知识图谱 | 基础篇

  • 1 什么是知识图谱？
    • 1.1 图形角度
    • 1.2 数据角度
    • 1.3 技术角度
  • 2 知识图谱和机器学习的关系？
    • 2.1 部分应用殊途同归
    • 2.2 部分应用相结合
    • 2.3 过程中可以互为补充
  • 3 知识图谱的分类
    • 3.1 通用知识图谱和领域知识图谱
      • 3.1.1 通用知识图谱（GKG）
      • 3.1.2 领域知识图谱（DKG）
      • 3.1.3 两者比较
    • 3.2 数据知识图谱和规范知识图谱
      • 3.2.1 数据知识图谱
      • 3.2.2 规范知识图谱
  • 4 知识图谱的表示
    • 4.1 符号化表示（DKG）
    • 4.2 分布式表示（DR）
    • 4.3 两者比较
  • 5 知识图谱的构建
    • 5.1 通用型知识图谱
    • 5.2 领域知识图谱
  • 6 知识图谱可以干嘛？
  • 7 参考

1 什么是知识图谱？

提及知识图谱，我们不妨从三个角度出发来进行理解：图形角度、数据角度和技术角度。

1.1 图形角度

先来看看下面这张图

上面这个图就是知识图谱的一种表示方式，C罗想必大家不陌生（咳咳，还认识梅西），具体展示了C罗各方面的信息，比如效力球队，获得的奖项等，同时除了展示C罗直接的信息之外，还会展示多层的内容：比如从足球运动员》运动员》人物，这也就使得上述图谱内容变得非常丰富。

1.2 数据角度

从数据的角度又该如何理解呢？还是来看上面这个图，其实它是由下述这种一个一个的三元组所构成：

  • C罗（实体）-效力球队（属性）-皇家马德里（属性值）
  • 足球运动员（实体）-属于（关系）-运动员
  • …

这就是从数据的角度来进行描述知识图谱，即用多个三元组来进行表示。

知识图谱在逻辑上可分为模式层与数据层两个层次。比如上面括号内的内容就是模式层（主要有两种：实体-属性-属性值；实体-关系-实体），也被称为schema，而数据层主要是由一系列的事实组成，是schema的一个实现，即模式层分别的对应！

1.3 技术角度

知识图谱在技术角度来看实际上是一套工程技术，包括知识表示、知识抽取、知识存储、知识推理、知识融合、知识检索等。

说实话，笔者刚接触知识图谱时也觉得内容非常的庞大（当然现在也觉得是），每一个步骤其实都有很多的内容，不仅涉及理论上，还有很多工程层面的实现，所以真正想把知识图谱学好学精还是需要很多时间精力的，共勉之，一起加油~

2 知识图谱和机器学习的关系？

关系即分类区别和联系。

先说区别：主要就是逻辑思想不同。知识图谱的想法是构建三元组，先形成庞大的知识图谱体系，而机器学习则是利用已有的数据进行模型训练，然后再进行下游任务，比如分类，聚类，降维等等

表面来看，知识图谱和机器学习好像并无关联，但实际上还是有一些共通的思想和关联在的。

2.1 部分应用殊途同归

知识图谱一旦构建完毕之后，会进行很多的应用，有一类典型的应用就是【关系补全】，即两个节点之间的关系未知，能否利用已知的图谱关系类型信息进行补全？

熟悉机器学习的同学就会了解，这本质上可以理解为机器学习中的【分类】问题，已知了很多的标签样本（已知的关系类型），预测未知的样本标签（补全关系类型）。

2.2 部分应用相结合

除了一些殊途同归的应用之外，有些应用是可以互相结合的！比如说知识图谱构建完成后，下游任务很重要的一块内容就是：社团划分算法（比louvian、lpa标签传播等），以欺诈用户为例，如何判断根据社团划分得到的用户群体为欺诈用户呢？一种方法就是和机器学习的预测结果相结合！比如根据社团呼划分得到的100个用户，如果机器学习模型预测80人都是坏人，那么是不是就可以说明结果的有效性呢？当然仅仅是举一个例子，提供了一个方向，更多的需要在实践中不断探索，比如这个阈值如何设置更加合理？

2.3 过程中可以互为补充

比如机器学习模型很大的一块内容是特征工程，而一旦特征构建完成之后，是可以补充到知识图谱上的。比如通过特征工程得到张三的信用得分为500分，那么就可以构建如下三元组：【张三】-【信用得分】-【500】，加入到知识图谱中了。

