知识图谱：浙江大学教授 陈华军

知识图谱 1课时

http://openkg.cn/datasets-type/

知识图谱的价值

知识图谱是有什么用？

1. 语义搜索

2. 问答系统

   • QA问答对
   • 知识图谱：结构化图
     

3. 辅助推荐系统

4. 大数据分析系统

5. 自然语言理解

6. 辅助视觉理解

例子：

知识图谱的技术内涵

login graph
pure graph
format graph

知识图谱技术要素

1. 表示
2. 存储
3. 抽取
4. 融合
5. 推理
6. 问答
7. 分析
8. 其他
   

基于图的知识表示

1. 有向标记图(Directed-Labled Graph)–最简单、最接近自然语言和人脑认知的数据模型
   RDF代表Resource Description Framework(资源描述框架)
   三元组表示： 主题：关系：对象
   

图数据存储与查询

图数据库充分利用图的结构建立微索引,这种微索引比起关系数据库的全局索引
在处理图遍历查询时更加廉价,其查询复杂度与数据集整体大小无关,仅正比于
相邻子图的大小。因此在很多涉及复杂关联和多跳的场景中得到广泛应用

图知识库不是知识图谱的必选方案

知识抽取

完全抽取高质量的知识无法做到，机器抽取+ 人工众包目前是构建知识构建的主流技术路线。

知识图谱融合

多个来源的数据实体或概念隐射到统一的命名空间。

两个层面：

1. 本体概念层面：多个知识图谱中，同个本体的父子类关系融合
2. 实体层面： 同一个人，在不同数据集有不同的名称。

基于表示的方法 是当前实现知识图谱异构融合的主流技术

推理

目标：使用知识图谱中已知的关联关系或事实来推断位置的关系和事实

基于符号的推理方法：
具备可解释性。不易于处理隐含和不确定的知识

基于表示学习的方法：
主要优点：推理i效率高，能处理隐含的知识，但丢失了可解释性

问答

图算法和图神经网络

总结：建立知识图谱的系统工程观

1. 数据-》算法-》工具-》形成系统