发现问题，并解决问题，批判性思维

Eigenvector Formulation特征向量形式。在之前的task中提到的无向图，直接使用邻接矩阵��=��λc=Ac，求出该矩阵的特征向量eigenvector，即节点特征，如上个task我们对地铁路线求解每个节点的nx.degree_centrality(G)然后可视化。PageRank的随机邻接矩阵stochastic adjacency matrix M，flow equation也有类似的特征向量等式（如下），此时r即M的图的平稳分布的一个随机游走：

- 其实不结合KG，何向南团队之前也直接使用GCN做了NGCF和LightGCN。- KGAT结合KG和GAT，首先是CKG嵌入表示层使用TransR模型获得实体和关系的embedding；然后在attention表示传播层，使用attention求出每个邻居节点的贡献权重，需要把实体节点$h$自身的嵌入表示$e_h$和它基于邻域的嵌入表示$\boldsymbol{e}_{\mathcal{N}_h}$融合起来，得到节点$h$的新表示$\boldsymbol{e}_h^{(1)}$，这里的融合方法也有三种

- AI主要分为连接主义和符号主义两大学派，知识图谱可以归为后者。- 语言是知识的最主要表示载体，即语言与知识是实现认知只能最重要的两个方面。而知识图谱是一种结构化的知识表示方法，相比于文本更易于被机器查询和处理，在搜索引擎、智能问答、大数据分析中被广泛应用。- 语言和知识的embedding化表示，是当前NN的发展趋势。

知识图谱的符号表示方法： - 属性图是工业界最常见的图谱建模方法，属性图数据库充分利用图结构特点做了性能优化，实用度高，但不支持符号推理。 - RDF是W3C推动的语义数据交换标准与规范，有更严格的语义逻辑基础，支持推理，并兼容更复杂的本体表示语言OWL。 - 在三元组无法满足语义表示需要时，OWL作为一种完备的本体语言，提供了更多可供选用的语义表达构件。- 描述逻辑可以为知识图谱的表示与建模提供理论基础。描述逻辑之于知识图谱，好比关系代数之于关系数据库；在知识图谱的深度利用中，如复杂语义的表

用图数据库的场景： - 高性能关系查询：需要快速遍历许多复杂关系的任何用例，如欺诈检测，社交网络分析，网络和数据库基础设施等； - 模型的灵活性：任何依赖于添加新数据而不会中断现有查询池的用例。模型灵活性包括链接元数据，版本控制数据和不断添加新关系。 - 快速和复杂的分析规则：如子图的比较等这种需要执行复杂的规则时，在推荐、相似度计算和主数据管理等场景。 - 原生图是指采用免索引邻接（Index-free adjacency）构建的图数据库引擎，如： AllegroGraph, Neo4

知识图谱的抽取和构建：实体识别、关系抽取、属性补全、概念抽取、事件识别等任务，深度学习方法上的应用案例。KG必备的入门介绍。