Neo4j 《图数据库在AI上的作用》

演讲时间：2018年

本文节选精彩片段和大家分享

AI公司最头疼的是模型迭代管理

56%的企业首席信息官表示，迭代模型的训练是最大的ML挑战

表和表之间的连接成为性能瓶颈

稀疏矩阵压缩方法效率低下（更多表格！）

上下文的数据在语义上并不是完全对等的

需要不同数据类型的连接、动态和可理解的存储库

需要以智能方式链接孤岛或外部数据源

理解当前企业独一无二的“语言”是关键

基于知识并不等于知识图谱

neo4j分享了三种模式的知识图谱解决方案

一

富文本搜索：打了元数据标签的内部知识文档或者文件
用途举例：搜索、客户支持、文档分类
二

外部数据洞见：将外部数据源通过映射到相关实体进行聚合

用途举例：供应链/合规风险、市场活动汇总、销售机会挖掘

三

企业NLP：图技术术语、文档规范、拼写错误纠正等等
用途举例：提升搜索水平、实现聊天机器人、提升分类水平

AI在可解释性上的痛点

解释数据：到底要用什么样的数据来训练模型，为什么？
解释预测：什么特征值和权重适合当前特定的预测？
解释算法：单个层和阈值对于prediction的意义是什么？

图让AI变得可解释

解释数据：图能表达数据沿袭-前世今生

解释预测：关联神经网络节点到带标签的知识图谱中有助于将相关文档遍历来给出解释

**解释算法：**早期研究表明使用加权关系图构造tensor架构或许能解释神经网络算法

更多信息可关注公众号：