领域知识图谱难点统计

对于领域知识图谱的构建，通常的几个步骤如下：知识建模、存储、抽取、融合、计算和应用。
对应到每一个过程的难点有

1）知识建模

• 建立知识图谱的概念模式的过程，相当于关系数据库的表结构定义。
  a. 概念划分的合理性，如何描述知识体系及知识点之间的关联关系
  b. 属性定义方式，如何在冗余程度最低的条件下满足应用和可视化展现
  c. 事件、时序等复杂知识表示，通过匿名节点的方法还是边属性的方法来进行描述，各自的优缺点是什么
  d. 后续的知识扩展难度，能否支持概念体系的变更以及属性的调整

2）知识存储

• 针对构建完成的知识图谱设计底层存储方式，完成各类知识的存储，包括基本属性知识、关联知识、事件知识、时序知识、资源类知识等
  a. 单一式存储和混合式存储的优缺点及应用场景
  b. 如何根据业务场景怎样选择知识存储介质（原生图数据库、现有关系型数据库等）

3）知识抽取

• 从不同来源、不同数据中进行知识提取，形成知识并存入知识图谱的过程。
  a. 对于结构化数据中存在的复杂关系如何进行知识提取
  b. 对于大批量半结构化数据（大量网页）如何进行知识提取
  c. 对于非结构化文本数据的知识提取，如何保证抽取的准确率和覆盖率，如何解决领域训练数据少的问题
  d. 如何解决指代消解、共指消解等歧义问题

4）知识融合

• 将不同来源的知识进行对齐、合并的工作，形成全局的知识标识和关联。
  a. 进行知识融合时使用什么方式实现不同来源、不同形态知识的融合
  b. 如何对海量知识进行高效融合
  c. 如何对新增知识进行实时融合
  d. 如何进行多语言融合

5）知识计算

• 领域知识图谱能力输出的主要方式，通过知识图谱本身能力为传统的应用形态赋能，提升服务质量和效率。其中，图挖掘计算和知识推理时最具代表性的两种能力，如何将这两种能力与传统相结合是需要解决的一个关键问题。
  a. 知识推理一般应用于 知识发现、 冲突与异常检测， 是知识精细化工作和决策分析的主要实现方式。 知识推理又可以分为 基于本体的推理 和基于规则的推理。 一般需要依据 行业应用的业务特征进行规则的定义， 并基于本体结构与 定义的规则执行推理过程， 给出推理结果。 关键问题： 大数据量下的快速推理、 记忆对于增量知识和规则的快速加载。
  b. 图挖掘计算指基于图论的相关算法，实现对图谱的探索与挖掘。 图计算能力可辅助传统的推荐、搜索类应用。 KG的图算法一般包括图遍历、最短路径、权威节点分析、族群发现最大流算法、相似节点等。 主要问题： 大规模图上的算法效率。

6）知识应用

• 将知识图谱特有的应用形态与领域数据和业务场景相结合，助力领域业务转型。知识图谱的典型应用包括语义搜索、智能问答以及可视化决策。
  a. 语义搜索，指基于知识图谱中的知识，解决传统搜索中遇到的关键字语义多样性及语义消歧的难题，通过实体链接实现知识与文档的混合检索。 语义检索 需要考虑如何解决自然语言 输入 带来的 表达多样性问题， 同时需要 解决语言中实体的歧义性问题。
  b. 智能问答，指针对用户输入的自然语言进行理解，从知识图谱或目标数据中给出用户问题的答案。关键技术和难点：准确的语义解析，如何正确理解用户的真实意图；对于返回的答案，如何评分以确定优先级顺序。
  c. 可视化决策，指通过统一的图形接口，结合可视化、推理、检索等，为用户提供信息获取的入口。对于可视化决策支持，需要考虑的关键问题包括：如何通过可视化方式辅助用户快速发现业务模式；如何提升可视化组件的交互友好程度，例如高效地缩放和导航；大规模图环境下底层算法的效率。