[[376661]]

在人類獲取知識的過程中越來越關注事物的本質，借助人工智能以及大數(shù)據分析的能力，在其基礎上衍生了各類各樣的智能應用，其中知識圖譜的構建，至關重要。

初識知識圖譜

1.知識圖譜的意義

AI需要從感知智能邁向認知智能，本質上知識是一個基礎，然后基于知識的推理，剛好知識圖譜其實是具備這樣的一個屬性。

2. 知識工程的歷史

3.什么是知識

信息：是指外部的客觀事實，如封面新聞，中國，第一智媒體

知識：是對外部客觀規(guī)律的歸納和總結，如封面新聞是中國的第一智媒體。

4.什么是知識圖譜

知識圖譜（Knowledge Graph）本質上是語義網絡，是一種基于圖的數(shù)據結構，由節(jié)點(Point)和邊(Edge)組成。在知識圖譜里，每個節(jié)點表示現(xiàn)實世界中存在的“實體”，每條變?yōu)閷嶓w與實體之間的“關系”。知識圖譜是關系的最有效的表示方式。

5. 知識圖譜的構成

實體：具有可區(qū)別性且獨立存在的某種事物。如某一個人、某一座城市、某一種植物、某一件商品等等。

概念：具有同種特性的實體構成的集合，如國家、民族、書籍、電腦等。

內容：通常作為實體和語義類的名字、描述、解釋等，可以由文本、圖像、音視頻等來表達。

屬性：從一個實體指向它的屬性值。不同的屬性類型對應于不同類型屬性的邊。屬性值主要指對象指定屬性的值。如 “面積”、“人口”、“首都”是幾種不同的屬性。屬性值主要指對象指定屬性的值，例如960萬平方公里等。

關系：關系是連接不同的實體，指代實體之間的聯(lián)系。通過關系節(jié)點把知識圖譜中的節(jié)點連接起來，形成一張大圖。

構建知識圖譜

1.數(shù)據類型

知識圖譜的數(shù)據類型包含結構化數(shù)據（關系數(shù)據庫），半結構化數(shù)據（如XML、JSON、百科），非結構化數(shù)據（如圖片、音頻、視頻、文本）。

2. 邏輯結構

模式層：模式層構建在數(shù)據層之上，主要是通過本體庫來規(guī)范數(shù)據層的一系列事實表達。本體是結構化知識庫的概念模板，通過本體庫而形成的知識庫不僅層次結構較強，并且冗余程度較小。

數(shù)據層：數(shù)據層主要是由一系列的事實組成，而知識將以事實為單位進行存儲。如果用（實體1，關系，實體2）、（實體、屬性，屬性值）這樣的三元組來表達事實，可選擇圖數(shù)據庫作為存儲介質

3. 存儲方式

RDF（資源描述框架）：其本質是一個數(shù)據模型（Data Model）。它提供了一個統(tǒng)一的標準，用于描述實體/資源。簡單來說，就是表示事物的一種方法和手段。

RDF由節(jié)點和邊組成，節(jié)點表示實體/資源、屬性，邊則表示了實體和實體之間的關系以及實體和屬性的關系。

圖數(shù)據庫：在知識圖譜方面，圖數(shù)據庫比關系數(shù)據庫靈活的多。

在數(shù)據少的時候，關系數(shù)據庫也沒有問題，效率也不低。但是隨著知識圖譜變的復雜，圖數(shù)據庫的優(yōu)勢會明顯增加。當涉及到2,3度的關聯(lián)查詢，基于圖數(shù)據庫的效率會比關系數(shù)據庫的效率高出幾千倍甚至幾百萬倍。

4.技術架構

5.知識圖譜構建過程

知識圖譜應用

1. 信息檢索

語義搜索-答案檢索型

[ 原理 ] 對用戶使用自然語言提出的問題進行語義分析和語法分析，進而將其轉化成結構化形式的查詢語句，然后在知識圖譜中查詢答案

[ 場景 ] 直接找到問題的答案，而非大量的網頁鏈接

關系搜索

[ 場景 ] 快速準確地查詢兩個實體之間的關系

可視化展示

[ 場景 ] 直觀清晰的呈現(xiàn)概念的所有實例

2.智能推薦

推薦系統(tǒng)作為一種信息過濾的重要手段，是當前解決信息超載問題的最有效的方法之一，是面向用戶的互聯(lián)網產品的核心技術。

使用推薦服務會遇到2個問題：

使用數(shù)據稀疏：在實際場景中，用戶和物品的交互信息往往是非常稀疏的。

冷啟動問題：對于新加入的用戶或者物品，由于系統(tǒng)沒有其歷史交互信息，因此無法進行準確地建模和推薦。

解決上述問題的常用方式就是：在推薦算法中額外引入一些輔助信息

（1）社交網絡（social networks）：一個用戶對某個物品感興趣，他的朋友可能也會對該物品感興趣；

（2）用戶/物品屬性（attributes）：擁有同種屬性的用戶可能會對同一類物品感興趣；

圖像/視頻/音頻/文本等多媒體信息（multimedia）：例如商品圖片、電影預告片、音樂、新聞標題等；

（3）上下文（context）：用戶-物品交互的時間、地點、當前會話信息等。

知識圖譜…

知識圖譜包含了實體之間豐富的語義關聯(lián)，為推薦系統(tǒng)提供了潛在的輔助信息來源。知識圖譜在諸多推薦場景中都有應用的潛力，例如電影、新聞、景點、餐館、購物等。

精確性：知識圖譜為物品引入了更多的語義關系，可以深層次地發(fā)現(xiàn)用戶興趣；

多樣性：知識圖譜提供了不同的關系連接種類，有利于推薦結果的發(fā)散，避免推薦結果局限于單一類型；

可解釋性：知識圖譜可以連接用戶的歷史記錄和推薦結果，從而提高用戶對推薦結果的滿意度和接受度，增強用戶對推薦系統(tǒng)的信任。

3.反欺詐

不一致性驗證：不一致性驗證可以用來判斷一個借款人的欺詐風險

比如借款人張三和借款人李四填寫的是同一個公司電話，但張三填寫的公司和李四填寫的公司完全不一樣，這就成了一個風險點，需要審核人員格外的注意。

再比如，借款人說跟張三是朋友關系，跟李四是父子關系。很顯然，朋友的朋友不是父子關系，所以存在著明顯的不一致性。

4.其他行業(yè)應用

公安刑偵:分析實體和實體之間的關系以獲得線索等；

司法輔助:法律條文的結構化表示和查詢來輔助案件的判決等；

電子商務:構建商品知識圖譜來精準地匹配用戶的購買意愿和商品候選集合；

醫(yī)療診斷:提供可視化的知識表示，用于藥物分析、疾病診斷等。