然而，其他形式的机器学习提供显性知识。上述 来自机器学习的 深度学习方法被认为是高级机器学习。经典或传统机器学习通过更透明和可解释的方法学习提供显性知识。传统机器学习方法包括决策树和直接回归模型等技术。
此外，还有一些专有算法专门用于以明确的方式丰富知识图谱，以实现语言理解。这些算法特定于知识丰富，而不是自然语言技术的其他方面，例如语言生成或语音识别。
知识图谱命题
作为符号 AI 的基石之一，知识图谱对于使用显性知识进行语言理解至关重要。它们以显式、声明性的方式存储数据，其中数据通过称为三元组的语义语句/关系描述自身。这些语句包含关于每个数据是什么的主语、谓语和宾语。因此，这些知识很容易在图中看到、理解、修改、链接并通过其他知识丰富 – 这就是它被称为显式的原因。
例如，知识图谱可以在业务概念（例如信用卡、储蓄账户、商业贷款等特定服务）之间建立联系，用户可以探索这些联系以了解这些概念是什么以及它们如何相互关联。此外，通过遵循知识图谱中包含的业务规则，任何人都可以理解语言理解系统做出的决策，因为它们易于追踪、解释且明确。
机器学习的显性优势
借助这些机器学习方法，组织可以节省时间和人力，并自动收集显性知识。这些结果在知识图谱上立即可见，因此很容易纠正。它们还可以作为一种有效的强化方法，表明需要更多有关收入信息的知识（例如，抵押贷款申请）。
最好的结果来自于迭代过程，在这个过程中，他们分析文本、提取信息并说明可以从中学到什么。一旦将这些信息放入图表中，用户可以再次分析它以找到可以增加所获知识的其他元素或参数——就像一种自动调整的形式。
关键要点
关键点在于，显性知识可以通过符号 AI 和机器学习来优化语言理解系统。这些方法通过混合方法将前者的合理推理与后者的自动化知识组装相结合。