什麼是知識圖譜？

一種用

圖模型

（probabilistic graphic models）來描述知識和建模世界萬物之間的關聯關係的技術方法。由

節點

和

邊

組成

事務關係的可計算模型

知識圖譜的價值

輔助搜尋

輔助問答

輔助大資料分析

輔助語言理解，人機之間的相互理解

這道看似簡單的題，機器卻毫無辦法。“到底誰大誰小？”

5。輔助裝置互聯，機器與機器之間的相互理解

書中一直強調的輔助作用，是不是意味著知識圖譜更像一種錦上添花的工具？

一些知識圖譜專案

wikidata（需要梯子）

如何構建一個規模化的知識圖譜

值得注意的是阿里巴巴有自己的電商知識圖譜，規模達到了百億級別。

知識圖譜的技術流程

知識圖譜採用更加規範而標準的概念模型、本題術語和語法格式來建模和描述資料

透過語義連結來增強資料之間的關係

就像是一張網。

知識圖譜方法論涉及知識表示、知識獲取、知識處理和知識利用多個方面。一般流程為：

首先確定知識表示模型，然後根據資料來源選擇不同的知識獲取手段匯入知識

接著綜合利用知識推理、知識融合、知識挖掘等技術對構建的知識圖譜進行質量提升，

最後根據場景需求設計不同的知知識訪問與呈現方法，如語義搜尋、問答互動、圖譜視覺化分析等。

1。知識來源

有多種來源來獲取知識，除了文字，我們還可以考慮結構化資料庫、多媒體資料、感測器資料和人工眾包。

對於文字資料來源，我們要用到

自然語言處理技術。

對於各種結構化資料庫，

需要將結構化資料定義到本體模型之間的語義對映，再透過編寫語義翻譯工具實現轉化。

2.知識表示

即用計算機符號來表述人類的語言

知識表示的產出目標

知識圖譜分類

3。知識抽取

知識抽取按任務劃分可以分為概念抽取、實體識別、關係抽取、事件抽取和規則抽取等

知識抽取的劃分

書中解釋了遠端監督的思想

遠端監督的思想是，利用一個大型的語義資料庫自動獲取關係型別標籤。這些標籤可能是含有噪聲的，但是大量的訓練資料在一定程度上可以抵消這些噪聲。另外，一些工作透過多工學習等方法將實體和關係做聯合抽取。最新的一些研究則利用強化學習減少人工標註並自動降低噪聲。

如何減少人工標註，是我現階段工作的重點。

4。知識融合

外部資料庫合併到本體知識庫時，需要解決兩個問題

透過模式層（？）的融合，將新的本體融入已有的本體庫中，以及新舊本體的融合

資料層的融合，包括實體的指稱、屬性、關係和所屬類別。

關鍵問題是如何避免例項以及關係的衝突問題，造成不必要的冗餘

資料層的融合主要任務是實體的匹配和對齊

文中提到的本體概念，這邊沒有太理解，需要另找專門的文獻再熟悉熟悉

5。知識圖譜的補全和推理（重頭戲）

補全和推理的各種方法

6。知識檢索和知識分析

包括語義檢索和智慧問答

知識圖譜相關技術

資料庫與資料模型

知識問答

知識推理

基於表示學習的知識圖譜推理研究的主要研究趨勢是，一方面提高表示學習結果對知識圖譜中含有的語義資訊的捕捉能力，目前的研究多集中在連結預測任務上，其他推理任務有待跟進研究；另一方面是利用分散式表示作為橋樑，將知識圖譜與文字、影象等異質資訊結合，實現資訊互補以及更多樣化的綜合推理。

如果說我們人的思維是一個已經存在的知識圖譜，那麼我們在學習知識的時候，基於知識表示的學習方法一定是更快的，相比於基於規則的推理而言，知識來源的渠道更廣泛，更豐富，更能激發“興趣”。

後面還寫到了推薦系統與去中心化，這裡暫且不論。

第一章 完