反过来，机器学习模型也可以从知识图谱中抽取相应的特征，为自己的模型所用，而且由于知识图谱涵盖的信息较为全面，对于模型的预测也是非常有帮助~

3 知识图谱的分类

知识图谱的分类主要有两大类方法，

一种是根据知识图谱的适用范围来进行划分，可分为通用知识图谱和领域知识图谱。

一种是根据知识图谱的内容来进行划分的，可分为数据知识图谱和规范知识图谱。

3.1 通用知识图谱和领域知识图谱

3.1.1 通用知识图谱（GKG）

  • 知识概况：以常识性知识为主，强调知识的广度
  • 使用者：使用者为一般用户
  • 构建方式：自底向上构建，很多基于维基百科
  • 典型例子：
    • 常识知识类：FreeBase，DBPedia，Wikidata，ConceptNet
    • 语言知识类：WordNet

3.1.2 领域知识图谱（DKG）

  • 知识概况：面向特定领域的知识，强调知识的深度
  • 使用者：使用者为特定领域人员
  • 构建方式：自顶向下构建，需要领域专业人员或专业资料
  • 典型例子：医疗、金融、法律、生态环境、能源制造、情报。。。

3.1.3 两者比较

联系为：GKG对于DKG有着显著支撑作用。具体见下图：

区别见下：

3.2 数据知识图谱和规范知识图谱

3.2.1 数据知识图谱

  • 传统知识图谱
  • 面向通用领域或特定领域
  • 事实数据之间的关联关系

比如下图：

3.2.2 规范知识图谱

  • 新型知识图谱
  • 面向特定领域
  • 领域概念和规范之间的关联关系
  • 金融审计规范，医学诊疗流程
  • 可与数据知识图谱进行匹配（一致性检查），用于异常检测和预警

比如见下图：

4 知识图谱的表示

知识图谱的表示主要有两种方式，一种是符号化表示，另一种是分布式表示。

4.1 符号化表示（DKG）

比如文章一开始C罗的那个图谱即采用了符号化的表示。同样的例子见下图：

4.2 分布式表示（DR）

知识图谱的分布式表示即通过表示学习后，图谱上每一个节点都可以用指定维度的向量来进行表示。

下图中的h表示头实体，t表示尾实体，r表示关系类型，均用向量化进行表示。（具体的表示学习方法后续还会单独开一篇推文进行介绍，敬请期待~）

4.3 两者比较

5 知识图谱的构建

分为通用型的知识图谱构建和领域知识图谱的构建进行描述。

5.1 通用型知识图谱

一般采用自底向上的构建方法。

大致步骤包括：知识获取、知识存储、知识抽取、知识融合、知识计算和知识应用。

5.2 领域知识图谱

一般采用自上向下的构建方法。

  • 人工构建

    • 需要大量的领域专家，阅读大量的专业材料
    • 需要与计算机专业人士配合，将知识表示为计算机可理解的形式
  • 从结构化数据中自动抽取
    • 从领域相关数据库的表名和字段名中提取
    • 数据库表覆盖范围有限，只有基本概念及其关系
  • 从非结构化数据（文本）中自动抽取
    • 基于规则的方法：需要领域知识，扩展性差，发展变化快
    • 数据驱动的方法：需要大量的标注数据，通常不易获取
  • 需要结合计算机强大的计算能力和领域专业人员的认知能力与经验

6 知识图谱可以干嘛？

知识图谱一旦构建ok后，可以进行很多的下游任务，具体包括但不局限于下面这些内容：

7 参考

  • 知识图谱与机器学习如何结合？:http://www.woshipm.com/ai/4091143.html
  • 通俗易懂解释知识图谱（Knowledge Graph）:https://www.cnblogs.com/huangyc/p/10043749.html

知识图谱 | 基础篇相关推荐

  1. [知识图谱实战篇] 七.HTML+D3实现关系图谱搜索功能

    前面作者讲解了很多知识图谱原理知识,包括知识图谱相关技术.Neo4j绘制关系图谱等,但仍缺少一个系统全面的实例.为了加深自己对知识图谱构建的认识,为后续创建贵州旅游知识图谱打下基础,作者深入学习了张宏 ...

  2. [知识图谱实战篇] 六.HTML+D3实现点击节点显示相关属性及属性值

    前面作者讲解了很多知识图谱原理知识,包括知识图谱相关技术.Neo4j绘制关系图谱等,但仍缺少一个系统全面的实例.为了加深自己对知识图谱构建的认识,为后续创建贵州旅游知识图谱打下基础,作者深入学习了张宏 ...

  3. 知识图谱基础【通俗易懂】

    知识图谱基础(知乎系列博文) 本文从一个例子出发娓娓道来阐述了知识图谱的来源.结构,值得一学,参考链接: https://zhuanlan.zhihu.com/p/31726910 https://z ...

