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......