?作者｜攜程旅游AI研發(fā)團(tuán)隊(duì)致力于為攜程旅游事業(yè)部提供豐富的AI技術(shù)產(chǎn)品，其中知識(shí)圖譜組專注旅游領(lǐng)域知識(shí)圖譜的構(gòu)建及應(yīng)用落地。

 一、背景介紹

隨著網(wǎng)絡(luò)應(yīng)用技術(shù)的飛速發(fā)展，多元化、低密度數(shù)據(jù)的急劇膨脹對(duì)人們獲取正確信息帶來(lái)巨大挑戰(zhàn)，大量冗余信息出現(xiàn)的根源在于自然語(yǔ)言表達(dá)的多樣性，即一詞多義和多詞同義。例如，“蘋果”在不同語(yǔ)境下既可以表示薔薇科蘋果屬植物又可以表示蘋果產(chǎn)品公司，“申城”和“魔都”盡管字面完全不同，卻都是上海市的別稱。實(shí)現(xiàn)對(duì)海量Web數(shù)據(jù)的高效處理，理解用戶意圖，降低信息過(guò)載，是實(shí)體鏈接的目標(biāo)。

在旅游領(lǐng)域，用戶關(guān)注的實(shí)體通常是旅游目的地周邊景點(diǎn)、酒店和玩樂(lè)方式等，這些對(duì)象在地理信息系統(tǒng)（Geographic Information Systems, GIS）中統(tǒng)稱為興趣點(diǎn)（Point of Interest，POI），主要包含四個(gè)核心維度：名稱、地址、坐標(biāo)和類別。隨著互聯(lián)網(wǎng)電子地圖服務(wù)與基于位置的服務(wù)（Location Based Services，LBS）的普及，POI無(wú)論從概念范疇還是信息縱深上都有了長(zhǎng)足發(fā)展，已成長(zhǎng)為信息空間的參天大樹，可以說(shuō)目前如日中天的互聯(lián)網(wǎng)各個(gè)風(fēng)口都和POI有一定關(guān)系，如電商、O2O、社交、本地生活、互聯(lián)網(wǎng)金融、共享經(jīng)濟(jì)等。

構(gòu)建以POI知識(shí)庫(kù)為基礎(chǔ)的實(shí)體鏈接服務(wù)，提升旅游搜索、智能問(wèn)答、知識(shí)挖掘和信息抽取等工作的效果，對(duì)改善用戶體驗(yàn)有重要意義。

二、問(wèn)題分析

實(shí)體鏈接，指將文本中的表述鏈接到知識(shí)庫(kù)中相應(yīng)實(shí)體來(lái)進(jìn)行實(shí)體消歧、幫助計(jì)算機(jī)理解文本具體含義的任務(wù)，一般包含實(shí)體提及識(shí)別、候選實(shí)體生成和候選實(shí)體消歧三個(gè)步驟。

圖1 實(shí)體鏈接功能示例

1）實(shí)體提及識(shí)別，旨在識(shí)別出自然語(yǔ)言中實(shí)體提及片段的邊界，并標(biāo)示其在輸入文本中的位置。以圖1例子進(jìn)行說(shuō)明，用戶輸入的搜索詞“武漢東湖景區(qū)”包含了“武漢”和“東湖”兩個(gè)命名實(shí)體提及，它們可能表示知識(shí)庫(kù)中某些實(shí)體的正式名稱、簡(jiǎn)稱、俗稱或者別名。

2）候選實(shí)體生成為文本中給定的實(shí)體名稱生成可能鏈接的候選實(shí)體集合，即根據(jù)前一步識(shí)別到實(shí)體提及片段從知識(shí)庫(kù)中召回所有用戶可能感興趣的實(shí)體，該步驟生成的候選項(xiàng)集確定了實(shí)體消歧的范疇。例如，“武漢”這一實(shí)體提及可以從知識(shí)庫(kù)中召回作為城市的“武漢”，而“東湖”則可以召回“武漢東湖”和“紹興東湖”兩個(gè)景點(diǎn)。

3）實(shí)體消歧是確定一個(gè)實(shí)體指稱項(xiàng)所指向的真實(shí)世界中實(shí)體的過(guò)程，通過(guò)候選實(shí)體的靜態(tài)特征、或與query交互計(jì)算的動(dòng)態(tài)特征輸出一個(gè)用于排序的分值。以圖1為例，結(jié)合上下文可知，用戶真正查詢的是武漢市下面的東湖，而非位于紹興市的東湖，因此“武漢東湖”相對(duì)“紹興東湖”應(yīng)有更高的得分。

