知识图谱 梳理
以通俗易懂的方式来讲解知识图谱相关的知识
以通俗易懂的方式来讲解知识图谱相关的知识导读：从一开始的Google搜索，到现在的聊天机器人、大数据风控、证券投资、智能医疗、自适应教育、推荐系统，无一不跟知识图谱相关。
它在技术领域的热度也在逐年上升。
本文以通俗易懂的方式来讲解知识图谱相关的知识、尤其对从零开始搭建知识图谱过程当中需要经历的步骤以及每个阶段需要考虑的问题都给予了比较详细的解释。
对于读者，我们不要求有任何AI相关的背景知识。
1. 概论随着移动互联网的发展，万物互联成为了可能，这种互联所产生的数据也在爆发式地增长，而且这些数据恰好可以作为分析关系的有效原料。
如果说以往的智能分析专注在每一个个体上，在移动互联网时代则除了个体，这种个体之间的关系也必然成为我们需要深入分析的很重要一部分。
在一项任务中，只要有关系分析的需求，知识图谱就“有可能”派的上用场。
2. 什么是知识图谱？知识图谱是由Google公司在2012年提出来的一个新的概念。
从学术的角度，我们可以对知识图谱给一个这样的定义：“知识图谱本质上是语义网络（Semantic Network）的知识库”。
但这有点抽象，所以换个角度，从实际应用的角度出发其实可以简单地把知识图谱理解成多关系图（Multi-relational Graph）。
那什么叫多关系图呢？学过数据结构的都应该知道什么是图（Graph）。
图是由节点（Vertex）和边（Edge）来构成，但这些图通常只包含一种类型的节点和边。
但相反，多关系图一般包含多种类型的节点和多种类型的边。
比如左下图表示一个经典的图结构，右边的图则表示多关系图，因为图里包含了多种类型的节点和边。
这些类型由不同的颜色来标记。
在知识图谱里，我们通常用“实体（Entity）”来表达图里的节点、用“关系（Relation）”来表达图里的“边”。
实体指的是现实世界中的事物比如人、地名、概念、药物、公司等，关系则用来表达不同实体之间的某种联系，比如人-“居住在”-北京、张三和李四是“朋友”、逻辑回归是深度学习的“先导知识”等等。
人工智能之知识图谱
人工智能之知识图谱Research Report of Knowledge Graph目录图表目录 (4)摘要 (6)1.概念篇 (7)1.1.知识图谱概念和分类 (7)1.1.1.知识图谱的概念 (7)1.1.2.知识图谱的分类 (3)1.2.知识工程发展历程 (3)1.3.知识图谱的知识图谱 (6)2.技术人才篇 (10)2.1.知识表示与建模 (11)2.1.1.知识表示模型 (11)2.1.2.知识表示学习 (12)2.1.3.知识表示与建模人才介绍 (12)2.2.知识获取 (19)2.2.1.实体识别与链接 (19)2.2.2.实体关系学习 (20)2.2.3.事件知识学习 (21)2.2.4.知识获取人才介绍 (22)2.3.知识融合 (29)2.3.1.本体匹配 (30)2.3.2.实例匹配 (30)2.3.3.知识融合人才介绍 (30)2.4.知识图谱查询和推理计算 (36)2.4.1.知识推理 (36)2.4.2.知识存储和查询 (37)2.4.3.知识查询与推理人才介绍 (38)2.5.知识应用 (44)2.5.1.典型应用 (44)2.5.2.通用和领域知识图谱 (45)2.5.3.知识应用人才介绍 (46)2.6.高引学者及论文介绍 (51)2.6.1.高引学者介绍 (51)2.6.2.高引论文介绍 (56)2.7.会议奖项介绍 (57)3.应用篇 (67)3.1.通用知识图谱应用 (67)3.2.3.企业商业 (70)3.2.4.创业投资 (71)3.2.5.生物医疗 (72)4.趋势篇 (73)参考文献 (76)附录 (78)图表目录图 1 知识工程发展历程 (3)图 2 Knowledge Graph 知识图谱 (9)图 3 知识图谱细分领域学者选取流程图 (10)图 4 基于离散符号的知识表示与基于连续向量的知识表示 (11)图 5 知识表示与建模领域全球知名学者分布图 (13)图 6 知识表示与建模领域全球知名学者国家分布统计 (13)图7 知识表示与建模领域中国知名学者分布图 (14)图8 知识表示与建模领域各国知名学者迁徙图 (14)图9 知识表示与建模领域全球知名学者h-index 分布图 (15)图10 知识获取领域全球知名学者分布图 (23)图11 知识获取领域全球知名学者分布统计 (23)图12 知识获取领域中国知名学者分布图 (23)图13 知识获取领域各国知名学者迁徙图 (24)图14 知识获取领域全球知名学者h-index 分布图 (24)图15 语义集成的常见流程 (29)图16 知识融合领域全球知名学者分布图 (31)图17 知识融合领域全球知名学者分布统计 (31)图18 知识融合领域中国知名学者分布图 (31)图19 知识融合领域各国知名学者迁徙图 (32)图20 知识融合领域全球知名学者h-index 分布图 (32)图21 知识查询与推理领域全球知名学者分布图 (39)图22 知识查询与推理领域全球知名学者分布统计 (39)图23 知识查询与推理领域中国知名学者分布图 (39)图24 知识表示与推理领域各国知名学者迁徙图 (40)图25 知识查询与推理领域全球知名学者h-index 分布图 (40)图26 知识应用领域全球知名学者分布图 (46)图27 知识应用领域全球知名学者分布统计 (46)图28 知识应用领域中国知名学者分布图 (47)图29 知识应用领域各国知名学者迁徙图 (47)图30 知识应用领域全球知名学者h-index 分布图 (48)图31 行业知识图谱应用 (68)图32 电商图谱Schema (69)图33 大英博物院语义搜索 (70)图34 异常关联挖掘 (70)图35 最终控制人分析 (71)图36 企业社交图谱 (71)图37 智能问答 (72)图38 生物医疗 (72)图39 知识图谱领域近期热度 (75)图40 知识图谱领域全局热度 (75)表1 知识图谱领域顶级学术会议列表 (10)表2 知识图谱引用量前十论文 (56)表3 常识知识库型指示图 (67)摘要知识图谱（Knowledge Graph）是人工智能重要分支知识工程在大数据环境中的成功应用，知识图谱与大数据和深度学习一起，成为推动互联网和人工智能发展的核心驱动力之一。
一文打尽知识图谱（超级干货，建议收藏！）
⼀⽂打尽知识图谱（超级⼲货，建议收藏！）©原创作者 | 朱林01 序⾔知识是⼈类在实践中认识客观世界的结晶。
知识图谱（Knowledge Graph, KG）是知识⼯程的重要分⽀之⼀，它以符号形式结构化地描述了物理世界中的概念及其相互关系。
知识图谱的基本组成形式为<实体,关系,实体>的三元组，实体间通过关系相互联结，构成了复杂的⽹状知识结构。
图1 知识图谱组成复杂的⽹状知识结构知识图谱从萌芽思想的提出到如今已经发展了六⼗多年，衍⽣出了许多独⽴的研究⽅向，并在众多实际⼯程项⽬和⼤型系统中发挥着不可替代的重要作⽤。
如今，知识图谱已经成为认知和⼈⼯智能⽇益流⾏的研究⽅向，受到学术界和⼯业界的⾼度重视。
本⽂对知识图谱的历史、定义、研究⽅向、未来发展、数据集和开源库进⾏了全⾯的梳理总结，值得收藏。
02 简史图2 知识库简史图2展⽰了知识图谱及其相关概念和系统的历史沿⾰，其在逻辑和⼈⼯智能领域经历了漫长的发展历程。
图形化知识表征（Knowledge Representation）的思想最早可以追溯到1956年，由Richens⾸先提出了语义⽹（Semantic Net）的概念。
逻辑符号的知识表⽰形式可以追溯到1959年的通⽤问题求解器（General Problem Solver, GPS）。
20世纪70年代，专家系统⼀度成为研究热点，基于知识推理和问题求解器的MYCIN系统是当时最著名的基于规则的医学诊断专家系统之⼀，该专家系统知识库拥有约600条医学规则。
此后，20世纪80年代早期，知识表征经历了Frame-based Languages、KL-ONE Frame Language的混合发展时期。
⼤约在这个时期结束时的1984年，Cyc项⽬出现了，该项⽬最开始的⽬标是将上百万条知识编码成机器可⽤的形式，⽤以表⽰⼈类常识，为此专门设计了专⽤的知识表⽰语⾔CycL，这种知识表⽰语⾔是基于⼀阶关系的。
知识图谱技术原理介绍
知识图谱技术原理介绍知识图谱技术是一种以图结构表示和存储知识，并通过图分析和推理等方法进行知识挖掘和知识应用的技术。
它通过构建实体、属性和关系之间的关联关系，将各种有关系的知识点连接起来，形成一个具有丰富语义关联的知识网络。
知识图谱技术在信息检索、智能问答、推荐系统等领域有着广泛的应用。
1.知识表示知识图谱的基本单位是实体、属性和关系。
实体可以是具体的事物，如人、地点、组织等，也可以是抽象的概念，如学科、概念等。
属性是实体的特征或属性，如人的年龄、地点的经纬度等。
关系则表示实体与实体之间的关联关系，如人与人之间的亲属关系、地点与地点之间的距离关系等。
知识表示可以采用三元组的方式，即通过主体、谓词和宾语来表示实体、属性和关系之间的关系。
2.知识抽取和融合知识抽取是从结构化和非结构化的数据中提取出实体、属性和关系的过程。
