从本体论开始说起——运营商关系图谱的构建及应用

本期课堂，联通大数据技术专家闫龙将从“本体论”说起，为大家介绍联通大数据关系图谱的构建与应用。

人类学家罗宾·邓巴认为：一个人维持紧密人际关系的人数最多为150人。

网络社交平台出现后，很多人认为虚拟世界将突破邓巴这一理论，但实际情况却是：如果要和更多人互动，那么势必需要削弱在其它人身上花的精力。

但是，人际关系将随着时间而产生亲疏远近等不同的变化，如果能够识别出人与人的关系定义，则能为诸多行业领域带来更多方向的探索，如：诈骗团伙识别，通过诈骗分子的通话关系网去识别可能存在的团伙关系，将坏人一网打尽。

本期课堂，联通大数据技术专家闫龙将从“本体论”说起，为大家介绍联通大数据关系图谱的构建与应用。

一．本体论

万维网之父Tim Berners-Lee教授在1998年将语义网络（Semantic web）带入人类的视线。目的是赋予网络理解词语、概念以及它们之间逻辑关系的能力，使人机交互变得更有效率。本体论（Ontology）做为语义网的核心，是研究实体存在及其本质的通用理论。1993年Thomas Gruber教授提出了本体论最广为认同的定义：共享概念模型的明确的形式化规范说明。这里面实际说了四个概念，即：“概念模型”(Conceptualization)指通过客观世界中一些现象的相关概念而得到的模型；“明确”(Explicit)指所使用的概念及其约束都有明确的定义；“形式化”(Formal)指Ontology是计算机可读的；“共享(Share)”指本体论中体现的是共同认可的知识，反映的是相关领域中公认的概念集。

本体论最初是形而上学的一个分支。对于形而上学的理解这里给出一个例子（如：图1）

（图1）

图中中文的“猫”与“猫咪”，英文的“cat”，“猫的图片”都可以用来描述“猫”这个实物。那么在哲学层面，“猫”这样一个实物就是亚里士多德口中的“实体”，巴门尼德口中的“存在”，以及本体论中所说的“本体”。而上图这些描述均指的是“猫”这个“本体”的符号。

从这里，我们能看出“本体”这个概念在哲学层面上是形而上的，是只可意会不可言传的。因此，对于一个实体，所有的描述都是这个“本体”的外在符号，我们感受到的，听到的，看到的，都成为符号到本体的某种映射。

解释完本体哲学层面的意思，我们是否对语义层面的本体有更好的理解呢？其实，其主要目的就是要建立这样一种映射，例如：{“猫”，“猫咪”，“喵咪”，“cat”}这个符号集都映射到“猫”这个“本体”上来。当我们建立了本体的集合，本体间的逻辑关系就是存在的（如：IF A⊆B and B⊆C，THEN A⊆C）。本体的逻辑层提供了公理和推理规则，进而实现相应的逻辑推理，有可能是“属性-本体”的关系，有可能是“子类-本体”的关系，也有可能是“本体-本体”的对立或者是近似关系。本体论最终的目的是去实现知识表达，构建知识库，实现知识推理，即借由本体论中的基本元素：实体与实体间的关联，作为描述真实世界的知识模型。

二．知识图谱

这种知识模型究竟有什么用呢？Google在2012年提出Knowledge Graph，就是为了将传统的keyword-based搜索向基于语义的搜索升级。知识图谱可以用来更好的查询复杂的关联信息，从语义层面理解用户意图，改进搜索质量。这里借用本体的概念给出我个人对知识图谱的理解：知识图谱就是用来描述真实世界中存在的各种实体，以及他们之间的关系，而实体本身会有多样实例，属性。就像之前“猫的例子”（如下图2），当我们查询“喵喵喵喵喵”时，返回的不会是抖音上很红的《学猫叫》，而是“猫”这个实体。同时，在其他知识的补充下我们可以知道“猫”有一个实例是“茄子”，而“茄子”的主人是我，我和小胡都就职于联通大数据，并且通话关系很密切。当我们知识库中的实体、关系、属性、实例等的量级非常大时就能绘制成一个巨型的网络关系拓扑图。有了这样的知识库，搜索引擎就能洞察用户查询背后的语义信息，返回更为精准的信息。换言之，知识图谱引入了更多的含义，对事物进行搜索，像人类一样去思考、联想、关联。这也印证了Google knowledge graph的初衷：“The world is not made of strings , but is made of things.”