實(shí)體提及識(shí)別常被視作序列標(biāo)注任務(wù)，經(jīng)典方法有基于詞典的方法和基于統(tǒng)計(jì)的方法?；谠~典的方法可分為前向最大匹配、后向最大匹配和雙向最大匹配；基于統(tǒng)計(jì)學(xué)習(xí)的代表方法有HMM和CRF，其表現(xiàn)通常依賴大量人工構(gòu)建和維護(hù)的特征模板。隨著算力的提升和端到端的神經(jīng)網(wǎng)絡(luò)技術(shù)的發(fā)展，CNN、RNN等結(jié)構(gòu)被廣泛用于建模序列表示，其自動(dòng)組合低階特征獲得高階特征的功能擺脫了人工特征工程耗時(shí)費(fèi)力的弊端，同時(shí)神經(jīng)網(wǎng)絡(luò)強(qiáng)大的表達(dá)能力顯著提升了傳統(tǒng)算法的效果。

Google在2018年提出的Transformer則首次將自注意力模型帶入大眾視野，為序列表征的高效并行計(jì)算提供了可行的方案。Self-attention機(jī)制的運(yùn)用使得序列中每個(gè)位置的token都能充分學(xué)習(xí)到上下文語(yǔ)義，自適應(yīng)地接收來(lái)自不同位置token的信息流入，成為近年大熱的自監(jiān)督學(xué)習(xí)任務(wù)的基本編碼單元，啟發(fā)了眾多以此構(gòu)型為基礎(chǔ)的大型預(yù)訓(xùn)練語(yǔ)言模型，BERT便是代表之一。

使用Transformer Encoder結(jié)構(gòu)的BERT從無(wú)標(biāo)簽語(yǔ)料中學(xué)到了大量先驗(yàn)知識(shí)，只需在特定下游任務(wù)上微調(diào)權(quán)重，便能獲得出色的結(jié)果。BERT一度霸榜GLUE，刷新了各大自然語(yǔ)言理解任務(wù)的SOTA，其預(yù)訓(xùn)練加微調(diào)的學(xué)習(xí)范式也成為NLP界的重大里程碑。

候選實(shí)體生成是一種檢索任務(wù)，傳統(tǒng)檢索方法以詞袋模型（Bag of Words，BOW）為代表，如TF-IDF、BM25等，這類算法不考慮詞序，也忽略了詞與詞之間的前后關(guān)聯(lián)，除需人工設(shè)計(jì)公式外，在統(tǒng)計(jì)詞的權(quán)重、詞頻的基礎(chǔ)上，還要引入覆蓋率、緊密度，擴(kuò)展同義詞等，才能達(dá)到一個(gè)較好的效果。詞袋模型最大的缺陷是只能解決字面量的匹配問(wèn)題，無(wú)法獲得query與document語(yǔ)義相關(guān)性，因此，以雙塔式模型和交互式模型為代表的語(yǔ)義向量檢索方案開始受到重視。

雙塔模型主要有DSSM、Siamese網(wǎng)絡(luò)，通常使用兩個(gè)相同或不同的編碼器來(lái)提取query和document的低維句向量表示，然后設(shè)計(jì)一個(gè)相關(guān)性函數(shù)，如cosine、內(nèi)積等，計(jì)算兩者間的相似得分；交互式模型則在低階特征組合階段就開始建模query與document之間的相關(guān)性，其關(guān)鍵思想在于交互矩陣的構(gòu)造，如ESIM、MatchPyramid等，這類模型最終獲得的是query-document對(duì)的整體表示，因此能避免獨(dú)立編碼兩部分造成的精度丟失，實(shí)踐中往往有更好的表現(xiàn)。

實(shí)體消歧是在更精細(xì)的粒度上對(duì)候選實(shí)體進(jìn)行排序，常見的學(xué)習(xí)排序算法包括單點(diǎn)法（pointwise）、配對(duì)法（pairwise）和列表法（listwise）三類。pointwise的思想是使用回歸或分類模型獨(dú)立地為每個(gè)候選實(shí)體進(jìn)行打分；pairwise考慮的是候選實(shí)體兩兩之間的相對(duì)排序而非各自的絕對(duì)分值，因此損失的計(jì)算依賴于成對(duì)樣本；listwise則將一個(gè)query的所有候選實(shí)體集當(dāng)作一個(gè)樣例，輸出為各候選實(shí)體的得分。在特征構(gòu)造與表示學(xué)習(xí)方面，可以使用query的特征、候選實(shí)體自身的特征或兩者的交互特征，相關(guān)方法與前文提到的語(yǔ)義匹配類似。