结构化数据指的是已经具有明确字段和关系的数据，如数据库中的表格数据；非结构化数据则指的是没有明确结构和关系的数据，如文本、图片、视频等。
知识抽取可以使用自然语言处理、图像处理等技术，将非结构化数据转化为结构化数据，并通过规则、模型等方法进行实体和关系的抽取。
知识融合是将来自不同源的知识进行整合，消除重复和冲突，形成完整的知识图谱。
3.知识推理和分析知识推理是知识图谱的重要功能之一，它利用已经建立的知识图谱进行逻辑推理和语义推理。
逻辑推理是基于逻辑规则进行的推理，如基于规则推理、基于逻辑公式推理等；语义推理则是基于知识图谱中的语义关系进行的推理，如通过实体之间的关联关系进行推理、通过属性之间的关系进行推理等。
知识推理可以帮助发现知识之间的隐藏关系和规律，从而进行更深层次的知识挖掘和分析。
4.知识应用知识图谱技术的最终目的是为了知识的应用。
知识图谱可以应用于信息检索、智能问答、推荐系统等领域。
在信息检索中，通过利用知识图谱中的语义关系进行语义，可以帮助用户更准确地获取所需的信息。
在智能问答中，通过将用户提问转化为知识图谱的查询，可以实现更智能、更准确的回答。
1.通俗易懂解释知识图谱（KnowledgeGraph）
1.通俗易懂解释知识图谱（KnowledgeGraph）1. 前⾔从⼀开始的Google搜索，到现在的聊天机器⼈、⼤数据风控、证券投资、智能医疗、⾃适应教育、推荐系统，⽆⼀不跟知识图谱相关。
它在技术领域的热度也在逐年上升。
本⽂以通俗易懂的⽅式来讲解知识图谱相关的知识、尤其对从零开始搭建知识图谱过程当中需要经历的步骤以及每个阶段需要考虑的问题都给予了⽐较详细的解释。
知识图谱（ Knowledge Graph）的概念由⾕歌2012年正式提出，旨在实现更智能的搜索引擎，并且于2013年以后开始在学术界和业界普及。
⽬前，随着智能信息服务应⽤的不断发展，知识图谱已被⼴泛应⽤于智能搜索、智能问答、个性化推荐、情报分析、反欺诈等领域。
另外，通过知识图谱能够将Web上的信息、数据以及链接关系聚集为知识，使信息资源更易于计算、理解以及评价，并且形成⼀套Web语义知识库。
知识图谱以其强⼤的语义处理能⼒与开放互联能⼒，可为万维⽹上的知识互联奠定扎实的基础，使Web 3.0提出的“知识之⽹”愿景成为了可能。
2. 知识图谱定义知识图谱：是结构化的语义知识库，⽤于迅速描述物理世界中的概念及其相互关系。
知识图谱通过对错综复杂的⽂档的数据进⾏有效的加⼯、处理、整合，转化为简单、清晰的“实体,关系,实体”的三元组，最后聚合⼤量知识，从⽽实现知识的快速响应和推理。
知识图谱有⾃顶向下和⾃底向上两种构建⽅式。
所谓⾃顶向下构建是借助百科类⽹站等结构化数据源，从⾼质量数据中提取本体和模式信息，加⼊到知识库中；所谓⾃底向上构建，则是借助⼀定的技术⼿段，从公开采集的数据中提取出资源模式，选择其中置信度较⾼的新模式，经⼈⼯审核之后，加⼊到知识库中。
看⼀张简单的知识图谱：如图所⽰，你可以看到，如果两个节点之间存在关系，他们就会被⼀条⽆向边连接在⼀起，那么这个节点，我们就称为实体（Entity），它们之间的这条边，我们就称为关系（Relationship）。
知识图谱技术综述
知识图谱技术综述一、本文概述随着信息技术的飞速发展，大数据和已成为推动社会进步的重要驱动力。
在海量数据中，知识图谱作为一种结构化、语义化的知识表示方法，逐渐成为知识工程、自然语言处理、机器学习和数据挖掘等领域的研究热点。
本文旨在全面综述知识图谱技术的发展历程、现状及其在各领域的应用，探讨知识图谱的构建方法、关键技术和未来发展趋势。
通过对相关文献的梳理和分析，本文将为读者提供一个清晰、系统的知识图谱技术全貌，为相关领域的研究和实践提供有益的参考和启示。
二、知识图谱的构建知识图谱的构建是知识图谱技术的核心环节，其过程涵盖了数据的收集、预处理、实体识别、关系抽取、知识融合以及知识存储等多个步骤。
数据收集：知识图谱的构建首先需要大量的数据作为支撑，这些数据可以来源于公开的数据集，如Freebase、DBpedia等，也可以来源于特定领域的数据资源，如学术论文、新闻报道、社交媒体等。
数据收集阶段需要确定数据来源，并设计合理的数据抓取策略。
数据预处理：收集到的原始数据通常包含大量的噪声和冗余信息，因此需要进行预处理以提高数据质量。
预处理步骤包括数据清洗、文本分词、去除停用词、词干提取等。
还需要对文本数据进行归一化处理，如实体名称的规范化、拼写校正等。
实体识别：实体识别是知识图谱构建中的关键步骤，其目的是从文本数据中识别出具有实际意义的实体，如人名、地名、组织机构名等。
实体识别可以采用基于规则的方法、基于统计的方法或基于深度学习的方法。
