[[376661]]

在人類獲取知識的過程中越來越關注事物的本質，借助人工智能以及大數據分析的能力，在其基礎上衍生了各類各樣的智能應用，其中知識圖譜的構建，至關重要。

初識知識圖譜

1.知識圖譜的意義

AI需要從感知智能邁向認知智能，本質上知識是一個基礎，然后基于知識的推理，剛好知識圖譜其實是具備這樣的一個屬性。

2. 知識工程的歷史

3.什么是知識

信息：是指外部的客觀事實，如封面新聞，中國，第一智媒體

知識：是對外部客觀規律的歸納和總結，如封面新聞是中國的第一智媒體。

4.什么是知識圖譜

知識圖譜（Knowledge Graph）本質上是語義網絡，是一種基于圖的數據結構，由節點(Point)和邊(Edge)組成。在知識圖譜里，每個節點表示現實世界中存在的“實體”，每條變為實體與實體之間的“關系”。知識圖譜是關系的最有效的表示方式。

5. 知識圖譜的構成

實體：具有可區別性且獨立存在的某種事物。如某一個人、某一座城市、某一種植物、某一件商品等等。

概念：具有同種特性的實體構成的集合，如國家、民族、書籍、電腦等。

內容：通常作為實體和語義類的名字、描述、解釋等，可以由文本、圖像、音視頻等來表達。

屬性：從一個實體指向它的屬性值。不同的屬性類型對應于不同類型屬性的邊。屬性值主要指對象指定屬性的值。如 “面積”、“人口”、“首都”是幾種不同的屬性。屬性值主要指對象指定屬性的值，例如960萬平方公里等。

關系：關系是連接不同的實體，指代實體之間的聯系。通過關系節點把知識圖譜中的節點連接起來，形成一張大圖。

構建知識圖譜

1.數據類型

知識圖譜的數據類型包含結構化數據（關系數據庫），半結構化數據（如XML、JSON、百科），非結構化數據（如圖片、音頻、視頻、文本）。

2. 邏輯結構

模式層：模式層構建在數據層之上，主要是通過本體庫來規范數據層的一系列事實表達。本體是結構化知識庫的概念模板，通過本體庫而形成的知識庫不僅層次結構較強，并且冗余程度較小。

數據層：數據層主要是由一系列的事實組成，而知識將以事實為單位進行存儲。如果用（實體1，關系，實體2）、（實體、屬性，屬性值）這樣的三元組來表達事實，可選擇圖數據庫作為存儲介質

3. 存儲方式

RDF（資源描述框架）：其本質是一個數據模型（Data Model）。它提供了一個統一的標準，用于描述實體/資源。簡單來說，就是表示事物的一種方法和手段。

RDF由節點和邊組成，節點表示實體/資源、屬性，邊則表示了實體和實體之間的關系以及實體和屬性的關系。

圖數據庫：在知識圖譜方面，圖數據庫比關系數據庫靈活的多。

在數據少的時候，關系數據庫也沒有問題，效率也不低。但是隨著知識圖譜變的復雜，圖數據庫的優勢會明顯增加。當涉及到2,3度的關聯查詢，基于圖數據庫的效率會比關系數據庫的效率高出幾千倍甚至幾百萬倍。

4.技術架構

5.知識圖譜構建過程

知識圖譜應用

1. 信息檢索

語義搜索-答案檢索型

[ 原理 ] 對用戶使用自然語言提出的問題進行語義分析和語法分析，進而將其轉化成結構化形式的查詢語句，然后在知識圖譜中查詢答案

[ 場景 ] 直接找到問題的答案，而非大量的網頁鏈接

關系搜索

[ 場景 ] 快速準確地查詢兩個實體之間的關系

可視化展示

[ 場景 ] 直觀清晰的呈現概念的所有實例

2.智能推薦

推薦系統作為一種信息過濾的重要手段，是當前解決信息超載問題的最有效的方法之一，是面向用戶的互聯網產品的核心技術。

使用推薦服務會遇到2個問題：

使用數據稀疏：在實際場景中，用戶和物品的交互信息往往是非常稀疏的。

冷啟動問題：對于新加入的用戶或者物品，由于系統沒有其歷史交互信息，因此無法進行準確地建模和推薦。

解決上述問題的常用方式就是：在推薦算法中額外引入一些輔助信息

（1）社交網絡（social networks）：一個用戶對某個物品感興趣，他的朋友可能也會對該物品感興趣；

（2）用戶/物品屬性（attributes）：擁有同種屬性的用戶可能會對同一類物品感興趣；

圖像/視頻/音頻/文本等多媒體信息（multimedia）：例如商品圖片、電影預告片、音樂、新聞標題等；

（3）上下文（context）：用戶-物品交互的時間、地點、當前會話信息等。

知識圖譜…

知識圖譜包含了實體之間豐富的語義關聯，為推薦系統提供了潛在的輔助信息來源。知識圖譜在諸多推薦場景中都有應用的潛力，例如電影、新聞、景點、餐館、購物等。

精確性：知識圖譜為物品引入了更多的語義關系，可以深層次地發現用戶興趣；

多樣性：知識圖譜提供了不同的關系連接種類，有利于推薦結果的發散，避免推薦結果局限于單一類型；

可解釋性：知識圖譜可以連接用戶的歷史記錄和推薦結果，從而提高用戶對推薦結果的滿意度和接受度，增強用戶對推薦系統的信任。

3.反欺詐

不一致性驗證：不一致性驗證可以用來判斷一個借款人的欺詐風險

比如借款人張三和借款人李四填寫的是同一個公司電話，但張三填寫的公司和李四填寫的公司完全不一樣，這就成了一個風險點，需要審核人員格外的注意。

再比如，借款人說跟張三是朋友關系，跟李四是父子關系。很顯然，朋友的朋友不是父子關系，所以存在著明顯的不一致性。

4.其他行業應用

公安刑偵:分析實體和實體之間的關系以獲得線索等；

司法輔助:法律條文的結構化表示和查詢來輔助案件的判決等；

電子商務:構建商品知識圖譜來精準地匹配用戶的購買意愿和商品候選集合；

醫療診斷:提供可視化的知識表示，用于藥物分析、疾病診斷等。