三、旅游知識(shí)圖譜

知識(shí)圖譜（Knowledge Graph, KG）是一種大規(guī)模語(yǔ)義網(wǎng)絡(luò)，由節(jié)點(diǎn)和節(jié)點(diǎn)之間相互連接的邊構(gòu)成，可以表征實(shí)體之間結(jié)構(gòu)化的關(guān)系，被認(rèn)為是通往認(rèn)知智能的基石。其中，節(jié)點(diǎn)表示概念或?qū)ο?，邊表示概念與概念、概念與對(duì)象或?qū)ο笈c對(duì)象之間的關(guān)系。在知識(shí)圖譜中，每條知識(shí)都可以表示成一個(gè)SPO（Subject-Predicate-Object）三元組，例如長(zhǎng)寧區(qū)屬于上海市，在旅游知識(shí)圖譜中表示為(長(zhǎng)寧區(qū)，upperClass，上海市)。正因?yàn)楦叨冉Y(jié)構(gòu)化的知識(shí)表示易于計(jì)算機(jī)理解，知識(shí)圖譜在信息檢索、智能推薦、金融風(fēng)控上都有廣闊應(yīng)用場(chǎng)景。

我們團(tuán)隊(duì)打造的旅游知識(shí)圖譜以Neo4j和Nebula圖數(shù)據(jù)庫(kù)作為儲(chǔ)存方案，圖譜Schema涉及18種實(shí)體類型和12種關(guān)系類型，目前已有約1千萬(wàn)實(shí)體、3千7百萬(wàn)條三元組，知識(shí)數(shù)量初具規(guī)模。同時(shí)在數(shù)據(jù)治理層面建立了完備的自動(dòng)更新機(jī)制和監(jiān)控體系，確保每日新增知識(shí)入庫(kù)，過(guò)期知識(shí)移除，提升了知識(shí)圖譜的可靠性。

圖2 旅游知識(shí)圖譜數(shù)據(jù)探索

四、技術(shù)方案

在實(shí)體鏈接系統(tǒng)的技術(shù)選型上，我們遵循三階段流程，即實(shí)體提及識(shí)別、候選實(shí)體生成、候選實(shí)體消歧三個(gè)串行的子模塊協(xié)同完成對(duì)自然語(yǔ)言的分析。

圖3 實(shí)體鏈接系統(tǒng)流程

此外，我們?cè)诠こ躺献隽艘恍﹥?yōu)化，使用Redis緩存別名到候選實(shí)體id的映射關(guān)系以及實(shí)體id到實(shí)體屬性的映射關(guān)系，避免頻繁查詢Neo4j或Nebula圖數(shù)據(jù)庫(kù)帶來(lái)高延時(shí)。

五、功能模塊

5.1實(shí)體提及識(shí)別

這一步驟結(jié)合了神經(jīng)網(wǎng)絡(luò)模型和別名前綴樹進(jìn)行多路檢測(cè)，以擴(kuò)大候選實(shí)體召回范圍。

5.1.1 實(shí)體別名前綴樹

我們將知識(shí)庫(kù)中所有實(shí)體別名字符串插入到一棵前綴樹結(jié)構(gòu)，該前綴樹除根節(jié)點(diǎn)不包含字符、葉節(jié)點(diǎn)包含終止符外，每個(gè)中間節(jié)點(diǎn)都只包含一個(gè)字符。從根節(jié)點(diǎn)出發(fā)到某一節(jié)點(diǎn)，經(jīng)過(guò)的字符連接起來(lái)表示該節(jié)點(diǎn)對(duì)應(yīng)的字符串，因此樹中每個(gè)節(jié)點(diǎn)的后繼節(jié)點(diǎn)都擁有相同的前綴。

圖4 實(shí)體別名前綴樹示例從根節(jié)點(diǎn)到葉節(jié)點(diǎn)的路徑閉合了一個(gè)位于知識(shí)庫(kù)中的實(shí)體別名，在實(shí)際檢索時(shí)通常采用前向最大匹配策略：

