事理图谱概述
人工智能与认知智能
从人工智能的发展阶段来看，人工智能先后经历了从计算智能到感知智能再到认知智能的三个发展阶段。在计算智能时代，以神经网络、遗传算法为代表的学习算法，让机器能够帮助人类存储和快速处理海量数据，使得机器开始像人类一样“能说会算”。感知智能时代，机器能够开始看懂和听懂，并采取一些行动和听懂语音的音箱，帮助人类高效地完成看和听的相关工作。认知智能时代，是人工智能的终极目标，即机器能够像人一样思考，并采取行动，如完全独立驾驶的无人驾驶汽车、自主行动的机器人等，完成全面辅助或替代人类的工作。随着数据、模型、计算能力的全面提升，计算智能和感知智能已经初步实现，而真正实现机器的认知智能依然面临着诸多挑战。
认知智能与知识图谱
认知智能的核心在于机器的辨识、思考以及主动学习。其中，辨识指能够基于掌握的知识进行识别、判断、感知，思考强调机器能够运用知识进行推理和决策，主动学习突出机器进行知识运用和学习的自动化和自主化。这三个方面概括起来，就是强大的知识库、强大的知识计算能力以及计算资源。
知识图谱，是实现认知智能的知识库，是武装认知智能机器人的大脑，这是知识图谱与认知智能的最本质联系，知识图谱，与以深度神经网络为代表的连接主义不同，作为符号主义，从一开始提出就注定了要从知识表示、知识描述、知识计算与推理上不断前行。
从知识图谱到事理图谱
传统知识图谱中的知识是静态的，描述的是实体以及实体之间的关系，这些关系是相对确定和静态的知识，而现实人类社会当中，知识是动态变化的，知识本身会因为外部条件的变化而失真。另一个是知识图谱在应用上的一种局限性，知识图谱只能回答什么是什么的问题，对包括基于已知知识推断未知知识，对已知知识进行正确性校验的知识推理，从根本上来说也没有跳出“静态”这一属性。在诸如“怎么了”，“接下来会怎么样？”，“为什么”，“怎么做”等问题上，知识图谱显得有些乏力。
人类的命题记忆是以“事件”为存储单位的，存储的是组成事件的概念及其之间的关系以及事件及其之间的关系。以事件作为知识的基本单元更能反映客观世界的知识，特别是知识的动态性，从认知心理学的角度来看，事件更符合人类的理解与思维习惯。
对于事理，我们可以有多种理解，事理是一套经验总结，是一套对知识的规则，是一套逻辑推理的方法论，是对特定环境下知识在时空域上的展开。
上图展示了知识、事件、实体、事理之间的关系，事件高于实体，实体是事件的组成部分，事件是事理的重要组成部分，事理和实体共同组成了知识。
目前，“事理图谱”还是较新的概念，国内多家公司和科研机构都在“事理图谱”的相关研究上进行了探索，如哈尔滨工业大学信息检索实验室刘挺老师团队首先提出了“事理图谱”这一概念，并做了一些实验和基础性的工作；中科院自动化所赵军老师团队，上海大学刘宗田老师团队分别在事件抽取和事件本体表示上取得了丰硕的成果。
与知识图谱的组织形式相仿，实体通过头尾相连，可以组织形成图谱状的知识图谱，事理采用类似的组织方式，可以形成事理图谱。知识图谱与事理图谱两者之间存在着诸多异同之处。
列举事理逻辑的几种类型
事理图谱的构建
目前关于事理图谱的构建方式上，主要包括领域专家手动构建以及基于海量文本自动化获取两种方法。前者准确率高但构建成本较大，且规模难以快速增长；后者所见即所得，构建成本较低，规模可快速扩充，能够迅速挖掘出海量逻辑，但缺点是精确度受多方面因素影响，准确率较前者要低。
事理逻辑的挖掘，可以分成基于显式因果逻辑的挖掘和隐式因果逻辑的逻辑两种。
事件表示是事理图谱中的重要问题之一，在事件表示上，有上海大学刘宗田老师团队提出的“事件六要素本体模型”[5]，即将事件建模成e = { A，O，T，V，P，L}的表示形式， 其中: A 为动作要素; O 为对象要素; T 为时间要素; V 为环境要素; P 为断言要素; L 为语言表现。 而这种表示方式无法直接用于图谱节点表示，更可能成为一种事件描述信息隐藏于图谱事件节点背后。
事理图谱和知识图谱的融合
事理图谱中是以事件为单位一种逻辑链路，而实体是事件的一个重要组成部分，通过实体识别和实体链接技术可以将事件中的实体链接到相应的实体知识库当中。
事理图谱的应用探讨
1. 基于事理图谱的知识问答
2. 基于事理图谱的消费意图识别
3. 基于事理图谱的重要新闻判别与推荐
4. 基于事理图谱的知识管理
5. 基于事理图谱的推理与辅助决策
Reference
[1]. 事理图谱，下一代知识图谱: https://mp.weixin.qq.com/s/iLfXeVeWE5CCs_sM_NAOSw