OPPO知识图谱及其在小布助手中的应用 - 李向林 OPPO

OPPO知识图谱及其在小布助手中的应用

背景

• 小布助手：OPPO旗下AI助手，月活跃用户超过一亿。
• OPPO知识图谱：自2020年起开始建设，包含数亿实体和数十亿关系的高质量通用知识图谱，支持每日数百万次的小布问答请求。逐步扩展至商品图谱、健康图谱和风控等多个垂直领域。

知识图谱整体架构

• 构建核心算法：实体分类、实体对齐、信息抽取。
  • 实体分类：通过规则和预训练语言模型进行文本分类，已组织参与多项评测任务。
  • 实体对齐：利用Dedupe工具和BERT语义分类进行多源实体合并。
  • 信息抽取：基于大规模预训练语言模型进行关系抽取，如百度CASREL和MRC模型。

知识图谱在小布助手中的应用

• 小布知识问答架构：
  • 对话领域划分：包括任务对话、闲聊、知识问答等。
  • 知识问答分类：分为结构化问题（KBQA）和非结构化问题。
  • KBQA分类：涵盖单跳、两跳、多跳等多种查询类型。
  • KBQA整体算法架构：涉及领域识别、意图分类、实体抽取、实体链接、属性识别等步骤。
  • 实体抽取：处理实体别名和语音识别错误。
  • 实体链接：使用候选实体类簇和实体样本进行消歧。

模板语义匹配

• 模板挖掘：从日志中提取问答模板。
• 在线模板匹配：结合查询图和语义匹配进行高效解析。

复杂问题解析

• 多约束和对比推理：解决多实体查询和比较推理问题。

非结构化问题问答

• 语义向量编码：利用MRC模型进行问题和答案的向量召回。
• MRC模型优化：融合多个开源数据集，提高模型效果。

总结与展望

• 图谱构建算法：确保知识图谱的高质量和准确性。
• 知识问答算法：离线大模型与在线模板相结合，保证服务效率。
• 未来展望：包括常识推理图谱、多模态图谱、用户图谱、知识图谱结合预训练模型以及低资源条件下的信息抽取。