1）維護(hù)兩個(gè)指針：前綴樹指針和query指針，前綴樹指針初始化時(shí)位于ROOT節(jié)點(diǎn)，query指針位于query文本首字符。

2）如果query指針指向的待匹配字符在前綴樹指針對(duì)應(yīng)節(jié)點(diǎn)的后繼節(jié)點(diǎn)中，則移動(dòng)前綴樹指針至該子節(jié)點(diǎn)，同時(shí)query指針后移一位。

3）如果query指針指向的待匹配字符不在前綴樹指針對(duì)應(yīng)節(jié)點(diǎn)的后繼節(jié)點(diǎn)中，若后繼節(jié)點(diǎn)包含了end，則閉合實(shí)體提及字符串，前綴樹指針回到ROOT；否則前綴樹指針遞歸地回退至上級(jí)節(jié)點(diǎn)（query指針同步前移），直至上級(jí)節(jié)點(diǎn)的后繼節(jié)點(diǎn)中包含end節(jié)點(diǎn)，然后閉合實(shí)體提及字符串，前綴樹指針回到ROOT；若前綴樹指針回退至ROOT的過(guò)程中沒(méi)有閉合任何實(shí)體提及，則query指針后移一位。

前綴樹可以最大程度減少對(duì)用戶query中無(wú)效字符串的匹配，且最壞情況的時(shí)間復(fù)雜度仍優(yōu)于哈希表，提供了一種十分高效的字符串搜索方案。

5.1.2 命名實(shí)體識(shí)別模型

這里我們使用以BERT為骨架的指針網(wǎng)絡(luò)標(biāo)注命名實(shí)體的邊界，圖5展示了模型框架、前向傳播過(guò)程以及標(biāo)簽解碼方式。

圖5 命名實(shí)體識(shí)別模型結(jié)構(gòu)

在推理階段，根據(jù)頭、尾指針預(yù)測(cè)結(jié)果閉合相同實(shí)體標(biāo)簽對(duì)應(yīng)的token位置獲得實(shí)體提及邊界。

5.2 候選實(shí)體生成

在旅游知識(shí)圖譜中，“別名”是一種特殊的節(jié)點(diǎn)類型，我們?cè)趫D譜構(gòu)建階段會(huì)為每個(gè)新加入的POI、目的地、產(chǎn)品以及標(biāo)簽類型的實(shí)體與其各別名（實(shí)體名稱也是一種別名）之間建立hasAlias類型的關(guān)系。因此，POI、產(chǎn)品、標(biāo)簽實(shí)體都至少關(guān)聯(lián)到一個(gè)別名實(shí)體。

以圖6為例，輸入文本為“武漢 江西 東湖”時(shí)，假設(shè)識(shí)別到的實(shí)體提及為“武漢”、“江西”和“東湖”，將這三個(gè)提及作為“別名”節(jié)點(diǎn)的name屬性值進(jìn)行條件查詢可得到三個(gè)別名節(jié)點(diǎn)（圖中標(biāo)記為黃色），這三個(gè)別名節(jié)點(diǎn)通過(guò)類型為hasAlias的入邊又可以查到若干POI節(jié)點(diǎn)，這些POI節(jié)點(diǎn)便是該文本召回的候選實(shí)體。

圖6 文本為“武漢 江西 東湖”時(shí)的候選實(shí)體子圖

我們?cè)诤蜻x實(shí)體生成階段并未采用向量檢索方案，因?yàn)閷?shí)體提及一般是非常短的字符串，基于相似度的檢索不確定性高，難以保證召回結(jié)果的可靠性，維護(hù)高質(zhì)量的別名詞表更適合當(dāng)下場(chǎng)景。

候選實(shí)體生成模塊還包括基于路徑的預(yù)過(guò)濾邏輯。以圖6為例，檢測(cè)到不同實(shí)體提及召回的候選實(shí)體之間可能存在路徑聯(lián)系，如“武漢市”到“東湖”、“江西省”到“蘆林湖”，那么與路徑中節(jié)點(diǎn)有相同別名但又不在路徑上的POI節(jié)點(diǎn)，比如紹興東湖，則不會(huì)作為候選實(shí)體返回。實(shí)踐中為了避免路徑假定過(guò)強(qiáng)而誤丟一些重要的節(jié)點(diǎn)，會(huì)施加一些約束條件，這些方法多與規(guī)則相關(guān)，不再贅述。

