知识图谱入门视频（一）

学习内容：

知识图谱导论 陈华钧 浙江大学计算机科学与技术学院 教授
小象学院 哔哩哔哩 第一章
【其实后面的方法学习只是一个框架式的学习，并不明白具体的操作】

1. 什么是知识图谱？

知识图谱是一个系统！ 从根据场景构建再到场景应用！
知识图谱不是一个从0开始，它依赖原来有的语义网络、本体论，web、语义网、链接数据等等，它本质是从文本的链接到对象的链接等，并且一开始是由谷歌提出的改变搜索体验。本质也是包含两块：
一块是知识表示（知识抽取，关系建立，属性链接 ，一块是基于知识表示的知识库。 知识库怎么来？ 这将有知识的构建，知识的抽取，知识的融合； 知识库怎么用？就会有语义搜索，辅助问答，决策等。
其实就是将我们的语言拆分转换为符号表达，之后经过机器学习来将离散式的数据转化为可分布式的表达。 这只是总的概述，知识图谱的内容和实际应用不同的，那么分类也是不同的。

1.1 知识图谱的分类是有很多种的

而知识图谱的构建，是可以不同的，根据需要来定！比如只是关于人际关系的，再比如关于某个人的所有的新闻，再比如全部是关于政府部门的或者是事故的，或者是阿里巴巴的电商的等，可以说一种场景就会有一种知识图谱，所以也就有了知识的融合。

由于数据源的不同，比如众包、传感器、多媒体等流，我们又可以分别使用不同的方法来得到更加规范的数据表示、更强的数据关联，并存储到Hbase等数据库中，之后根据具体的需要再利用这些知识进行知识表示、知识抽取、知识问答等应用。

2. 知识图谱的发展历程

3. 知识图谱有什么用？

3.1 KG辅助搜索

Web的理想是万物的链接，搜索的理想是事物的搜索。
我们可以进行事物的搜索； 也可以根据兴趣来进行兴趣的搜索；
当然这些现在的实现都是基于众包的数据库作为基础的。

3.2 KG辅助问答

机器人及IoT设备的智能化： 给万物都挂接一个背景知识库
对话式的信息获取更加需要精准度和可靠度，知识图谱对于提升用户体验更加不可少；

3.3 KG辅助决策

成功的公司： Palantir硅谷最神秘大数据分析公司、Kensho公司属于金融咨询行业

Palantir公司的成功在于：
动态本体的建模方式，基于这种方式可以结合到语义搜索。

Kensho公司的算法在于：
金融知识

根据文本我们可以预先抽取语义、建立数据链接；
根据多媒体，我们可以有更加规范的数据表达；
根据传感器，我们可以先生成粗糙数据，形成可计算的数据；

3.3 KG辅助AI：常识推理

当一个人听到或看到一句话的时候，他使用自己所有的知识和智能去理解。这不仅包括语法，也包括他的词汇知识、上下文知识，更重要的，是对相关事务的理解。

3. KG的本质

Web视角： 像建立文本之间的超链接一样，建立数据之间的语义链接，并支持语义搜索
NLP视角：怎样从文本中抽取语义和结构化数据
KR视角：怎样利用计算机符号来表示和处理知识
AI视角：怎样利用知识库来辅助理解人的语言
DB（数据库）视角：用图的方式去存储知识

做好KG本质，需要综合利用这些关系！ 而且工程的落地也要兼顾这些。

4.聪明的AI vs 有学识的AI

聪明的AI： 更多的是基于大数据的学习能力，通过图像、语音、视频等更多方面做更好的感知、识别和判断。
有学识的AI：而知识图谱更多的体现在知识和数据的区别，能提供更强大的推理能力，而他基于的推理可以根据我们定义的规则，也可以根据我们数据当中的规范，不一定要求我们大数据、小数据做各种各样的推理，它体现的更有学识的AI，它是基于聪明AI之上知识和学识的积累。能够帮助思考和语言理解和推理。
在后面的课程中我们会知识的抽取、知识的挖掘、知识的问答过程当中都会有基于深度学习的方法来辅助我们做各种各样的知识库。
当然这是说deep learning for Knowledge Graph，也可以使用Knowledge Graph for deep learning.
也可以使用知识图谱来做推荐系统