科普 | 为什么你感受到的人工智能只有“人工”没有“智能”？

当你看到这张照片，你能得到什么信息？

这是一张来自很久前的黑白照片，照片中的人是一个外国人。

那么他是谁呢？

通过观察图片，你会发现这个人的名字是Thierry Hermès。

这时也许你会马上联想到Hermès、爱马仕....

经过进一步检索，你发现Thierry Hermès是爱马仕的创始人；1837年他在法国巴黎创立了爱马仕，早年以制造高级马具起家。

上述例子中的思考过程，正是机器学习的目标：让机器学会像人类一样思考、判断、链接信息。

人工智能分为三个阶段，从机器智能到感知智能，再到认知智能。认知智能的目标是让机器拥有像人类一样的思考能力，但现实却是AI要达到一个两、三岁小孩的智力都很难，这背后很大一部分原因是机器缺少知识，缺少将不同的信息点串联起来形成对事物的整体认知和判断的能力。

近几年，人工智能已经有了突飞猛进的进展，引入人类的知识是AI的重要研究方向之一，知识图谱的构建，将所有不同种类的信息（Heterogeneous Information）连接在一起，旨在为智能系统表征知识，从而获得解决复杂问题的能力。

具体落到不同的商业场景中，

知识图谱能做些什么呢？

数说故事基于多年积累的亿万级数据库，和200+头部客户的服务经验，通过“算法+人工”的方式，逐步搭建了开放型商业知识图谱和开放性实体属性挖掘系统Mamba Search，将数据与商业场景中的各种知识打通连接，以一种更加智能的方式呈现，通过不断挖掘将知识索引。

包括品牌研究、产品创新、明星/KOL研究、StoryLab故事分析与研究、推荐系统5大应用场景，具体如下：

品牌研究

01 品类、品牌、商品库建立

传统的品牌研究需要人工设定品牌、品类、商品的码表，然后通过码表的匹配方式进行数据ETL。这样在使用时需要一直进行人工码表维护，无法第一时间发现新品牌、新商品，严重依赖人工。

而数说的行业知识图谱基于全量数据，不停地从大数据中挖掘新出现的品牌、品牌新进入的品类、品牌新推出的商品信息，做到品类、品牌、商品库的实时动态更新，而无需人工过多参与。知识图谱带来的强大的实体消歧可以大大提升码表匹配文本解析带来的噪音问题。

02 黑马品牌挖掘

我们对黑马品牌的挖掘分为检测和预测两个部分，

1. 通过从文本中挖掘KOL、专家对品牌的描述标签，当品牌开始出现被描述为黑马、新锐的声量时，我们能够近实时地检测并解析到知识图谱的标签中；
2. 在知识图谱中我们构建了一个关系网络，可以通过关联趋势的变化，预测品牌在后续发展中的增长情况。传统的趋势预测往往局限于趋势本身的历史声量变化，而通过知识图谱我们有了更加丰富的信息，能够被预测未来的声量变化趋势。

这就是数说黑马品牌榜的形成原理。数说雷达“品牌榜”聚合抖音品牌DOU榜和微博品牌活动榜，跟踪不同行业品牌的关联话题热度，洞察热门品牌话题”造热“特征，并基于数说全量数据形成数说热门品牌榜、数说上升品牌榜和数说黑马品牌榜。

通过品牌榜单，品牌企业可以快速识别不同品牌的推广活动及造势效果，为策略投放提供参考。

▲ 数说雷达 界面截图

03 品牌发展历程挖掘

以开头提到的爱马仕为例，在Mamba Search可以清晰看到以爱马仕为中心展开的关系图谱，包括爱马仕的创始人、总裁、掌舵人、合作方、创立时间等各种梳理好的信息，还可以看到品牌近一年在各个渠道的声量变化及未来的声量变化趋势，还有与品牌相关的词云图。

▲ Mamba Search 界面截图

产品创新

互联网的发展产生大量新品数据，包括各种KOL的新品测评、行业分析、用户的真实评价和自发分享、商家的上新推广等等。数说故事采集全网数据，并以知识图谱赋能海量数据处理，挖掘出产品相关的新原料、成分、颜色、技术趋势。

旗下数说雷达根据“趋势”在不同生命周期的数据特征，将不同的“趋势”划分为“萌芽期、上升期和火热期”三个阶段，为品牌产品创新提供基于大数据的实时趋势发现。

明星/KOL研究

通过知识图谱可以一站式获取明星/KOL的各种信息，使得品牌在挑选明星/KOL时能够更有依据。我们加入和关系、时间维度的知识图谱的图嵌入技术，更方便计算明星聚类、明星-品牌契合度等各种传统方法难以有效计算的指标。辅助企业对不同明星/KOL进行比对，锁定合适且优质的明星/KOL，帮助品牌挖掘明星/KOL的商业价值，布局平台品宣推广。

下图就是我们以"肖战"为例在Mamba Search进行的探索，肖战发生的各种事件活动、参演的各种影视剧热度、代言的品牌情况、明星之间的私人关系等相关讯息一目了然：

▲ Mamba Search 界面截图

StoryLab故事分析与研究

通过大量的数据解析，我们用知识图谱技术解析数据中出现的人物故事、故事的脉络，找到故事中的人物、时间、地点、人物需求、任务痛点、产品使用（品牌、品类）场景，组成一个大型的故事知识图谱。

在这个故事知识图谱，品牌方可以快速地找到想要的故事和各种相关的故事，进一步做人群需求研究。

推荐系统

推荐系统是一个相对成熟的算法类别，常见的推荐系统，通过用户历史购买记录、各种页面点击行为作为输入，推荐的结果是框在了内部数据里面。通过加入知识图谱的信息，我们可以极大的扩展各种商品的关联属性（商品的各种维度、这些维度属性的喜好度、商品的社会化评价等），通过加入知识图谱的相关信息，可以提升推荐的准确度，并且使得模型结果更加的平稳。

在前两期的专题介绍中，《急call市场人，AI会取代你还是为你创造价值？》为大家讲解了：

· 情感判断是如何形成的？

· 如何去除广告杂音和水军？

· 知识图谱是什么？

《深度解读 | 开放型商业知识图谱背后的技术原理》中，我们围绕数说故事在开放性知识提取和实体推断上使用的技术手段进行了详细介绍。

“知识图谱”相关的系列内容至此告一段落，如果您对知识图谱相关的更多内容感兴趣，欢迎在留言区与我们互动交流。