什么是知識(shí)圖譜

知識(shí)圖譜，是通過(guò)將應(yīng)用數(shù)學(xué)、圖形學(xué)、信息可視化技術(shù)、信息科學(xué)等學(xué)科的理論與方法與計(jì)量學(xué)引文分析、共現(xiàn)分析等方法結(jié)合，并利用可視化的圖譜形象地展示學(xué)科的核心結(jié)構(gòu)、發(fā)展歷史、前沿領(lǐng)域以及整體知識(shí)架構(gòu)達(dá)到多學(xué)科融合目的的現(xiàn)代理論。

基礎(chǔ)知識(shí)-知識(shí)圖譜

知識(shí)圖譜的構(gòu)建形式：

自頂向下：先為知識(shí)圖譜定義好本體與數(shù)據(jù)模式，再將實(shí)體加入到知識(shí)庫(kù)。

自底向上（常用） ：從一些開放鏈接數(shù)據(jù)中提取出實(shí)體，選擇其中置信度較高的加入到知識(shí)庫(kù)，再構(gòu)建頂層的本體模式。

（1）語(yǔ)義信息抽??； （2）多元數(shù)據(jù)集成與驗(yàn)證（知識(shí)融合）； （3）知識(shí)圖譜補(bǔ)全

知識(shí)庫(kù)分類：

開放鏈接知識(shí)庫(kù)：Freebase、Wikidata、DBpedia、YAGO。包含大量半結(jié)構(gòu)化、非結(jié)構(gòu)化數(shù)據(jù)。

垂直行業(yè)知識(shí)庫(kù)（特定領(lǐng)域）：IMDB（影視）、MusicBrainz（音樂(lè)）、ConceptNet（概念）等。

基于規(guī)則與詞典的方法（為目標(biāo)實(shí)體編寫模板，然后進(jìn)行匹配）：編寫大量規(guī)則或模板，覆蓋領(lǐng)域有限，難以適應(yīng)新需求

基于統(tǒng)計(jì)機(jī)器學(xué)習(xí)的方法（機(jī)器學(xué)習(xí)，訓(xùn)練模型，識(shí)別實(shí)體）：監(jiān)督學(xué)習(xí)算法受訓(xùn)練集限制，準(zhǔn)確率和召回率不夠理想

（ 召回率：真陽(yáng)性 / 真陽(yáng)性 + 假陽(yáng)性；準(zhǔn)確率：真陽(yáng)性 + 真陰性 / 真陽(yáng)性 + 假陽(yáng)性 + 真陰性 + 假陰性 ）

面向開放域的抽取方法（面向海量的Web語(yǔ)料）：通過(guò)少量實(shí)體實(shí)例建立特征模型，再通過(guò)它應(yīng)用于新的數(shù)據(jù)集，給新實(shí)體做分類與聚類。（迭代擴(kuò)展）

早期：人工構(gòu)造語(yǔ)義規(guī)則以及模板的方式；

實(shí)體間的關(guān)系模型代替了早期的人工構(gòu)造；

面向開放域的信息抽取框架（OIE）：對(duì)隱含關(guān)系抽取性能低下。

（ 隱含關(guān)系抽?。夯隈R爾科夫邏輯網(wǎng)、基于本體推理的深層隱含關(guān)系抽取方法 ）

可以將實(shí)體屬性的抽取問(wèn)題轉(zhuǎn)換為關(guān)系抽取問(wèn)題

分布式表示 目的在于用 一個(gè)綜合的向量來(lái)表示實(shí)體對(duì)象的語(yǔ)義信息 ，這種形式在知識(shí)圖譜的計(jì)算、 補(bǔ)全 、推理等方面起到重要的作用：

1、語(yǔ)義相似度計(jì)算：實(shí)體間的語(yǔ)義關(guān)聯(lián)程度，為自然語(yǔ)言處理（NLP）等提供了極大的便利

2、

消除異構(gòu)數(shù)據(jù)中實(shí)體沖突、指向不明等不一致性問(wèn)題。

（1）待對(duì)齊數(shù)據(jù)分區(qū)索引；

（2）利用相似度函數(shù)或相似性算法查找匹配實(shí)例；

（3）對(duì)齊算法（成對(duì)實(shí)體對(duì)齊、全局（局部）集合實(shí)體對(duì)齊）進(jìn)行實(shí)例融合。

經(jīng)過(guò)實(shí)體對(duì)齊后得到一系列的基本事實(shí)表達(dá)，然后事實(shí)并不等于知識(shí)，它只是知識(shí)的基本單位。

