知识图谱应用步骤

什么是知识图谱

知识图谱本质上是语义网络，是一种基于图的数据结构，由节点(Point)和边(Edge)组成。在知识图谱里，每个节点表示现实世界中存在的“实体”，每条边为实体与实体之间的“关系”。知识图谱是关系的最有效的表示方式。通俗地讲，知识图谱就是把所有不同种类的信息（Heterogeneous Information）连接在一起而得到的一个关系网络。知识图谱提供了从“关系”的角度去分析问题的能力。

知识图谱具有很好的可解释性，有很广泛的应用场景，近年来成为互联网公司必争高地。

知识图谱的主要应用领域

1. 搜索引擎优化

搜索引擎和知识图谱那些事

2. 推荐系统

知识图谱与推荐系统（1）
知识图谱与推荐系统（2）
可解释推荐系统

3. 知识推理

所谓推理就是通过各种方法获取新的知识或者结论，这些知识和结论满足语义。其具体任务可分为可满足性(satisfiability)、分类(classification)、实例化(materialization)。
https://blog.csdn.net/pelhans/article/details/80091322

4. 问答系统

5. 反欺诈风控系统

https://www.cnblogs.com/ibook360/p/7249132.html

6. 失联客户管理

思路为通过发现可能的认识关系，和失联客户建立起联系。

7. 假新闻检测

思路为通过知识推理的方法，发现新闻中的假命题。

知识图谱的主要任务

1. 知识的表示与建模

知识具有相对正确性、不确定性、可表示性以及可利用性的特点。根据不同划分标准，知识可以分为不同的类别。例如按照作用范围分类，可分为常识性知识和领域性知识。按作用及表示分类为事实性知识、过程性知识、控制知识。按确定性分类有确定性知识，不确定性知识。按结构及表现形式可分为逻辑性知识和形象性知识。

一阶谓词逻辑、产生式系统、框架表示法、语义网络等方法

在语义网络体系下，RDF（RDFS，OWL等）或者图数据库是主要信息载体
https://blog.csdn.net/pelhans/article/details/80020067

2. 知识抽取

https://blog.csdn.net/pelhans/article/details/80020309
主要采用NLP领域方法，知识抽取方法众多，从监督学习到半监督学习都有，主要任务为：命名实体识别、术语抽取、关系抽取、事件抽取、共指消解。

3. 知识挖掘

https://blog.csdn.net/pelhans/article/details/80020372
知识挖掘是指从数据中获取实体及新的实体链接和新的关联规则等信息。主要的技术包含实体的链接与消歧、知识规则挖掘、知识图谱表示学习等。其中实体链接与消歧为知识的内容挖掘，知识规则挖掘属于结构挖掘，表示学习则是将知识图谱映射到向量空间而后进行挖掘。

4. 知识存储

RDF语义网络：Jena等
图数据库：Neo4j等

5. 知识融合

知识融合，即合并两个知识图谱(本体)，基本的问题都是研究怎样将来自多个来源的关于同一个实体或概念的描述信息融合起来。

在不同文献中，知识融合有不同的叫法，如本体对齐、本体匹配、Record Linkage、Entity Resolution、实体对齐等叫法，但它们的本质工作是一样的。

6. 知识推理

所谓推理就是通过各种方法获取新的知识或者结论，这些知识和结论满足语义。其具体任务可分为可满足性(satisfiability)、分类(classification)、实例化(materialization)。

7. 语义搜索

可用于搜索引擎的优化，各大搜索引擎已经使用知识图谱进行了优化

8. 知识问答

---

此处挖坑，以后完善