知识图谱

常见问题

• 知识图谱构建技术有哪些？

  1 、知识抽取
  知识抽取主要是面向开放的链接数据，通常典型的输入是自然语言文本或者多媒体内容文档等。然后通过自动化或者半自动化的技术抽取出可用的知识单元，知识单元主要包括实体、关系以及属性3个知识要素，并以此为基础，形成一系列高质量的事实表达，为上层模式层的构建奠定基础。
  2 、知识表示
  传统的知识表示方法主要是以RDF(Resource Deion Framework资源描述框架)的三元组SPO(subject,predicate,object)来符号性描述实体之间的关系。但是其在计算效率、数据稀疏性等方面面临诸多问题。
  近年来，以深度学习为代表的学习技术取得了重要的进展，可以将实体的语义信息表示为稠密低维实值向量，进而在低维空间中高效计算实体、关系及其之间的复杂语义关联，对知识库的构建、推理、融合以及应用均具有重要的意义。
  3、 知识融合
  通过知识提取，实现了从非结构化和半结构化数据中获取实体、关系以及实体属性信息的目标。但是由于知识来源广泛，存在知识质量良莠不齐、来自不同数据源的知识重复、层次结构缺失等问题，所以必须要进行知识的融合。
  4、知识推理
  知识推理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。在推理的过程中，往往需要关联规则的支持。由于实体、实体属性以及关系的多样性，人们很难穷举所有的推理规则，一些较为复杂的推理规则往往是手动总结的。
  对于推理规则的挖掘，主要还是依赖于实体以及关系间的丰富同现情况。知识推理的对象可以是实体、实体的属性、实体间的关系、本体库中概念的层次结构等。知识推理方法主要可分为基于逻辑的推理与基于图的推理两种类别。

• 知识图谱是什么？

  知识图谱（Knowledge Graph）是人工智能的重要分支技术，它在2012年由谷歌提出，是结构化的语义知识库，用于以符号形式描述物理世界中的概念及其相互关系，其基本组成单位是“实体—关系—实体”三元组，以及实体及其相关属性—值对，实体间通过关系相互联结，构成网状的知识结构。

• 知识图谱怎么做？

  1、知识抽取
  知识图谱的构建是后续应用的基础，而且构建的前提是需要把数据从不同的数据源中抽取出来。对于垂直领域的知识图谱来说，它们的数据源主要来自两种渠道：一种是业务本身的数据，这部分数据通常包含在公司内的数据库表并以结构化的方式存储；另一种是网络上公开、抓取的数据，这些数据通常是以网页的形式存在所以是非结构化的数据。信息抽取的难点在于处理非结构化数据。
  2、知识图谱存储
  知识图谱主要有两种存储方式：一种是基于 RDF 的存储；另一种是基于图数据库的存储。它们之间的区别如下图所示。RDF 一个重要的设计原则是数据的易发布以及共享，图数据库则把重点放在了高效的图查询和搜索上。其次，RDF 以三元组的方式来存储数据而且不包含属性信息，但图数据库一般以属性图为基本的表示形式，所以实体和关系可以包含属性，这就意味着更容易表达现实的业务场景。
  3、知识图谱搭建
  知识图谱最重要的核心在于对业务的理解以及对知识图谱本身的设计，这就类似于对于一个业务系统，数据库表的设计尤其关键，而且这种设计绝对离不开对业务的深入理解以及对未来业务场景变化的预估。

• 知识图谱的典型应用

  1、搜索
  互联网的终极形态是万物互联，而搜索的终极目标是对万物直接进行搜索。传统的搜索是靠网页之间的超链接实现网页的搜索，而语义搜索是直接对事物进行搜索，比如人、物、机构、地点等，这些事物可以来自文本、图片、视频、音频、物联网设备等。知识图谱和语义技术提供了关于这些事物的分类、属性和关系的描述，这样搜索引擎就可以直接对事物进行搜索。比如我们想知道“《觉醒年代》的导演是谁？”，那么在进行搜素时，搜索引擎会把这句话进行分解，获得“《觉醒年代》”，“导演”，再与现有的知识库中的词条进行匹配，最后展现在用面前。传统的搜索模式下，我们进行这样的搜索后得到的通常是包含其中关键词的网页链接，我们还需要在多个网页中进行筛选。可以看出基于知识图谱的搜索更加便捷与准确。
  2、问答
  人与机器通过自然语言进行问答与对话也是人工智能实现的标志之一，知识图谱也广泛应用于人机问答交互中。借助自然语言处理和知识图谱技术，比如基于语义解析、基于图匹配、基于模式学习、基于表示学习和深度学习的知识图谱模型。
  3、辅助大数据分析
  知识图谱也可以用于辅助进行数据分析与决策。不同来源的知识通过知识融合进行集成，通过知识图谱和语义技术增强数据之间的关联，用户可以更直观地对数据进行分析。此外知识图谱也被广泛用于作为先验知识从文本中抽取实体和关系，也被用来辅助实现文本中的实体消歧，指代消解等。

• 知识图谱软件有哪些？

  1、元年智答
  元年智答是一款智能数据分析“助手”，拉近人与数据的距离，轻松对话的形式获取数据可视化图表，在企业内部高效传递数据洞见。提供对话式数据分析、智能数据可视化引擎、企业级数据权限控制、异常监控实时预警、数据变动归因溯源和智能化数据报告功能。
  2、Seed
  Seed 面向个人、团队及企业，提供结构化的知识管理，严谨的权限控制，在这里记录并管理自己的灵感，团队的想法，企业的任务等。
  3、知识图谱Schema
  支持根据搜索产品需求定制遵循Schema规范的XML或JSON-LD模板，从生态参与方接入结构化数据，根据规范处理后特型展现，提升对参与方的导流；支持对提交至知识图谱的数据转换为遵循Schema的实体对象，并进行统一的数据清洗、对齐、融合、关联等知识计算，完成图谱的构建；基于Schema中类间继承、属性类型及约束、关系推理规则，用于知识冲突检测、推断补全等各类推理计算。
  4、AISWare Onta KG 知识图谱工具产品
  AISWare Onta KG 是基于“大数据+AI”的一站式全流程知识计算平台，其能力涵盖知识本体构建、知识抽取与融合、知识推理，知识应用等全栈核心环节。致力于为行业客户提供知识图谱全生命周期构建与应用能力。
  5、一号互联-知识图谱
  深圳市一号互联科技有限公司，复星旗下从事人工智能企业服务行业的AI公司，国内领先人工智能的智能营销客服企业。 国家高新企业，聚焦于企业级的人工智能销售及客服平台研发、应用，助力企业实现降本增效。产品场景涵盖全场景智能客服平台、智能语音客服、智能语音质检、智能坐席助手、文本机器人、知识图谱、呼叫中心、在线客服、企微管家、通信助手SCRM等。AI赋能政府、金融、汽车、互联网、教育、电商等各类机构。

• 知识图谱的构建步骤

  1、以节点为主体目标，实现对不同来源的数据进行映射与合并。（确定节点）
  2、利用属性来表示不同数据源中针对节点的描述，形成对节点的全方位描述。（确定节点属性、标签）
  3、利用关系来描述各类抽象建模成节点的数据之间的关联关系，从而支持关联分析。（图设计）
  4、通过节点链接技术，实现围绕节点的多种类型数据的关联存储。（节点链接）
  5、使用事件机制描述客观世界中动态发展，体现事件与节点间的关联，并利用时序描述事件的发展状况。（动态事件描述）