（文章來源：百家號）

知識工程、Web數(shù)據(jù)挖掘、自然語言處理等領域大量的研究工作，致力于大規(guī)模知識的獲取，為打造機器智腦提供了豐富的知識庫來源。目前互聯(lián)網(wǎng)上可用于智能機器人的知識庫包括以下各類知識：

事實知識（Factual Knowledge）是關于某個特定實體的基本事實。例如（中國，首都，北京）。事實知識是知識圖譜中最常見的知識類型。大部分實體的事實可以對應實體的特定屬性或者關系。很多以實體為中心組織的知識庫均富含此類知識，比如DBpedia、Freebase以及CN-DBpedia等。

概念知識（Taxonomy Knowledge）分為兩類，一類是實體與概念之間的類屬關系，例如（柏拉圖，哲學家）另一類為子概念與父概念的子類關系（Subclass，比如（唯心主義哲學家，Subclassof，哲學家）一個概念有子概念，也可能同時具有父概念，使得整個概念集合構成層級體系。概念之間的層級關系是本體定義中最為重要的部分，特定領域的概念知識是機器認知領域的基本框架。

典型概念知識圖譜（有時簡稱概念圖譜）包括Yago、Probase、WikiTaxonomy等。概念是歸納的前提，是基于概念推理的（類別推理taxonomy reasoning）依據(jù)。概念知識是一種典型的元知識（meta-knowledge）元知識除了概念知識之外還包括概念之間的屬性，概念與屬性的領域與約束等這些知識通常在傳統(tǒng)的本體中加以定義與明確。

詞匯知識：主要包括實體與詞匯之間的關系（比如實體的命名、稱謂、英文名等）以及詞匯之間的關系（包括同義詞、反義詞、縮寫詞以及上下位詞關系等）例如（柏拉圖，英文名，“Plato”）（趙匡胤，廟號，宋太祖）、（妻子，同義詞，老婆）些跨語言知識庫比如BabelNet，專注于建立實體或概念之間的跨語言等價關系。
? ? ? ?詞匯知識的自動化獲取在目前的實際應用中已經(jīng)取得較好效果。從豐富的領域語料自動挖掘領域詞匯，并建立詞匯之間的語義關聯(lián)以及詞匯與實體之間的關聯(lián)已經(jīng)成為知識圖譜構建最為重要的一步。詞匯知識也是相對簡單的知識。人類學習某個新領域往往是從該領域的術語或者詞匯開始的。因此，賦予機器認知領域詞匯，是實現(xiàn)機器認知整個領域知識的第一步。此類典型知識圖譜包括WordNet等。

常識知識：常識是人類通過身體與世界交互而積累的經(jīng)驗與知識，是人們在交流時無須言明就能理解的知識。例如我們都知道鳥有翅膀，鳥能飛等。再比如，若x是個人，那么x要么是男人，要么是女人。常識的表征與定義、獲取與理解等問題一直都是人工智能發(fā)展的瓶頸。常識知識的基本特點是我們每個人都知道，但很少在文本里提及，使得基于文本抽取的常識獲取方式效果有限。典型的常識知識圖譜包括Cyc、ConceptNet等。

領域知識服務機器人需要建立人類社會與生活相關的方方面面的知識庫。比如日常陪伴機器人需要具備衣食住行等各方面的知識庫，當用戶抱怨“空氣不好”時，機器人能夠開啟空氣凈化器；當用戶感冒了，機器人應該能夠結合醫(yī)學和用戶醫(yī)療知識庫提供相應的藥物與生活建議；在午餐時間，機器人能通過飲食知識庫推薦近期的飲食等。