Knowledge Graph 知识图谱 - xibryan/notes GitHub Wiki

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。知识图谱的基本单位是实体（Entity）-关系（Relationship）-实体（Entity）”构成的三元组。例如社交网络图谱里，我们既可以有“人”的实体，也可以包含“公司”实体。

知识图谱这一概念是2012年由Google提出，但对于相关理论与技术的研究始终是人工智能领域的核心内容之一，是人工智能符号主义近期进展的典型代表。按照定义来讲，知识图谱就是将分散的知识与信息连接起来，通过图示化的方式呈现其中的关系，方便理解记忆。由于图谱的方式更贴近人类大脑的思维方式，故对个人来讲，它可以作为一种信息记录工具也可以辅助思考。

任何一个学科，重要的不是静态的知识本身，而是建立知其然（Framework），知其所以然（Rationale），最后到知未然（Insights）。最重要的便是产生insights，因拥有洞察而知关键所在，所以能预测未来的走向，不人云亦云。

概念

RDF(Resource Description Framework)，即资源描述框架，其本质是一个数据模型（Data Model）。RDF形式上表示为SPO(Subject-Predicate-Object)三元组，有时候也称为一条语句（statement），知识图谱中我们也称其为一条知识。

  1. RDF: 资源（resource）、谓词（predicate）以及陈述（statements）
  1. 资源：能够使用RDF表示的对象称之为资源，包括互联网上的实体、事件和概念等；
  2. 谓词：谓词主要描述资源本身的特征和资源之间的关系；
  3. 陈述：一条陈述包含三个部分，通常称之为RDF三元组（主题：被描述的资源，谓词：可以表示主体的属性，也可以表示主语和宾语之间的关系，宾语：属性值）。
  1. RDFS
  2. OWL

知识图谱构建流程

  • 知识体系构建

  • 知识获取

    • DeepDive：
      • DeepDive (stanford.edu)
      • HazyResearch/deepdive: DeepDive (github.com)

  • 知识融合

  • 知识存储和检索

    • 知识图谱两种主要图数据模型为RDF图和属性图。

    一旦构建了上述知识图谱的数据模型之后，就可以使用知识图谱查询语言进行查询操作。

    1. RDF图对应SPARQL语言
    2. 属性图对应Cypher和Gremlin

  • 知识推理

    • 基于符号的推理
    • 基于OWL本体的推理
      • Jena
    • 基于图的方法（PRA算法）
    • 基于分布式知识语义表示的方法（Trans系列模型）
      • TransE
      • TransR
    • 基于深度学习的推理

  • 知识应用

全家桶：

  • 知识建模： Visio、PPT
  • 知识获取： Kettle、Scrapy、Thunlp、Standford NLP
  • 知识存储： Neo4j、MongoDB、ElasticSearch
  • 知识计算： Drools
  • 知识应用： AIML、D3js

数据存储

目前知识图谱大多是基于图的数据结构，存储方式通常采用RDF格式存储和图数据库（Graph Database），前者例如Google开放的Freebase知识图谱，后者例如开源图数据库Neo4j。

RDF三元组数据库:

  1. Jena
  2. RDF4J
  3. RDF-3X
  4. gStore
  5. Virtuoso
  6. AllegroGraph
  7. GraphDB
  8. BlazeGraph

图数据库：

  1. Neo4j
  2. Nebula
  3. JanusGraph

常见的知识库

  1. Freebase
  2. Wikidata
  3. Yago
  4. DBPedia

知识图谱的应用场景

  1. 推荐系统
  2. 精准营销
  3. 智能问答

参考

  1. 知识图谱怎样入门？
  2. 知识图谱-给AI装个大脑
  3. RDF 和 SPARQL 初探：以维基数据为例
  4. 【知识图谱】知识图谱（一）—— 综述
  5. awesome-knowledge-graph
  6. 知识图谱 - 知乎话题
  7. 知识图谱关键技术与应用案例 (gitbook.cn)