知识图谱入门

谷歌对于知识图的描述–The Knowledge Graph enables you to search for things, people or places that Google knows about—landmarks, celebrities, cities, sports teams, buildings, geographical features, movies, celestial objects, works of art and more—and instantly get information that’s relevant to your query. 解释了知识图谱通过图的方式将实体之间用关系联系起来，使得在查询数据时让人工智能以类似人类思考的方式将关键词隐含的意思表达出来，并给出符合人类语义的结果。

基本概念

• 概念提出：2012年谷歌提出，目的是提升搜索引擎返回的答案质量和用户查询的效率。
• 大概定义：知识图谱由一些相互连接的实体和和他们的属性构成。

应用场景

• 搜索
• 推荐
• 智能问答

分类

可根据应用场景将知识图谱分为两种类型：通用知识图谱和行业知识图谱。

• 通用知识图谱:例如各种搜索，查找常识性的知识，其知识涉及的范围较广，可能涉及不同领域的知识。
• 行业知识图谱:针对特定领域的知识，需要更加精准、准确的知识，例如征信系统、企业主要股东信息、辅助信贷等

架构

逻辑架构：

• 模式层：存储经过提炼的知识，通常通过本体库来管理这一层（本体库可以理解为面向对象里面的"类"的概念），例：实体-关系-实体/实体-属性-性值
• 数据层：存储真实的数据，例：刘恺威-前妻-杨幂

技术架构：

构建过程

有两种方式:自顶向下/自底向上
大致步骤:

• 知识表示与知识建模：知识表示将现实世界中各类知识表达成计算机可存储和计算的结构(RDF)
• 知识获取：包括实体识别与链接、实体关系学习及事件知识学习(机器学习)
• 知识融合：为不同知识图谱的应用程序间的交互建立操作性（OWL,SWRL）
• 知识图谱查询与推理计算：知识推理即从已有的知识图谱中推导出新的实体与实体之间的关系，可分为基于符号的推理和基于统计的推理(基于RDF的存储，RDF的序列化方式，基于属性图的存储，基于符号的推理，基于统计的推理-机器学习)

特定领域知识图谱的构建

OWL与SWRL