对知识图谱的理解报告

一、对知识图谱的整体理解

  知识图谱最初是由谷歌为提供更高智能的搜索引擎而提出的一个概念。知识图谱可以理解成是由一系列具有相关性的知识点相互连接而形成的一种语义网络。基于图的数据结构。知识图谱将现实世界中的实体作为结点，通过结点之间的逻辑关系（或相关属性）作为边相互关联而联结在一起形成一个知识网。其技术实现流程包括知识获取、知识融合、知识存储、查询式的语义理解、知识检索和可视化展现。其功能主要体现在知识组织（去歧性：克服自然语言表现出的歧义性，直接返回用户最想要得到的理想答案）、展示（推荐性：将经过梳理总结的知识展示提供给用户）与搜索（智能性：通过获取用户的相关搜索记录来进行智能推理，预见用户第二次可能提出的问题并给出相应的理想答案）方面。随着移动互联网的高速发展，大数据的到来为知识图谱的发展研究奠定了一定的基础，但同时在大数据环境下知识组织结构松散，也为知识图谱的发展带来一定的阻力。由于用户对知识服务的需求及期望值越来越高，准确有效的定位相关知识成为网络用户的迫切需求，可见知识图谱未来的发展前景十分的广阔。

二、对实现知识图谱的技术的理解

1）知识获取

为了具备较高的解决问题的能力使得提供的知识服务有深度和广度，知识图谱不仅需要包含各个领域的常识性知识，还需要具备能够及时发现并添加新知识的能力。

2）知识融合

由于知识图谱中知识的来源广（杂乱性），故需要对知识彼此间的关系强弱及知识本身的质量进行加工整合优化处理。

3）知识存储

由于知识结点本身的时效性以及结点间的关系变化是一个动态的过程，故需在此基础上构建合适的存储方式，以适应知识图谱动态变化更新的特点。

4）查询式的语义理解

先通过总结归纳出大致的查询方式的类别，再在此基础上分类理解相应的查询式，以便于答案的反馈。

5）知识检索

知识检索有两类核心任务：一类是利用相关性在知识库中找到相应的实体，二类是在第一类的基础上根据实体的类别、关系、及相关性等信息找到关联的实体。

6）可视化展现

即在经过前述流程找到理想答案后，再通过进一步处理把理想答案以更容易接受的方式展示给用户，目的类似于秒懂百科，做到对知识的迅速理解。

三、知识图谱的应用

知识图谱作为发展人工智能的一个基础设施，我们希望能够通过这样的形式将知识存储起来，并由简单的知识学习到更高深的知识。例如知识图谱在搜索引擎中体现的一定的智能推理技术，如下图：

 

如人工加入规则：“父亲+父亲-->祖父”（或者可以从用户互动中等其他途径学习规则），则通过如上知识图谱，机器可以学习推理出康熙和乾隆的关系。

  再如应用到风控中反欺诈的不一致性验证。以知识图谱构建的知识库为基础，与现实世界中当事人对相关实体间关系的描素进行一一对比，当检测到存在不一致的情况，可以发出欺诈预警提醒以防被欺诈。