知识图谱简介

一．知识图谱（knowledge graph）：

1. Definition：

基于图的一种数据结构，使得知识域可视化，显示知识发展进程与结构关系。可视化的图谱形象展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的。

2.三要素： 实体 关系 属性。 由节点（entity、concept）、边（relation）及两者对应的属性（property）构成。

​ a.实体： 基本元素，具有可区别性，独立存在的事物。

​ b.概念： 实体的集合。

​ c.属性： 实体的特征，指向特征值，类似与关系的“类别”。

​ d.关系： 实体间的关联。

二．图谱架构:

1.数据采集：

采集数据集一般可以通过网络爬虫、数据库获取、人工制作数据或者在相应官网上下载处理过的数据，采集的数据一般由三种形态：结构化数据（人工事先整理） 半结构化数据（Web形式显现的内容eg百度百科 XML形式存在） 非结构化数据（图片音频文本等没有任何结构，是知识图谱构建的主要数据来源）

\2. 知识抽取：属性抽取 关系抽取 实体抽取

\3. 知识融合：共指消解 实体消歧

\4. 知识加工：知识推理 知识更新

三．关键技术：

1.知识表示： 计算机语言表示，计算机逻辑符号推理

2.知识存储： 基于数据结构选择合适的存储方案。

3.知识抽取： 从不同数据中抽取特定目标知识，使其能够结构化表示。

4.知识融合： 不同数据来源可能表征同一数据的属性，对其进行融合互补。

5.知识推理： 通过已知知识推断出新知识，进而对图谱纠错完善。

四： 理解

1. 知识图谱的本质：

   Web视角：像建立文本之间的超链接一样，建立数据之间的语义链接，并支持语义搜索。

   自然语言处理（NLP）视角：怎样从文本中抽取语义和结构化数据

   人工智能（AI）视角：怎样利用知识库来辅助理解人的语言

   数据库（DB）视角：用图的方式去存储知识

   知识图谱对于人工智能的价值就在于，让机器具备认知能力。有了知识的人工智能会变得更强大，可以做更多的事情。因为更强大的人工智能，可以帮我们更好地从客观世界中去挖掘、获取和沉淀知识，这些知识和人工智能系统形成正循环，两者共同进步。

2. 知识图谱、大数据、自然语言处理关系：

3. 自然语言处理（NLP)与知识图谱（KG）：

   KG与NLP同属人工智能认知层面的前沿技术，要使机器达到真正的智能，仅仅做到感知层面的识别（如人脸识别、视网膜识别）是不够，还应使它们能根据已有知识和上下文正确推理出新的知识以及联系。知识图谱是在NLP的基础上发展而来，有强大的关联分析和推理能力，更好第实现人机间的交互。

   自然语言理解中分词方法的发展，从传统的基于规则的机械方法、基于统计的分词方法发展到如今基于深度学习的分析方法，神经网络引入为分词规范、歧义切分、未登录识别等诸多分词难题提供解决解决方案；同样知识图谱的构建依赖于大量的知识，而大部分的信息都是非机构化的，利用深度学习技术是解决知识获取的重要手段。

五、案例：

基于知识图谱的问答系统