K. 知识图谱 存在的挑战

数据相关的挑战

• 多源数据的歧义、噪声大
• 多源异构数据之间的关联 性并非严格明确的
  • 其一，数据间的关联性指向类型不明确，具体表现为 关联性作用为相关关系还是因果关系，有方向性还是无方向性。
  • 其二，即 使明确关联性存在，但现有关联性的作用有多强，是单独体现还是联合其 他关系共同体现也很难明确。

算法相关的挑战

• 现有技术存在的算法挑战
• 算法性能的挑战
  • 算法泛化能力差
  • 算法鲁棒性差
  • 算法多样化，缺乏统一的评测指标
• 对算法可解释性的挑战

基础知识库相关的挑战

• 基础知识库融合挑战
• 垂直领域知识库构建挑战
  • 在垂直领域知识库构 建过程中，会面临知识获取问题、知识库边界问题及专业知识的正确性验 证问题。
• 基础知识库不愿开放的挑战

开发工具相关的挑战

• 贯穿知识图谱全生命周期的平台缺失
• 算法、工具、专家间人机协同有待提升
  • 对于特定垂直行业来说，由于需要非常缜密的知识逻辑结构及丰富的业务知识尚无法实现，通常会选择算法、工具、领域专家三者进行深度人机协同的方式 来进行。
• 基于文本的知识图谱构建工具性能弱
• 跨语言语系的知识图谱构建工具有待突破
• 知识图谱中间件有待建设

隐私、安全和伦理相关的挑战

• 应用/接口数据安全风险管理
• 敏感数据发现和风险评估
• 数据安全异常行为分析
• 数据安全事件溯源取证
• 知识图谱的4A安全管理
• 模型与图谱内容质量安全
• 其他挑战

测试认证相关的挑战

• 知识图谱测试与评估涉及环节众多
  • 知识图谱测试与评估不仅涉及知识图谱输入数据、整体性能、平台功 能等，还涉及知识图谱构建过程中知识获取、知识表示、知识存储、知识 融合、知识建模、知识计算等各环节。
• 知识图谱测试与评估方法缺失
• 知识图谱测试与评估标准空白
• 标准测试集建设迟滞
• 测试人员及机构资质要求不明确

商业模式相关的挑战

• 客户内生驱动力不足，大规模盈利模式不清晰
• 知识图谱构建与应用标准化模块推广受限
• 数据获取受法规约束加大

人才相关的挑战

• 人工智能相关人才整体缺口较大
• 多技术交叉复合型人才缺口大
• 具备深厚行业背景的人才缺口大