知识图谱综述（初步了解后的总结整理）

注：首先声明，本篇博客是博主在查询知识图谱的资料的时候，看了数篇知识图谱综述以及阅读了相关资料后的一个总结以及自己的相关理解，仅是为了记录学习的过程。如果有侵权，请第一时间联系博主。博主是一位刚接触知识图谱的小白，初学乍练，希望可以每天进步一点点，同时希望得到众多志同道合的朋友们相互间的交流，和各位大神的指导。可以评论留下联系方式，共同进步。

一、导读

知识图谱的构建技术主要有自顶向下和自底向上两种。其中自顶向下构建是指借助百科类网站等结构化数据源，从高质量数据中提取本体和模式信息，加入到知识库里。而自底向上构建，则是借助一定的技术手段，从公开采集的数据中提取出资源模式，选择其中置信度较高的信息，加入到知识库中。

在知识图谱技术发展初期，多数参与企业和科研机构主要采用自顶向下的方式构建基础知识库，如Freebase。随着自动知识抽取与加工技术的不断成熟，当前的知识图谱大多采用自底向上的方式构建，如Google的Knowledge Vault和微软的Satori知识库。

“The world is not made of strings , but is made of things.”
——辛格博士，from Google.

辛格尔博士对知识图谱的介绍很简短：things，not string。这抓住了知识图谱的核心，也点出了知识图谱加入之后搜索发生的变化，以前的搜索，都是将要搜索的内容看作字符串，结果是和字符串进行匹配，将匹配程度高的排在前面，后面按照匹配度依次显示。利用知识图谱之后，将搜索的内容不再看作字符串，而是看作客观世界的事物，也就是一个个的个体。 搜索比尔盖茨的时候，搜索引擎不是搜索“比尔盖茨”这个字符串，而是搜索比尔盖茨这个人，围绕比尔盖茨这个人，展示与他相关的人和事，左侧百科会把比尔盖茨的主要情况列举出来，右侧显示比尔盖茨的微软产品和与他类似的人，主要是一些IT行业的创始人。一个搜索结果页面就把和比尔盖茨的基本情况和他的主要关系都列出来了，搜索的人很容易找到自己感兴趣的结果。
知识图谱基础知识之一——人人都能理解的知识图谱

机器要想具有认知能力，也需要建立一个知识库，然后运用知识库来做一些事，这个知识库就是我们要说的知识图谱。从这个角度说， 知识图谱是人工智能的一个重要分支，也是机器具有认知能力的基石， 在人工智能领域具有非常重要的地位。

知识图谱的背景

计算智能——>感知智能——>认知智能

知识图谱与认知智能

http://www.360doc.com/content/18/0407/07/43535834_743447787.shtml

二、知识图谱的概念演化

知识图谱(Knowledge Graph， KG)的概念演化可以用下面这幅图来概括:

在1960年，语义网络(Semantic Networks)作为知识表示的一种方法被提出，主要用于自然语言理解领域。它是一种用图来表示知识的结构化方式。在一个语义网络中，信息被表达为一组结点，结点通过一组带标记的有向直线彼此相连，用于表示结点间的关系。如下图所示。简而言之，语义网络可以比较容易地让我们理解语义和语义关系。其表达形式简单直白，符合自然。然而，由于缺少标准，其比较难应用于实践。

1980s出现了本体论(Ontology)，该本体是由哲学概念引入到人工智能领域的，用来刻画知识。

在1989年Time Berners-Lee发明了万维网，实现了文本间的链接。

1998年语义网(THe Semantic Web)被提出，它从超文本链接到语义链接。语义网是一个更官方的名称，也是该领域学者使用得最多的一个术语，同时，也用于指代其相关的技术标准。在万维网诞生之初，网络上的内容只是人类可读，而计算机无法理解和处理。比如，我们浏览一个网页