先看你用的知识图谱系统支不支持推理引擎吧。你想达到的效果,一般是通过推理引擎实现的。
推理的效果好不好,得看知识系统是如何实现的,知识的覆盖面/广度,知识的精准性,推理引擎的算法如何等等。--从这也能看出,前提还是数据量。再看看图像方面的数据集就明白了,ImageNet、MNIST、COCO、The PASCAL Visual Object Classes Homepage、CIFAR-10 and CIFAR-100 datasets、http://horatio.cs.nyu.edu/mit/tiny/data/、FDDB : Main,这还是近乎语言中立的,就N多个了,而知识图谱呢,不同的语言、不同的领域,这得需要几倍的图像数据集啊,现阶段耳熟能详的又有几个。数据集的数量起来之后,其它的相关算法、论文才会层出不穷吧。有点跑题。。。。
第二个问题的“其他方法”指啥?传统的数据挖掘?知乎上关于数据挖掘的介绍:如何系统地学习数据挖掘? 在编辑推荐的答案中提到了一张有关数据科学的图,眼花了吗,想玩转数据挖掘,不都了解了解能成吗:
数据挖掘在右上方。
而知识图谱呢,本质上就是图,一个图就是N多个三元组:vertex和edge,或者说node和relation,具体而言就这两种:
object--property--property value
object--relation--object
三元组就是最原子的规则。推理引擎用到的也就是这东西。所以,如果你有了这三样东西,只需了解知识的组成和(推理引擎的)查询语言就能推理了,而不用管算法那些底层东西:强大的知识图谱数据集
推理引擎
查询语言
所以,用知识图谱来做数据分析的优点是啥呢?不需要数据科学家,不需要算法专家,只要经过简单的培训(某个领域知识的构成/数据库表,查询语言怎么用/SQL),就能上手把玩了。