闷骚的知识图谱

最新推荐文章于 2024-10-07 06:31:57 发布

xipingpi0868

最新推荐文章于 2024-10-07 06:31:57 发布

阅读量82

点赞数

文章标签：知识图谱人工智能

本文链接：https://blog.csdn.net/xipingpi0868/article/details/125466017

版权

本文介绍了知识图谱的概念、图论基础、知识表示与学习、推理应用、数据分析在Web3.0中的角色，以及其在大数据和Web3.0时代的实用价值。通过实例阐述了知识图谱如何解决复杂问题，如反诈和链接开放数据的构建。

摘要由CSDN通过智能技术生成

前言

最近我发现许多不了解知识图谱（Knowledge Graph, KG）的人，觉得知识图谱只是一个概念，没有实际的用处。面对这个背景，让我有兴趣以科普的形式回顾一下知识图谱，是否仅仅是个概念，同时也一起学习进步。子曰：温故而知新，可以为师矣。知识图谱不仅仅是个概念，而是一种重要的、特定的图数据分析的方式。

先引用一下写得比较详尽的对相关术语的解释。

语义网（Semantic Web, SW）的核心是：通过给万维网上的文档（如: HTML文档）添加能够被计算机所理解的语义（元数据），从而使整个互联网成为一个通用的信息交换介质。-- 维基百科

《Web3.0:互联网的语义革命》勾勒出了下一次颠覆性大潮的蓝图。有些人称之为Web3.0，另一些人称之为“语义网”。所谓“语义”就是文本的含义。简单来说，语义网（Semantic Web）是一种能理解人类语言的智能网络，它不但能够理解人类的语言，而且还可以使人与电脑之间的交流变得像人类之间交流一样轻松。它是人工智能领域一个极好的应用场景，主张实现Web 上数据级间的互操作，颇具实践性。-- 百度百科

在大数据的背景下，人们意识到了从数据->信息->知识的重要性。要实现这个知识抽取的过程没有知识图谱是不行的。我将从以下几方面介绍一下知识图谱的作用。

1. 图论

抛开语义，仅从数据结构的角度，知识图谱的一大理论支撑是图论。大多数图论中介绍的方法都可以用在知识图谱上。现实世界中很多信息都是以图（Graph）的形式存在的，而图是由节点（Node）和边（Edge）构成。当我们想到跳出平面思维，采用图的思维去分析一些复杂问题时，就会很容易找到问题的解决思路。

现实中图数据很丰富，例如社交网络、人际关系、银行账户关系、供应链、物流配送等都是一种图数据，其中的节点有人物、银行账户、配送点、供应商等，其中的关系有好友、绯闻、情侣、关注、欠款、转账等，当我们以图结构的视角去看待世界，会解决一些复杂问题。例如最近比较流行的“全民反诈”app，帮助人们自强自我保护意识。而图数据的分析可以发现一些欺诈账户，并且发现潜在受害人和账户实控人等。

2. 知识表示

图结构上的节点除了能用于符号主义方式计算之外，也可以采用分布式表示进行并行计算。GPU芯片等擅长tensor的计算，可以进行分布式，并行化的计算。如何把图表示为tensor呢，这其中涉及到图表示学习。图表示学习旨在用低维稠密向量表示图中的节点和关系。相关的研究有图神经网络、图表示学习等。

3. 知识推理

人们希望人工智能代替人类进行推理、决策。通过已知节点和边关系，推理出未知的边（推理出新节点的形式可能比较少见）。传统的关于描述逻辑推理的研究取得了丰富的成果，足见其对人类社会的重要性。此任务在大规模知识图谱、机器学习方法论的背景下通常被称为链接预测，预测与推理这两个术语也体现了不同的时代背景。有时人们也会混用预测=推理，例如人工智能推理芯片等。实际上预测与推理有许多方面的不同，感兴趣的可以搜一下相关的资料。

4. 数据分析

有人分析过当在一个百万节点、上亿条边的图上想要进行多跳查询图数据的时候（例如列出SB软件的朋友的朋友的叔叔），采用关系型数据库需要进行多次join操作，用户需要去楼下跑个五公里回来之后看结果，甚至于无法完成这个查询。而对于某些单机运行的图数据库却能在3秒时间内轻松地完成。这是由于图数据和关系型数据库的内核，以及底层的工作原理不同导致。此外许多图搜索算法，也只能在图数据上运行。