข้อมูลเชิงสัมพันธ์ไม่สามารถรองรับได้ง่าย
- รองรับการทำนายการเชื่อมโยงและการเติมเต็มความรู้ผ่านเอ็มเบ็ดดิ้งกราฟ ซึ่งช่วยเปิดเผยข้อเท็จจริงโดยปริยาย
- เข้ากันได้กับเมตริกวิทยาการเครือข่ายมาตรฐาน (ความเป็นศูนย์กลาง การตรวจจับชุมชน) สำหรับการวิเคราะห์โครงสร้าง
- ปรับขนาดได้สูง: กราฟขนาดใหญ่ เช่น Wikidata หรือ Google Knowledge Graph มีสามสิ่งอันดับหลายพันล้านรายการ
- ส่งเสริมการทำงานร่วมกันผ่านมาตรฐานเปิด (RDF, OWL, SPARQL)
การประยุกต์ใช้
- การวิเคราะห์บรรณมาตรและเครือข่ายการอ้างอิง: การจับคู่แนวหน้าการวิจัย ผู้เขียนหลัก และกลุ่มแนวคิดในสาขาวิทยาศาสตร์
- กราฟความรู้ชีวการแพทย์: การบูรณาการปฏิสัมพันธ์ระหว่างยา–ยีน–โรคสำหรับการค้นพบยาใหม่และการคาดการณ์ผลข้างเคียง
- การตอบคำถามและการดึงข้อมูล: การอ้างอิงคำตอบของแบบจำลองภาษาขนาดใหญ่ (large language model) กับความรู้เชิงข้อเท็จจริงที่มีโครงสร้าง
- การแนะนำสินค้าในอีคอมเมิร์ซ: การเชื่อมโยงผลิตภัณฑ์ คุณลักษณะ ความชอบของผู้ใช้ และประวัติการซื้อเพื่อการแนะนำที่อธิบายได้
- การบูรณาการข้อมูลองค์กร: การรวมไซโลข้อมูลข้ามแผนกผ่านสกีมาความหมายที่ใช้ร่วมกัน
- การวิจัยสังคมศาสตร์: การแทนผู้มีบทบาทในนโยบาย เอกสารทางกฎหมาย และความเกี่ยวข้องของสถาบันในฐานะเอนทิตีที่เชื่อมโยงกันสำหรับการวิเคราะห์เชิงสัมพันธ์
วิธีการทำงาน
วิธีการทำงาน
กระบวนการเริ่มต้นด้วยการระบุเอนทิตี — ผู้คน สถานที่ แนวคิด สิ่งพิมพ์ สารเคมี — จากข้อความต้นฉบับ ฐานข้อมูล หรือออนโทโลยี (ontologies) เอนทิตีที่ไม่ซ้ำกันแต่ละรายการจะกลายเป็นโหนดในกราฟ โดยได้รับตัวระบุมาตรฐาน (canonical identifier) (URI หรือ ID ภายใน) เพื่อแก้ไขคำพ้องความหมายและรูปแบบที่แตกต่างกันของคำเดียวกัน (เช่น 'WHO' และ 'World Health Organization' จะรวมเป็นโหนดเดียว)
เส้นเชื่อมที่มีประเภทและมีทิศทางจะถูกสร้างขึ้นระหว่างเอนทิตีเพื่อเข้ารหัสความสัมพันธ์เชิงข้อเท็จจริง (เช่น ผู้แต่ง (authorOf) ตั้งอยู่ที่ (locatedIn) มีปฏิสัมพันธ์กับ (interactsWith)) โครงสร้างสามสิ่งอันดับที่เป็นทางการ G = (E, R, T) โดยที่ T คือชุดของสามสิ่งอันดับ (ประธาน, ภาคแสดง, กรรม) (subject, predicate, object) โดยที่ประธานและกรรมมาจากเซตเอนทิตี E และภาคแสดงมาจากเซตความสัมพันธ์ R เป็นพื้นฐานของการใช้งานทั้ง RDF และ property-graph
สูตร
G = (E, R, T), \; T \subseteq E \times R \times E
ชั้นสกีมา (schema layer) — ซึ่งก็คือออนโทโลยีหรืออนุกรมวิธาน (taxonomy) — จะจำกัดประเภทของเอนทิตีและประเภทของความสัมพันธ์ที่อนุญาต ซึ่งช่วยให้สามารถสืบค้นข้ามแหล่งข้อมูลได้อย่างสอดคล้องกัน อัลกอริทึมการจัดตำแหน่ง (Alignment algorithms) จะตรวจจับและรวมแนวคิดที่ทับซ้อนกันหรือเทียบเท่ากันจากสกีมาที่แตกต่างกัน ซึ่งจำเป็นอย่างยิ่งเมื่อบูรณาการฐานความรู้หลายแห่ง (เช่น DBpedia + Wikidata)
