大圖數據科學： 圖數據中的推理

我們正淹沒在大數據的河流里，大數據并非是平的，而是多模態、多關系、兼具時空、多媒體的。目前的AI技術，特別是機器學習，它將豐富復雜數據平放到矩陣的形式當中。我們當下所做的一些工作很可能忽視了數據當中的很多豐富信息，其中很重要的一點就是錯誤假設了數據之間的相互關系。作為研究者和開發者，我們需要考慮到這些圖的結構和相關的環境因素。

我想首先和大家說說三種常見的圖數據推理模式，最簡單的一種叫做協同分類。如果一個圖的部分結點已經有標簽，我們就可以推理出其結點的標簽。社交網絡就是很典型的例子，其中包含著非常豐富的信息和聯系，通過信息和數據去做推理可以得出某位朋友的飲食習慣或其他偏好?；跀祿谝延械男畔?，設置不同的權重，我們能夠做一些簡單的推理，充分利用本地信息和標簽，再去推理出一些之前沒有加入的標簽信息。

第二種叫做鏈接預測，我們不僅僅可以預測某一個結點的標簽，還可以推斷結點之間的鏈接。比如說有一個通訊網絡，我們能夠通過通訊信息推理出網絡中所有人的層級，并通過不同種類的信息判斷不同人之間的關系。

第三種是實體解析，任務是確定哪些結點指向同樣的實體，我們就能從中獲得一些信息。

對我個人而言，我最喜歡的圖推理問題是圖識別(發現可觀察圖結構所潛含的真實圖結構)，它能夠把上面提到的的三個小模型結合到一起。還是以郵件通訊網絡為例，通過對郵件信息進行推理就可以發現這幾個人之間的關系及角色。我們需要對每一個信息進行研究，研究他們的實體狀況和郵件狀況。具體做法是首先對這些人進行分組，對之間的關系進行預測，并對實體身份做出判斷。這其中也存在非常大的挑戰，如何打造一個非常魯棒的算法來理清其中的人物關系非常重要。

目前，統計學研究也在開發相應的算法，例如概率性推理和關系推理。有一個工具叫概率軟性邏輯PSL，它是一種概率編程語言，即用描述性的語言對圖上的問題進行描述。這個基礎是，我們有屬性、關系的邏輯表示，還有規則和約束來捕捉他們的依賴關系。PSL是一個這樣的存在，它根據模板和數據來定義他們之間的概率分布用于推斷。

PSL比較有意思的一點是，它通過將邏輯規則映射為凸函數，實現了大規模推斷的可擴展性。更有意思的是，這個映射的合理性是用已有的理論計算機科學的結論證明的，用MAX SAT的近似隨機算法結合統計學、機器學習、圖模型方面的理論。之后我們就可以將從理論計算機科學當中的一些東西轉化到實際的圖識別應用當中去，最后將這種軟性的邏輯和AI進行結合，在不同的情景下，很多時候你們會得到同樣的優化結果。在我看來，我覺得我們現在能看到的這些東西僅僅是冰山一角，我們稱之為叫Hinge-loss馬爾科夫隨機域。在這里有包含著很多具體微小的細節，每一個邏輯規則實際上都和某一個函數是相關的，相關的函數實際上都會造成一定的依賴損失。

在圖識別領域，PSL在推理速度和準確度上的表現和離散的馬爾科夫規則相比都要更好，且從數據當中學習權重和變量的效果也更加出色。由此PSL可以衍生出很多具體的應用，首先是分類問題。以在線討論為例，PSL通過觀察大家討論的文字內容和行為數據，就能夠很好地來預測用戶的觀點。再比如大數據和AI領域常常需要聚合信息做推薦、預測甚至打分，我們有來自社交互動、圖像方面的各種信息，其實這些信息中存在一定的相似性。PSL的優勢就在于它具有非常好的擴展性，特別是邏輯相似性較高的情況下擴展也會更加容易。

另外一個領域可能和安全相關，通過研究社交媒體當中的垃圾郵件可以進行協同推斷，哪些可能是垃圾郵件。還有一個問題是如何把視覺的、文本的、關系的數據全部融合起來，去推測使用用戶的個性。我們把所有的信息結合起來就能夠預測一些人口學特征，比如性別、年齡，同時還可以預測人們在社交媒體當中的信任。

最后我想和大家分享有關知識圖的建構，如何獲取足夠多的數據來實現知識的自動架構是一項長期以來的挑戰。我們能夠結合統計學的數據信息以及一些相對簡單的語義信息，把它們和我開始提出的圖識別問題結合起來，并在做圖識別時找到它的結點、標簽以及結點之間的關系，在此之上可以再融入一些本體的限制，同時還可以融入一些關于信息和其他來源的數據。把它們相結合能夠產生比較好的效果，而且速度可以得到顯著提升。

我們需要對圖進行更多的機器學習，考慮各種關聯結點之間的復雜關系。另外，當我們在做數據驅動技術時需要思考究竟什么才是負責任的數據科學，如何檢查數據并通過算法做出決策。我個人對PSL感到興奮的原因就在于它的邏輯規則確實比一大批權重或是參數的算法更加容易解釋。這個領域會有一些隱私和安全性的問題，這值得我們進一步研究;相伴而生的還有很多機遇，有更多社會、商業、科學、安全以及其他方面的應用可以去發現、去探索。