实体识别结果的准确性将直接影响后续关系抽取和知识融合的效果。
关系抽取：关系抽取是指从文本数据中抽取出实体之间的关系，形成结构化的知识。
关系抽取的方法可以分为基于规则的方法、基于模板的方法、基于监督学习的方法和基于深度学习的方法等。
其中，基于深度学习的方法近年来取得了显著的进展，尤其是在处理大规模数据集时表现出了良好的性能。
知识融合：知识融合是将从不同来源抽取的知识进行合并和整合的过程。
图谱知识点总结
图谱知识点总结图谱是一种用于展示复杂信息关系的可视化工具，用于帮助人们更好地理解并处理大量数据。
图谱知识点是关于图谱概念、应用和技术的一系列重要内容。
本文将对图谱知识点进行总结，帮助读者更全面地了解图谱的相关知识。
一、图谱概念1. 图谱的定义图谱是一种用于表达实体之间关系的图形化工具，通常用于展示复杂信息网络中的实体和它们之间的关联。
2. 图谱的特点图谱具有以下特点：信息丰富、关系复杂、可视化直观、结构清晰。
3. 图谱的类型根据应用领域和数据类型的不同，图谱可以分为知识图谱、概念图谱、数据图谱等不同类型。
4. 图谱的应用图谱在知识管理、信息检索、数据分析、智能推荐等领域都有广泛的应用。
5. 图谱的优势图谱具有可视化、抽象、语义化等优势，能够帮助人们更好地理解和处理信息。
二、图谱构建与表示1. 图谱数据模型常用的图谱数据模型包括实体-关系模型、属性图模型、事件图模型等。
2. 图谱表示方法常用的图谱表示方法包括邻接表表示、邻接矩阵表示、三元组表示等多种方式。
3. 图谱构建技术图谱构建技术主要包括实体抽取、关系抽取、知识融合等多个方面的技术手段。
4. 图谱可视化技术图谱可视化技术是将图谱数据可视化展示的技术手段，常用的包括节点连线图、力导向图等多种方式。
5. 图谱查询技术图谱查询技术是对图谱数据进行查询和分析的技术手段，包括SPARQL、Cypher等查询语言。
三、知识图谱1. 知识图谱概述知识图谱是一种用于存储和表达知识的图谱，包括了领域知识、实体关系、属性特征等多种信息。
2. 知识图谱构建知识图谱的构建包括数据抽取、知识标注、知识融合等多个环节，通常需要借助自然语言处理和机器学习等技术手段。
3. 知识图谱应用知识图谱可以应用于智能问答、知识检索、推荐系统等多个领域，能够大大提高信息处理的效率和准确性。
4. 知识图谱技术知识图谱技术主要包括知识表示、实体关系抽取、知识推理等多个方面的关键技术。
四、概念图谱1. 概念图谱概述概念图谱是一种用于表达概念及其之间关联的图谱，通常用于语义分析、概念推理等领域。
知识图谱思维导图
知识图谱思维导图
前一段时间研究了下知识图谱，根据一些博客和技术分享，整理出思维导图，以供有需求时回顾。 主要分为三大模块：命名实体识别、实体关系预测以及Neo4J图数据库。 其中，命名实体识别主要包括实体库的构造和新实体的更新；实体关系预测是算法工程师的重点工作内容，包括实体关系获取（训练数据）和实体关系预测（分类等）；Neo4J 则需要掌握增删改查操作等。 具体见下图所示（转载请注明出处和作者，感谢！）：
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
知识图谱架早期知识图谱架构• 知识图谱一般架构:[来源自百科]• 早期知识图谱架构
架构讨论
知识抽取
• 实体概念抽取 • 实体概念映射 • 关系抽取 • 质量评估
A sampler of research problems
• "Apple CEO Steve Jobs said.." => (SteveJobs, CEO, Apple) • "Steve Jobs said that Apple will.." => NIL
• Traditional relation extraction datasets
• ACE 2004 • MUC-7 • Biomedical datasets (e.g BioNLP clallenges)
2. Entity resolution
• Single entity methods • Relational methods
3. Link prediction
• Rule-based methods • Probabilistic models • Factorization methods
Not in this tutorial:
80
Relation Extraction
? playFor
Kobe Bryant
LA Lakers
“Kobe Bryant, “Kobe
“Kobe Bryant
