转“通俗易懂的知识图谱落地”（摘抄，理解）

文章来源：

https://developer.51cto.com/art/201903/593471.htm

知识图谱落地应用的经典场景就是：查找实体间的关系。

应用目标

围绕这个目标可以分为三类应用检索、问答、推荐：

1）语义搜索，搜索过程把各种知识点、实体、以及内容结合起来，形成实体之间的关系，反馈回相应的检索结果；

2）个性化推荐，基于商城购买的历史商品进行关联，给出关联的推荐购买清单；

3）智能问答，分析问题中的实体、关系、意图，检索图谱中的实体关系对，构建答案返回；

图谱构建

为满足上述的应用，需要构建实体、关系，特别是大规模、自动化构建：

1）通过知识的抽取与融合，将结果保存到分布式图数据库里，进而发现各个点与点之间或是边与边之间的关系。

a）金山的wps示例：两亿日活用户，通过建立用户节点，关联用户的基本信息、属性特征和他们的文档联系起来，从普通数据库( MongoDB)--》图数据库。

b）关键点：梳理出各个用户节点之间的边。示例：如果用户A和B来自同一家公司，他们就可能会有同一条边；如果他俩共享过了某个文档，则又会生成一条边。

因此，本体建模中，如何定义边，即如何定义可显性表示的实体间关系，会是一个重要问题。同时，本体定义与能否自动化的抽取也是密切相关的。

2）具体实现模式：

引用：

• 通过对数据的搜寻，发现在同一个数据库中不同节点所包含的共同字段和属性。
• 通过知识的融合与发掘、以及文档内容的语义，提取文字或标题的中心内容，再运用算法分析，采用主体之间的对比方式，找到两个用户之间可能存在的关系，进而建立一个知识体。

图数据库的选型

1）体量；

2）开源属性，包括团队的源码阅读、理解能力和技术栈；公共资源的开发文档；已有的开发示例；......

3）架构、性能，是否支持分布式；与其他底层平台的融合能力；大规模的读写性能；

4）图算法的支持（与开源属性和性能有交集）

待续......