知识图谱（Knowledge Graph）小结

一、知识图谱（Knowledge Graph）主要目的是在海量网络数据中以更直观的方式把知识展现给用户

二、KG特征和功能:本质上是一种语意网络，用户查询关键词映射到语意知识库的概念上，

核心是知识库。

三、知识图谱流程：知识获取，知识融汇，知识存储，查询式语意理解，知识检索和可视化

 3.1知识获取：

 在大数据环境下，可通过机器学习，知识挖掘，自然语言处理等方式获取，这说明在学习知识图谱的同时，对于机器学习，数据挖掘等相关方向也要有一定的了解和运用。

 3.2知识融合：

 面对网络上获取的大量数据，其格式，属相等需要统一，这称为异构数据。

 实体和关系是图谱中基本要素，如同图中的顶点和边一样，实体的重要度根据

关系抽取：知识图谱之关系抽取
PageRank等算法进行排序

 在知识融合过程中，还需要通过推理检测逻辑矛盾，通过聚合、分类把知识具体化和分类整合。

 因为任何实体都不是单独孤立的，与周围一些概念存在一定逻辑关系，由此可看出在离散数学的中数理逻辑，关系证明等基础知识的重要性，以及与图论的结合。

 3.3知识存储：

 主要依赖于海量数据存储技术来管理大规模分布式的数据，以实现大容量，可扩展，高可靠性和高性能。

 3.4查询式语意理解：

 各种查询式方法，查询式语意的分析，分词，标注，纠错，语法分析，与知识库匹配，用户情感及语境，查询式扩展，主要以自然语言处理和人工智能为基础。

 3.5知识检索：

 此阶段涉及到信息检索，知识挖掘扥关键技术（相似性，重要性）。对查询语意进行解析，与知识库的知识匹配，进行统计，排序，推理，预测。为用户查询出关键完整准确的有效信息，同时推荐用户可能感兴趣的信息（涉及到推荐系统）。

 3.6可视化展现：

 提升用户体验和效果，更注重内容显示粒度上的把握，需要涉及到Web客户端技术，可视化技术，人机交互技术帮助用户提高体验效果。

四、知识图谱的应用

 4.1商业搜索引擎的应用：如百度、搜狗等，国外谷歌。

 4.2问答系统的应用：苹果的Siri

 4.3电商平台运用：淘宝

 4.4社交网络运用：FB

 4.5其他领域：如教育科研，医疗，生物研究的

五．小结：

知识图谱作为近两年在大数据时代下新颖的知识组织与检索技术，其知识组织和展示的优势逐渐体现出来，受到众多领域的关注。应用前景十分广泛。当前知识图谱发展还处于初级阶段，面临众多挑战和难题，如：知识库的自动扩展，异构知识处理，推理规则学习，跨语言检索等。   

参考：
[1]关系抽取：https://blog.csdn.net/u014794992/article/details/52993814

[2]知识图谱之关系提取：https://www.jianshu.com/p/4f09043e22ea

[3]知识图谱系列：https://xz.aliyun.com/t/2139