5.3 候選實(shí)體消歧

該模塊用于對(duì)候選實(shí)體計(jì)算排序得分，我們使用基于BERT的交互式語(yǔ)義匹配模型。

首先拼接query字符串與候選實(shí)體的描述文本，經(jīng)分詞和數(shù)值化處理后，輸入到BERT提取高階交互特征。

在BERT輸出層選擇輸入序列中[CLS]位置上的特征向量hCLS與該候選實(shí)體在query中的實(shí)體提及片段的首、尾位置token對(duì)應(yīng)的特征向量hhead、htail進(jìn)行拼接，通過(guò)一個(gè)仿射變換，使用sigmoid激活函數(shù)獲得該候選實(shí)體為鏈接對(duì)象的概率值：

其中，w和b為線性層參數(shù)。

圖7 實(shí)體消歧模型結(jié)構(gòu)

模型訓(xùn)練階段的損失函數(shù)為二分類交叉熵?fù)p失。

這里y為候選實(shí)體的0-1真實(shí)標(biāo)簽。

推理階段，為query召回的各候選實(shí)體計(jì)算概率得分并按從高到低排序，根據(jù)預(yù)設(shè)閾值截?cái)嗪蜻x實(shí)體序列，得到鏈接結(jié)果。

六、實(shí)踐場(chǎng)景

6.1 攜程旅游搜索

攜程旅游搜索詞義解析服務(wù)通過(guò)后端配置詞典進(jìn)行分詞及詞性標(biāo)注，返回所有匹配到的POI詞項(xiàng)，對(duì)重名POI不具備拒識(shí)或排序功能，常常會(huì)引入與query無(wú)關(guān)的搜索結(jié)果。

在接入實(shí)體鏈接系統(tǒng)后，能夠結(jié)合上下文信息對(duì)重名POI消歧，即便遇到上下文缺失的情況，也可以利用出發(fā)站城市輔助候選實(shí)體排序。

Case1 搜索詞為“武漢東湖”，接口原先返回“武漢市”和所有名為“東湖”的景點(diǎn)，調(diào)用實(shí)體鏈接服務(wù)，返回結(jié)果中只有位于“武漢市”的東湖景區(qū)（id：1xxx6）。

Case2 搜索詞為“深圳迪士尼”，接口原先返回“深圳市”和所有迪士尼度假區(qū)。盡管深圳市下面確實(shí)沒(méi)有迪士樂(lè)園，但常識(shí)會(huì)讓人聯(lián)想到用戶實(shí)際意圖可能是位于香港的迪士尼樂(lè)園（id：1xxx9），這正好是經(jīng)實(shí)體鏈接后的返回結(jié)果。

Case3 搜索詞為“白云山”，出發(fā)站設(shè)置為東莞市，接口原先返回所有名為“白云山”的景點(diǎn)，且不存在排序，無(wú)法推斷用戶對(duì)各POI感興趣的程度。調(diào)用實(shí)體鏈接服務(wù)后，返回結(jié)果中廣州市的白云山（id：7xxx4）被排在top1位置，說(shuō)明實(shí)體消歧階段系統(tǒng)捕獲到了“廣州白云山”與定位站“東莞市”之間的關(guān)聯(lián)。

6.2 攜程旅游智能客服

在人機(jī)對(duì)話系統(tǒng)中，語(yǔ)義槽填充通常與意圖識(shí)別聯(lián)合進(jìn)行，以確定追問(wèn)話術(shù)、歧義澄清話術(shù)，或完成對(duì)用戶自然語(yǔ)言的理解，從知識(shí)庫(kù)中搜索并返回答案。

例如，用戶詢問(wèn)“從上海到成都的航班”，其意圖為“查詢航班”，但僅對(duì)用戶意圖分類還不足以給出準(zhǔn)確回答，因?yàn)槿笔Я藘蓚€(gè)關(guān)鍵信息：航班的出發(fā)站和到達(dá)站，這便是與“查詢航班”相關(guān)的語(yǔ)義槽，只有完成意圖識(shí)別和語(yǔ)義槽填充，才具備搜索答案的條件。這里出發(fā)站和到達(dá)站分別指上海和成都，正好是旅游知識(shí)圖譜中的兩個(gè)POI，借助實(shí)體鏈接可以很方便地找到這兩個(gè)POI的id信息。

攜程旅游智能客服在引入實(shí)體鏈接服務(wù)后，詞槽抽取F1 Score較原先提升了超過(guò)12個(gè)百分點(diǎn)，反映了實(shí)體鏈接在客服場(chǎng)景下的巨大潛能。

