知识图谱入门（一）理念概览

知识图谱是Google用于增强其搜索引擎功能的知识库。-维基百科
A knowledge graph consists of a set of interconnected typed entities and their attributes.-《Exploiting Linked Data and Knowledge Graphs in Large Organisations》

定义

知识图谱是什么？简单来说，知识图谱是由一条条知识组成，每条知识便是“实体（Entity）-关系（Relationship）-实体（Entity）”构成的三元组。本质上，知识图谱是一种揭示实体之间关系的语义网络，可以对现实世界的事物及其相互关系进行形式化地描述。现在的知识图谱已被用来泛指各种大规模的知识库。

知识图谱并非是一个全新的概念，1998年便提出了语义网（semantic web）的概念，接着得益于web的发展产生大量的数据，以及RDF (resource description framework)模式(RDF schema) 和万维网本体语言(Web ontology language，OWL) 的产生。掀起了一场语义网研究的热潮，知识图谱技术的出现正是基于以上相关研究，是对语义网标准与技术的一次扬弃与升华。

架构

逻辑架构

知识图谱在逻辑上可分为模式层与数据层两个层次

• 数据层：一系列事实组成，存储初始的数据。
  例子：中国位于亚洲
• 模式层：构建在数据层之上，主要是通过本体库来规范数据层的一系列事实表达（本体库可以理解为面向对象里的“类”这样一个概念，本体库就储存着知识图谱的类）。存储经过提炼的知识，通过本体库而形成的知识库不仅层次结构较强，并且冗余程度较小。
  例子：实体-关系-实体

体系架构

知识图谱主要有自顶向下(top-down)与自底向上(bottom-up)两种构建方式。

• 自顶向下指的是先为知识图谱定义好本体与数据模式，再将实体加入到知识库。该构建方式需要利用一些现有的结构化知识库作为其基础知识库，例如Freebase项目就是采用这种方式，它的绝大部分数据是从维基百科中得到的。
• 自底向上指的是从公开采集的数据中提取出实体，选择其中置信度较高的加入到知识库，再构建顶层的本体模式。目前，大多数知识图谱都采用自底向上的方式进行构建。
  

关键技术和研究方向

通过上述两种构建方式构建知识图谱需要用到的关键技术

知识表示

在从数据中获取知识之前，应该知道知识如何表示出来，使得计算机易于理解。知识表示研究怎样用计算机符号来表示人脑中的知识，以及怎样通过符号之间的运算来模拟人脑的推理过程。

知识获取

大规模知识库的构建与应用需要多种智能信息处理技术的支持。通过知识抽取技术，可以从一些公开的半结构化、非结构化的数据中提取出实体、关系、属性等知识要素。

知识融合

通过知识融合，可消除实体、关系、属性等指称项与事实对象之间的歧义，形成高质量的知识库。

知识推理

知识推理则是在已有的知识库基础上进一步挖掘隐含的知识，从而丰富、扩展知识库。分布式的知识表示形成的综合向量对知识 库的构建、推理、融合以及应用均具有重要的意义。

应用

智能搜索

深度问答

社交网络

垂直行业应用

引用

[1] 徐增林, 盛泳潘, 贺丽荣,等. 知识图谱技术综述[J]. 电子科技大学学报, 2016, 45(4):589-606.
[2] Pan J Z, Vetere G, Gomez-Perez J M, et al. Exploiting Linked Data and Knowledge Graphs in Large Organisations[M]. Springer International Publishing, 2017.
[3] 知乎专栏. 为什么需要知识图谱？什么是知识图谱？——KG的前世今生. https://zhuanlan.zhihu.com/p/31726910
[4] 薇拉航线. 知识图谱中的关系推理，究竟是个什么玩意儿. 2017,03. https://www.zuozuovera.com/archives/491/#directory077175446956507751