（图2）

另外，如果我们把各种语言的“猫”都映射到“猫”这个本体上，再基于与名词主体、动词主体构建的逻辑关系或动宾短语等，通过反映射就可以实现简易的机器翻译。

三．图数据库

2018年9月，我们有一篇题为《专家课堂|NoSQL还是SQL》的公众号提到图数据库，文中给出了NoSQL or SQL, Why NoSQL之类的话题。其中的基于场景选择也有相应的介绍，这里就不做赘述了。从上一节的图中，我们可以清晰地看出，通话记录就能以实体及关系的方式存储。这是运营商数据的固有优势，在我们的场景里不用花太多时间去做基于nlp技术的实体抽取、关系抽取。我们关注的重点则是通话关系网络中，如何保证海量的动态更新的通话节点及关系载入图中、哪些人有哪些通话行为特征、这些图中挖掘出的特征如何贡献在现有的场景模型中等等。比如在风控领域，我们正在应用图发现相关方法探索样本号码或ID是否在一个诈骗社区，是否有稳定的通话社交圈，与黑产号码存在几度的关联，关联系数是怎样的，是否有多个电话组内关联等。这些都将是风控、反欺诈类模型的新特征。

测试数据集选用三个月全网用户的通话记录，节点属性包括是否联通号、手机号码对应职住经纬度等；边属性包括号码间三个月的主被叫通话次数、主被叫次数，天数，时长等。数据集大小约为750G，载入图数据库结果如图3。

（图3）

载入后根据每台机器VertexCount和EdgeCount可以看到图数据库共加载了约17亿节点（号码），340亿边（通话关系）。其中NumOfSkippedVertices表达了一个去重的过程，即：每个节点只加载一遍。因此，partition size的总和只有590G左右，实际上是对数据进行了压缩。

做一个简单的号码关系查询（如图4），在百亿级边的图数据库里可以实现毫秒级响应。值得注意的有两点：1. 查询返回为json格式；2. 查询语言为类sql语言。

（图4）

我们可以将查询语言以文件形式存储，通过install/run query进行查询。同时，在后台install一个查询还会生成一个REST端点，这样就可以通过http来调用参数化查询。如图5，通过查询语言进行图遍历，寻找两个号码间的最短距离。这样就能实现我们熟悉的六度空间理论（小世界理论），即：世界上任何两个人最多只需通过6个关系就能找到对方。

（图5）

如果我们定义号码与号码间的通话频次为关系权重，每个人的通话人数为通话活跃度。试想，一个人和你没有通话记录，但是和你的好朋友通话比较频繁，你是不是也有可能认识这个人呢？这个查询就是从图中挖掘你可能认识的人。查询输入是待查号码与最可能认识的k个手机号，返回是查询号码和输入号码的距离（如图6）。

（图6）

最后，给出一个真实的场景案例，是否能够通过企业少数员工号码、imei或其他ID，寻找企业员工群体，并对该群体进行分析，来反应企业实际经营地址、活跃度等情况呢？这里给出【2步邻居子图】的概念（以手机号做节点为例），即：输入号码联系人及联系人的联系人（如图7，这里使用可视化交互界面展示通话关系）。

（图7）

在模型搭建过程中，我们对通话时间段、时长、频次进行分析，评估可能存在的同事关系，并基于现有职住模型以及栅格技术挖掘企业真实经营地址。以我自己手机号为例（如图8），可以看到返回企业员工主要聚集的工作地（数字表示工作地在相应栅格内的人数），即：联通大数据公司两个办公区（职住数据取自2018年12月）、联通集团。