เอนทิตีและความสัมพันธ์จะถูกจับคู่กับเวกเตอร์การแทนค่าแบบต่อเนื่อง (continuous vector representations) หรือที่เรียกว่า เอ็มเบ็ดดิ้ง (embeddings) โดยใช้วิธีการต่างๆ เช่น TransE, RotatE หรือ ComplEx เอ็มเบ็ดดิ้งเหล่านี้จะจับภาพความใกล้เคียงเชิงโครงสร้างและความหมาย ทำให้สามารถทำนายการเชื่อมโยง (link prediction) (อนุมานสามสิ่งอันดับที่ขาดหายไป) การจำแนกเอนทิตี (entity disambiguation) และงานการเรียนรู้ของเครื่อง (machine-learning tasks) ในขั้นต่อไปโดยใช้แบบจำลองตัวเลขมาตรฐาน
การสืบค้น SPARQL หรือ Cypher จะดึงข้อเท็จจริงแบบหลายทอด (multi-hop facts) ในขณะที่การให้เหตุผลแบบอิงกฎ (rule-based) หรือแบบอิงเอ็มเบ็ดดิ้ง (embedding-based) จะอนุมานสามสิ่งอันดับโดยปริยาย (implicit triples) (เช่น หาก A สอน B และ B สอน C ดังนั้น A จึงเป็นที่ปรึกษาทางอ้อมของ C) จากนั้นจะใช้อัลกอริทึมการวัดความเป็นศูนย์กลาง (centrality) การตรวจจับชุมชน (community-detection) และการวิเคราะห์เส้นทาง (path-analysis) จากวิทยาการเครือข่ายแบบดั้งเดิมกับกราฟที่ได้ เพื่อเปิดเผยเอนทิตีหลัก กลุ่ม และการไหลของข้อมูล
ข้อผิดพลาดที่พบบ่อย
- การปฏิบัติต่อกราฟความรู้เสมือนว่าเป็นความจริงสูงสุดโดยไม่คำนึงถึงความไม่สมบูรณ์ — กราฟความรู้ในโลกแห่งความเป็นจริงทั้งหมดมีเส้นเชื่อมที่ขาดหายไป
- การเลือกแบบจำลองเอ็มเบ็ดดิ้งกราฟ (เช่น TransE) โดยไม่ตรวจสอบกับชุดข้อมูลทดสอบสำหรับการทำนายการเชื่อมโยง ซึ่งนำไปสู่การอนุมานที่มั่นใจเกินไป
- การรวมเอนทิตีจากแหล่งต่างๆ โดยไม่มีการแก้ไขการอ้างถึงซ้ำที่เหมาะสม ซึ่งสร้างโหนดที่ซ้ำซ้อนหรือปะปนกัน
- การสับสนระหว่างชั้นสกีมา (ออนโทโลยี) กับชั้นอินสแตนซ์ (สามสิ่งอันดับจริง) ซึ่งนำไปสู่การละเมิดประเภทและการสืบค้นที่ไม่ถูกต้อง
- การใช้อัลกอริทึมการตรวจจับชุมชนที่ออกแบบมาสำหรับกราฟไม่มีทิศทางกับกราฟความรู้แบบมีทิศทางโดยไม่คำนึงถึงทิศทางของเส้นเชื่อม
คำถามที่พบบ่อย
อะไรคือความแตกต่างระหว่างกราฟความรู้กับเครือข่ายมาตรฐานหรือเครือข่ายสังคม?
กราฟเครือข่ายมาตรฐานมักจะมีเส้นเชื่อมที่ไม่มีป้ายกำกับหรือมีประเภทเดียวกัน (เช่น 'เชื่อมต่อถึง') กราฟความรู้ใช้ความสัมพันธ์ที่มีประเภทและมีความหมายเชิงความหมาย (เช่น 'ผู้แต่งของ' (authorOf) 'ตั้งอยู่ที่' (locatedIn)) และมีพื้นฐานมาจากออนโทโลยี ซึ่งช่วยให้สามารถอนุมานเชิงตรรกะได้ การวิเคราะห์เครือข่ายสังคมมุ่งเน้นไปที่คุณสมบัติเชิงโครงสร้างของการเชื่อมต่อระหว่างผู้แสดง ในขณะที่การวิเคราะห์กราฟความรู้เน้นที่เนื้อหาเชิงความหมายของความสัมพันธ์และเอนทิตีหลายประเภท
ฉันจำเป็นต้องใช้ RDF และ SPARQL หรือสามารถใช้ฐานข้อมูล property graph เช่น Neo4j ได้หรือไม่?