  4. 知识图谱基础知识(一): 概念和构建

    推荐: 知识图谱构建技术一览 知识图谱基础知识之三--知识图谱的构建过程 目录 一.什么是知识图谱 二.知识图谱的分层架构 三.知识图谱构架技术 (一)数据获取(Data Acquisition) ( ...

  5. [知识图谱实战篇] 四.HTML+D3+CSS绘制关系图谱

    前面作者讲解了很多知识图谱原理知识,包括知识图谱相关技术.Neo4j绘制关系图谱等,但仍缺少一个系统全面的实例.为了加深自己对知识图谱构建的认识,为后续创建贵州旅游知识图谱打下基础,作者深入学习了张宏 ...

  6. [知识图谱实战篇] 三.Python提取JSON数据、HTML+D3构建基本可视化布局

    前面作者讲解了很多知识图谱原理知识,包括知识图谱相关技术.Neo4j绘制关系图谱等,但仍缺少一个系统全面的实例.为了加深自己对知识图谱构建的认识,为后续创建贵州旅游知识图谱打下基础,作者深入学习了张宏 ...

  7. [知识图谱实战篇] 二.Json+Seaborn可视化展示电影实体

    前面作者讲解了很多知识图谱原理知识,包括知识图谱相关技术.Neo4j绘制关系图谱等,但仍缺少一个系统全面的实例.为了加深自己对知识图谱构建的认识,为后续创建贵州旅游知识图谱打下基础,作者深入学习了张宏 ...

  8. 知识图谱学习笔记（一）——知识图谱基础

    知识图谱基础 一.知识图谱的基本概念 知识库是一个有向图,包含: 多关系数据(multi-relational data) 节点:实体/概念 边:关系/属性 关系事实=(head, relation, ...

  9. 知识图谱基础知识之四——知识图谱的典型应用

    我们构建知识图谱的目的,在于利用知识图谱来做一些事情.有效利用知识图谱,就是要考虑知识图谱的具备的能力,知识图谱具有哪些能力呢,首先我们知道知识图谱包含了海量的数据,是一个超级知识库,所以我们可以依赖 ...

最新文章

  1. [原]missing #39;;#39; before #39;namesapce#39;错误的解决
  2. htmlparser解析网页内容代码
  3. kettle预览点两下才出数_孩子过生日选“阴历”还是“阳历”？有3点讲究，需斟酌再决定...
  4. html中基本选择器的优先级,CSS_CSS中的各种选择器与样式优先级小结，优先级：由高到低(从上到下)- phpStudy...
  5. 清华物理化学97—13真题，部分是回忆版
  6. 洛谷 P4012 深海机器人问题【费用流】
  7. 【python】59个Python使用技巧，从此你的Python与众不同（二）
  8. mysql tree 和 hash_mysql_B-tree索引和哈希索引
  9. abb变频器580系列改中文_ABB变频器ACS580系列
  10. 如何将百度文库中不能复制的文字复制下来
  11. Vue 源码解析（一）：依赖收集（Observer，Dep与Watcher对象）
  12. 3D体验平台(3DExperience)介绍---达索系统
  13. 渗透测试职业规划-三省吾身
  14. 第2课计算机的发展教学反思,信息技术课教学反思2
  15. 【等保小知识】安全等保是什么意思？是ccrc吗？
  16. 阿ken的HTML、CSS的学习笔记_CSS3选择器（笔记四）
  17. 二、校园招聘面试过程-经验
  18. igxe本地机器人怎么用_IGXE自售机器人第四批申请开启
  19. 安装黑苹果后，使用PD引导Windows7失败 0xc000000e 引导选择失败，因为需要的设备不可访问
  20. 百度地图api自定义修改地图背景样式

热门文章

  1. KNN模型算法研究与案例分析
  2. win10一装MATLAB就蓝屏,安装系统之后win10自动更新就蓝屏
  3. 图论8 并查集深入解析——边带权并查集和拓展域并查集和最小生成树
  4. HDU - 2242 考研路茫茫――空调教室(树形DP＋强连通分量)
  5. html %3ca%3e可以传参吗,跨站脚本执行漏洞详解-恶魔上传
  6. Spring框架之Spring Boot框架搭建详解｜CSDN创作打卡
  7. 使用POI批量导出Excel文件(SSM)
  8. $(...)[0].contentWindow.xxx is not a function
  9. 来淘派，跳入Web 3.0的“兔子洞”
  10. python 类型判断 str,33-python中判断类型