知识图谱方法、实践与应用
第一章 知识图谱概述
- 知识图谱是人工智能的一个分支，对可解释人工智能具有重要的作用。
- 理论：知识图谱的各种表示方法，以及知识图谱的推理方法。
- 技术：知识图谱的存储和查询技术、挖掘构建、知识融合技术，以及基于知识图谱的语义搜索和智能问答技术。
- 知识图谱：一种用图模型来描述知识和建模世界万物之间关联关系的技术方法。知识图谱是由节点和边组成，节点可以是实体，也可以是抽象概念，边可以是实体的属性（实体之间的关系）。
- 知识图谱旨在从数据中识别、发现和推断事物与概念之间的复杂关系，是事物关系的可计算模型。
- 知识图谱：构建＋应用
- 构建：知识建模、关系抽取、图存储、关系推理、实体融合等
- 应用：语义搜索、智能问答、语言理解、决策分析等领域
- 知识图谱帮助构建有学识的人工智能
- 规模化的知识图谱系统工程
- 知识图谱的一般技术流程：
确定知识表示模型 —>根据数据来源选择不同的知识获取手段导入知识—–>综合利用知识推理、知识融合、知识挖掘等技术对构建知识图谱进行质量提升—–>根据不同的场景需求设计不同的知识访问与呈现方法（语义搜索、问答交互、图谱可视化分析等）
12.知识来源：文本、结构化数据库、多媒体数据、传感器数据和人工众包等中提取知识，文本数据库：综合实体识别、实体链接、关系抽取、事件抽取等来实现文本的抽取；结构化数据库：结构化数据定义到本体模型之间的语义映射，再通过编写语义翻译工具实现结构化数据到知识图谱的转化，此外，还需要实体消歧、数据融合、知识链接等技术，提升数据的规范化水平，增强数据间的关联。
13.知识表示：用计算机符号描述和表示人脑中的知识。知识类型：词、实体、关系、事件、术语体系、规则等。
-
知识抽取：分为概念抽取、实体识别、关系抽取、事件抽取和规则抽取等。传统专家系统靠专家手工录入；现代知识图谱的构建靠已有的结构化数据资源进行转化，形成基础的数据集，再通过知识图谱补全、自动化知识抽取技术，从多种来源扩展知识图谱。
-
知识融合：多个知识图谱的融合，只要是实体对齐，其任务是实体消歧和共指消解。即判断知识库中的同名实体是否代表不同的含义。
-
知识图谱的补全与推理：基于本体推理的补全方法，基于图结构和关系路径特征的方法，表示学习和知识的图谱嵌入的连接预测（翻译模型、组合模型、神经元模型）
-
知识图谱的相关技术 （数据库系统、智能问答、机器推理、推荐系统、区块链去中心化的知识图谱）
Original: https://blog.csdn.net/qq_37048504/article/details/114269908
Author: qq_37048504
Title: 第一章 知识图谱概述 —-知识图谱方法、实践与应用 王昊奋
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/556703/
转载文章受原作者版权保护。转载请注明原作者出处！