6.3 攜程POI關(guān)鍵信息更新

門票相關(guān)部門需要保證一些POI關(guān)鍵信息頻繁更新的準(zhǔn)確性，如景區(qū)開閉園時(shí)間，這對(duì)于產(chǎn)品銷售及用戶體驗(yàn)有至關(guān)重要的意義。

開閉園信息更新的主要依據(jù)為每日從景區(qū)官方渠道獲取的公告和資訊，通過(guò)解析這些文章內(nèi)容提取POI名稱及對(duì)應(yīng)的開放或關(guān)閉時(shí)間。在疫情反復(fù)的當(dāng)下，該信息面臨更加頻繁的變動(dòng)，因此對(duì)準(zhǔn)確性和時(shí)效性提出較高要求。

原始文本解析完成寫入數(shù)據(jù)庫(kù)時(shí)會(huì)掛靠到發(fā)布資訊的景點(diǎn)下，但這個(gè)信息不一定正確，實(shí)際中存在很多從文本抽取景點(diǎn)與發(fā)布資訊景點(diǎn)不一致的情況，比如某景區(qū)發(fā)文公告的是下級(jí)某個(gè)子景點(diǎn)閉園，這時(shí)需要通過(guò)實(shí)體鏈接將抽取的景點(diǎn)名映射到知識(shí)圖譜中的實(shí)體從而獲取真正的POI id，此功能可以提高信息的準(zhǔn)確性，同時(shí)進(jìn)行POI消歧。

景區(qū)開閉園抽取項(xiàng)目在引入實(shí)體鏈接后，準(zhǔn)確率提升近六個(gè)百分點(diǎn)，極大改善了原抽取流程的效果。

6.4 攜程重復(fù)POI和上下級(jí)POI關(guān)系識(shí)別

門票活動(dòng)相關(guān)部門維護(hù)的POI數(shù)據(jù)來(lái)源十分復(fù)雜，包括內(nèi)部和官方等多個(gè)平臺(tái)。POI數(shù)據(jù)批量導(dǎo)入時(shí)未全部識(shí)別出重復(fù)的POI以及POI之間的上下級(jí)關(guān)系，會(huì)導(dǎo)致系統(tǒng)內(nèi)存在較多重復(fù)的POI，產(chǎn)生分流；或者導(dǎo)致系統(tǒng)內(nèi)存在游離在外的POI，導(dǎo)致展示不全，用戶無(wú)法全面了解景區(qū)情況。因此需要及時(shí)獲取這些信息并修復(fù)，以提升信息覆蓋全面性，提升平臺(tái)的信息可靠性。

POI的地址或介紹中可能隱含了該P(yáng)OI的父級(jí)節(jié)點(diǎn)。例如，地址為“xxx路xxx號(hào)xxx景區(qū)內(nèi)”的POI，其上級(jí)節(jié)點(diǎn)可能是某個(gè)景區(qū)，如果使用實(shí)體鏈接技術(shù)能獲取到該景區(qū)的id，并且這兩個(gè)POI在當(dāng)前圖譜中不存在上下級(jí)關(guān)系，則可以作為一個(gè)重要特征加入關(guān)系識(shí)別系統(tǒng)中。該項(xiàng)目自上線起，上下級(jí)關(guān)系識(shí)別的平均正確率達(dá)到90%以上，已累計(jì)改善了近千條POI信息的準(zhǔn)確性。

七、總結(jié)與展望

本文主要介紹了旅游AI知識(shí)圖譜組在實(shí)體鏈接技術(shù)上的探索和實(shí)踐，闡述了實(shí)體鏈接的基本定義、相關(guān)技術(shù)發(fā)展路線和應(yīng)用價(jià)值，并結(jié)合各子模塊詳細(xì)說(shuō)明了基于旅游知識(shí)圖譜的實(shí)體鏈接系統(tǒng)的架構(gòu)和流程，最后介紹了實(shí)體鏈接系統(tǒng)的落地場(chǎng)景。

未來(lái)我們將緊跟前沿技術(shù)發(fā)展，促使知識(shí)圖譜同實(shí)體召回、精排任務(wù)更緊密地結(jié)合，充分運(yùn)用圖的結(jié)構(gòu)提升現(xiàn)有模型的效果和可解釋性，探索更加高效、輕量化的模型，同時(shí)也會(huì)兼顧技術(shù)落地，今后賦能更多的旅游場(chǎng)景。