the franchise player of once again saved man of the match for
the Lakers” his team” Los Angeles”
KDD 2014 Tutorial on Constructing and Mining Web-scale Knowledge Graphs, New York, August 24, 2014
82
Supervised relation extraction
• Sentence-level labels of relation mentions
KDD 2014 Tutorial on Constructing and Mining Web-scale Knowledge Graphs, New York, August 24, 2014
• Growth: knowledge graphs are incomplete! • Link prediction: add relations • Ontology matching: connect graphs • Knowledge extraction: extract new entities and relations from web/text
•
Learn classifiers from +/- e: context words + POS, dependency path between
entities, named entity tags, token/parse-path/entity distance
•
Intelligence: can AI emerge from knowledge graphs?
• Automatic reasoning and planning
• Generalization and abstraction
KDD 2014 Tutorial on Constructing and Mining Web-scale Knowledge Graphs, New York, August 24, 2014
9
关系抽取
• 定义: • 常见手段:
– 语义模式匹配[频繁模式抽取,基于密度聚类,基于语义相 似性]
– 层次主题模型[弱监督]
Methods and techniques
1. Relation extraction:
• Supervised models • Semi-supervised models • Distant supervision
• Extracting semantic relations between sets of [grounded] entities
• Numerous variants:
• Undefined vs pre-determined set of relations • Binary vs n-ary relations, facet discovery • Extracting temporal information • Supervision: {fully, un, semi, distant}-supervision • Cues used: only lexical vs full linguistic features
• Validation: knowledge graphs are not always correct! • Entity resolution: merge duplicate entities, split wrongly merged ones
• Error detection: remove false assertions
• Entity classification • Group/expert detection • Ontology alignment • Object ranking
• Embedding models
KDD 2014 Tutorial on Constructing and Mining Web-scale Knowledge Graphs, New York, August 24, 2014
•
Interface: how to make it easier to access knowledge?
• Semantic parsing: interpret the meaning of queries
• Question answering: compute answers using the knowledge graph