ทั้งสองแบบใช้ได้ RDF/SPARQL เป็นมาตรฐาน W3C และดีที่สุดสำหรับการทำงานร่วมกันของข้อมูลเปิดและการให้เหตุผลโดยใช้ออนโทโลยี Property graphs (Neo4j/Cypher) เป็นมิตรกับนักพัฒนามากกว่า และมักจะเร็วกว่าสำหรับการสืบค้นแบบท่องไปบนกราฟที่มีขนาดปานกลาง วิธีการวิเคราะห์ — ความเป็นศูนย์กลาง การตรวจจับชุมชน การทำนายการเชื่อมโยง — สามารถนำไปใช้ได้กับทั้งสองรูปแบบ
ฉันจะประเมินคุณภาพของการทำนายการเชื่อมโยงที่สร้างโดยแบบจำลองเอ็มเบ็ดดิ้งกราฟได้อย่างไร?
โปรโตคอลมาตรฐานคือการกันตัวอย่างสามสิ่งอันดับที่ทราบแบบสุ่มไว้เป็นชุดทดสอบ ลบออกจากกราฟ ฝึกแบบจำลองเอ็มเบ็ดดิ้งบนสามสิ่งอันดับที่เหลือ จากนั้นจัดอันดับตัวเลือกสำหรับสามสิ่งอันดับที่ถูกกันไว้แต่ละรายการ และรายงานค่า Mean Reciprocal Rank (MRR) และ Hits@k (k = 1, 3, 10)
การวิเคราะห์กราฟความรู้สามารถรวมกับประมวลผลภาษาธรรมชาติ (natural language processing) ได้หรือไม่?
ได้ และกำลังเป็นที่นิยมมากขึ้นเรื่อยๆ ไปป์ไลน์ NLP ทำการรู้จำเอนทิตีที่มีชื่อ (named-entity recognition) และสกัดความสัมพันธ์ (relation extraction) เพื่อเติมข้อมูลลงในกราฟจากข้อความที่ไม่มีโครงสร้าง ในทางกลับกัน กราฟความรู้ให้บริบทที่มีโครงสร้างซึ่งช่วยปรับปรุงงาน NLP เช่น การจำแนกเอนทิตี และการตอบคำถามที่มีการอ้างอิง
การวิเคราะห์กราฟความรู้เหมาะสำหรับชุดข้อมูลขนาดเล็กหรือไม่?
กราฟความรู้สามารถสร้างขึ้นได้ทุกขนาด แต่แบบจำลองเอ็มเบ็ดดิ้งกราฟสำหรับการทำนายการเชื่อมโยงต้องการความครอบคลุมของการเกิดร่วมกันระหว่างเอนทิตีและความสัมพันธ์ (entity–relation co-occurrences) ที่เพียงพอเพื่อเรียนรู้การแทนค่าที่มีความหมาย — โดยทั่วไปคือหลายพันสามสิ่งอันดับ สำหรับชุดข้อมูลขนาดเล็กมาก การให้เหตุผลแบบอิงกฎเชิงสัญลักษณ์ (symbolic rule-based reasoning) หรือเมตริกเครือข่ายที่ง่ายกว่า (ดีกรี, ความเป็นกลางระหว่างกลาง (betweenness)) จะน่าเชื่อถือกว่าเอ็มเบ็ดดิ้งที่เรียนรู้มา
วิธีการที่เกี่ยวข้อง
แหล่งอ้างอิง
Ehrlinger, L. & Wöß, W. (2016). Towards a Definition of Knowledge Graphs. In Proceedings of the SEMANTICS Posters and Demos Track (SEMANTiCS 2016). CEUR Workshop Proceedings, vol. 1695.
เปิดเอกสารอ้างอิงสิ่งพิมพ์คัดลอกแล้วHogan, A., Blomqvist, E., Cochez, M., d'Amato, C., Melo, G. de, Gutierrez, C., Kirrane, S., Gayo, J. E. L., Navigli, R., Neumaier, S., Ngomo, A.-C. N., Polleres, A., Rashid, S. M., Rula, A., Schmelzeisen, L., Sequeda, J., Staab, S., & Zimmermann, A. (2021). Knowledge Graphs. ACM Computing Surveys, 54(4), 71.
เปิดเอกสารอ้างอิง DOIคัดลอกแล้ว