机器学习知识图谱.PDFVIP

2017 年“盖亚”青年学者科研基金研究课题 1. 机器学习 作为近十年来人工智能领域的重要突破，深度学习在语音识别、自然 语言处理、计算机视觉等诸多领域的应用取得了广泛成功，但在全球 交通领域的应用探索才刚刚起步，潜力巨大。灵活运用机器学习理论 和方法，创新机器学习技术，来最大化交通运力，改善城市交通效率， 提升出行体验，是非常值得研究的话题，也必将驱动人工智能技术迅 速迭代升级。 研究方向建议但不限于： A) 深度学习的理论和方法论研究 出行轨迹数据挖掘深度学习算法研究。 B) 强化学习相关算法研究 强化学习在智能分单、运力调度等应用场景的算法研究。 2．知识图谱 知识图谱(Knowledge Graph)其将信息表达成更接近人类认知世界的 形式，提供了帮助互联网组织、管理和理解海量信息的能力，拥有着 丰富的应用场景。在出行领域，基于实体识别、实体链指和语义分析 技术，整合关联了其他外部公开的本体即可 搭建起一个巨大的知识 网，进一步释放知识图谱和大数据潜能。这无论是在反欺诈、反身份 盗用、异常分析还是在用户交互等方面，意义都非常重大。 研究方向建议但不限于： A) 基于知识图谱来挖掘各种实体相关性 基于滴滴拥有的丰富乘客关系数据，挖掘各种实体相关性，发挥知识 对于潜在用户分析等场景的实际应用。 B) 知识图谱应用在风险防范 利用知识图谱来迅速发现不正当的交易团伙，维护群体的行业秩序， 发挥知识对于监管效率提升的实际作用。 ．自然语言处理人机对话系统 3 - 人机对话技术是人工智能领域的一个热点，也是用技术代替部分人工 的一个有益尝试。在出行领域，主要涉及两类场景：一是智能客服场 景，通过语音识别+语义理解+语音合成，结合业务相关的知识和数据， 即可以通过智能对话，实现解决用户问题的目标。其中，结合业务数 据的语义理解，是重中之重。智能对话系统的目标，是通过交互（含 多轮交互）实现用户意图的理解，并产生应答，解决实际问题，降低 人力成本。二是人机（人车）对话，通过语音交互，来尽量减少对屏 幕的依赖，大幅降低驾驶过程中的风险。 研究方向建议但不限于： A) 问答系统 面向垂直领域，或者开放领域，用户请求经过文本预处理，包括但不 限于请求补全以及改写，通过知识库/信息检索以及其他问答匹配方 法，给出问题的准确答案。 B) 多轮对话 用户的请求需要经过多轮进行陈述，对话系统需要维护用户目标状态 的表示，以及基于当前的状态决策下一步的最优动作；对话过程中， 系统可以通过询问、澄清或确认来帮助用户完成信息获取。 C) 开放域聊天 基于海量数据的检索式聊天技术，或者神经网络模型技术，用户请求 没有明确的信息或者服务获取需求时，系统能够实现开放式的对话过 程，包括但不限于对话过程中，融入问答和多轮对话的过程。 4. 智慧交通 4.1 实时路况计算及路况预测 路况服务是滴滴很多现有业务的基础，承载着eta 和路径规划等核心 地图功能，是智慧交通领域的重要基础服务，影响着数亿人次的出行； 路况Ground truth 计算的标准、方法及路况预测是行业难题。如何利 用大量的历史轨迹及实时轨迹流去计算当前路面的交通流速度及流 量，预测未来时间片内的交通流速度及流量是非常有价值课题。 研究方向建议但不限于： A) 路况Ground truth 或近似Ground truth 计算方法： 现有的每个 link 通过速度（或通过时间）是由通过的轨迹集合推 算出来的，由于司机驾驶行为的不确定性，以及滴滴轨迹的渗透率 ／覆盖率差异引起的天然分布不均甚至数据的缺失，给路况（速度 ／时间／流量）真值的推算带来了很大的困难，探索有效计算路况 Ground truth 或者推断近似Ground truth 的方法。 B) 路况计算粒度、评估指标：如何精确的计算车道级别的路况，定义 路况发布的路段长短；定义不同路网条件下的路况预测／计算的 评估指标。 C) 路况预测模型：探索网络交通状态估计和预测的创新方法和交通 流精准预测的模型，包括短期交通状态估计（5 分钟、10 分钟、20 分钟）和中期交通状态估计（30 分钟、60 分钟）以及长期交通状 态估计（24 小时）；当待预测的路网规模很大时，探索路网拓扑 关系进行有效抽象和划分。 D) 异构特征/数据融合方法：影响路况的因素非常多，除了轨迹特征 信息，也应考虑天气、节假日、突发事件（交通管制／事故