关于知识图谱

知识图谱(Knowledge Graph)

什么是知识图谱?

知识图谱这一概念最早由Google公司提出，其最初是为了提高搜索引擎的能力而设计的。知识图谱的定义有很多种，但是最为广泛接受的一种定义是：知识图谱是一种语义网络，什么是语义网络呢？网络由节点和边组成，节点代表实体，可以看作对于真实事物或者是概念的抽象表示，而边通常指代关系，通过边连接实体与实体，或者连接实体和属性，通常可以用来对事物的关系进行抽象的建模，比如社交网络，概念网络等等。
以下为知识图谱的示例：

为什么需要知识图谱?

首先需要知道，知识图谱属于多学科交叉的产物，见下图（图片源于复旦大学肖仰华教授的《知识图谱：概念与应用》一书）：


很多人认为知识图谱就是深度学习，其实二者之间虽然关系联系紧密，但是并不是一个概念，现代深度学习基于深层神经网络(DNN)，目前已经在很多任务上取得了不错的结果，但是深层神经网络存在可解释性差的缺点，而知识图谱技术被认为是有望解决该问题的一项重要技术。同时知识图谱和深度学习之间是相互促进的关系：一方面知识图谱的结果可以为深度学习提供改进；另一方面深度学习性能的提升又可以对知识图谱的建立和维护带来质量提升。
知识图谱的可解释性以及较强的表现和表达能力使得其在很多任务都能有较好的表现，比如智能推荐、故障诊断、关系剖析等。

知识图谱的类型?

知识图谱按照通用性可以分为通用知识图谱和领域知识图谱，其中通用知识图谱指的是能在诸多任务使用的图谱，领域图谱则指具体某一专业领域的知识图谱，比如金融知识图谱。按照构建方式可以分为全自动、半自动、人工为主的知识图谱，按照指示类型分又可以分为概念知识图谱、百科知识图谱、常识知识图谱、词汇知识图谱，按照语言来分又可以分为多语言和单语言知识图谱。

知识图谱需要的技术?

知识图谱不仅仅是通过图数据库进行构建这么简单，还需要应用至不同的下游任务中，从图谱的建立到应用，涉及到的技术有以下方面：
首先如果需要进行互联网数据获取，需要掌握爬虫技术和一些必要的前端技术，而对于文档数据进行批量化处理和抽取，则需要掌握数据科学与数据工程的技术，对图数据库进行操作，需要掌握图数据库、数据库系统原理，而之后的知识融合，数据库维护更新又涉及到机器学习、深度学习技术，对于下游任务，视不同任务还可能需要图论、逻辑学、前后端交互等技术和知识。