【知识图谱】基本概念&数据&综合应用&具体使用

1.基本概念

知识图谱主要作用：查找和匹配
难点：怎么构建
知识图谱不只是个图模型，拿到点后能不能进行预测，分析，能不能让这个ai基于这个图模型做出诊断与分析工作，graph embedding是最核心的事情了，将点参数化

1.1知识图谱组成

<例> 例如上图的人，人有关键点，组成局部信息，有人和骨架图之后，怎么综合利用图模型进行分析。淘宝出现的数据，在抖音会出现；去上海看房子，青岛的，成都的也开始打电话了。

<例>挑出实体，寻找实体的联系和属性。
<引申> 不光视觉，听觉还有文本，尽可能的把知识融合在一起，形成一个图模型，有复杂的关系网络。把所有的人情世故，关系融合在一起，则是知识图谱。图模型把所有信息连接起来了。

1.2 应用

1.2.1 应用一 医疗领域方向检索

方式：利用历史数据，使看病更简单
目的：便于检索

1.2.2 应用二 金融领域反欺诈-金融知识图谱

可以从下载大量贷款app等相关信息入手

1.2.3 推荐系统

从实体角度出发etc.

2.数据

2.1 文本数据

文本数据是最好获得的，故知识图谱是nlp的重要应用，做知识图谱需要用到大量nlp技术。

2.2 难点

可能是图片可能是音频视频等非结构化数据

2.3 方法

有许多开源的nlp工具包，语义识别，角色标注，时间，地点，人名等（哈工大做nlp较多）。首先先打标签。

2.3.1 分句、分词、主谓关系

关于标注，有很多是可以用工具包去做

2.3.2 打标签

2.3.3 找关系

2.3.3.1 实体关系

3.知识图谱综合应用——跳出nlp

比如侦察凶杀案，进行推理工作。

3.1 神经网络引入

传统上输入向量输出结果，每个嫌疑人作为一个向量输入节点。那么如何将一个节点输入一个向量啊。
除了传统的搜索，现在知识图谱尝试做推理预测工作。比如图识别，embedding把每一个节点编码成一个向量，比如一个图识别，首先将识别道的点进行编码，除了本身固有的属性（实物本身的身高，体重）。

3.1.1 传统图像猫狗识别

识别出了点后进行二分类，识别是猫是狗

用到图模型就得用特征

3.2 视觉领域：与图卷积结合

对人的局部特征关节点特征提出来，需要提出局部特征（如头、肩膀）与联系，行动过程中，会有联系。比如人在运动的时候，头和肩膀的关系比较大，就不是简单的局部特征的卷积。再进行一些融合，在图模型中进行卷积，即也有graph embedding。
图匹配，两张图不同角度的关节点信息进行一对一的匹配，但有的会有遮挡，则不完全一对一

怎么样做特征，不仅仅是构建图，更重要的是我可以用这个图做个什么事。如果能把其中每个实体用向量表示出来就无敌了。
检测，分析，识别算法用上去，想玩什么玩什么。
对于知识图谱不仅仅是用nlp技术构建一个图谱更重要的是利用这个做事。

4 知识图谱的使用

4.1 算法固定，难点是根据场景构建特定图谱

4.2 报错好解决，选Neo4j