本體相當(dāng)于知識(shí)庫(kù)的模具，使其具有較強(qiáng)的層次結(jié)構(gòu)和較小的冗余程度。

可分為人工構(gòu)建和數(shù)據(jù)驅(qū)動(dòng)自動(dòng)構(gòu)建。

數(shù)據(jù)驅(qū)動(dòng)的本體自動(dòng)構(gòu)建：

①縱向概念間的并列關(guān)系計(jì)算：計(jì)算兩個(gè)實(shí)體間并列關(guān)系的相似度，辨析他們?cè)谡Z(yǔ)義層面是否屬于同一個(gè)概念。

②實(shí)體上下位關(guān)系抽取。

③本體生成：對(duì)各層次得到的概念進(jìn)行聚類，并為每一類的實(shí)體指定1個(gè)或多個(gè)公共上位詞。

通常是與實(shí)體對(duì)齊任務(wù)一起進(jìn)行：對(duì)知識(shí)可信度進(jìn)行量化，保留置信度較高的，舍棄置信度較低的。

主要包括模式層的更新與數(shù)據(jù)層的更新。

一階謂詞邏輯、描述邏輯以及規(guī)則等

（1）一階謂詞邏輯：以命題為基本，命題包含個(gè)體（實(shí)體）和謂詞（屬性或關(guān)系）。

（2）基于描述邏輯的規(guī)則推理：在（1）的基礎(chǔ)上發(fā)展而來(lái)，目的是在知識(shí)表示能力與推理復(fù)雜度之間追求一種平衡。

（3）通過(guò)本體的概念層次推理。

一些算法主要是 利用了關(guān)系路徑 中的蘊(yùn)涵信息：

通過(guò)圖中兩個(gè)實(shí)體間的多步路徑來(lái)預(yù)測(cè)它們之間的語(yǔ)義關(guān)系，即從源節(jié)點(diǎn)開始，在圖上根據(jù)路徑建模算法進(jìn)行游走，如果能夠到達(dá)目標(biāo)節(jié)點(diǎn)，則推測(cè)源節(jié)點(diǎn)和目標(biāo)節(jié)點(diǎn)間存在聯(lián)系。

（ 關(guān)系路徑的建模研究仍處于初期階段，需要進(jìn)一步探索完成 ）

參考文獻(xiàn)：

[1]徐增林,盛泳潘,賀麗榮,王雅芳.知識(shí)圖譜技術(shù)綜述[J].電子科技大學(xué)學(xué)報(bào),2016,45(04):589-606.

什么是知識(shí)圖譜？有哪些模型？指標(biāo)？規(guī)則？

“圖譜”的時(shí)代

知識(shí)圖譜自從2012年開始發(fā)酵，愈演愈烈，行業(yè)頂端的佼佼者紛紛發(fā)布企業(yè)知識(shí)圖譜應(yīng)用，知識(shí)圖譜能為企業(yè)實(shí)現(xiàn)數(shù)據(jù)價(jià)值。只能說(shuō)，圖技術(shù)快速發(fā)展，業(yè)務(wù)需求不論變化與否，知識(shí)圖譜是不可阻擋的趨勢(shì)。2020年4月20日，國(guó)家發(fā)改委明確人工智能 “新基建” 的內(nèi)涵，體現(xiàn)“重創(chuàng)新、補(bǔ)短板”的特征：助力傳統(tǒng)基礎(chǔ)設(shè)施智能化改造，提高傳統(tǒng)基礎(chǔ)設(shè)計(jì)的運(yùn)行效率。

圖1?中國(guó)知識(shí)圖譜效益增長(zhǎng)規(guī)模——艾瑞咨詢

當(dāng)前的人工智能其實(shí)可以簡(jiǎn)單劃分為感知智能（主要集中在對(duì)于圖片、視頻以及語(yǔ)音的能力的探究）和認(rèn)知智能（ 涉及知識(shí)推理、因果分析等）。

人工智能是新基建的重點(diǎn)領(lǐng)域，而知識(shí)圖譜是認(rèn)知智能的底層支撐。 知識(shí)圖譜具有解釋數(shù)據(jù)、推理和規(guī)劃一系列人類的思考認(rèn)知能力，基于大規(guī)模，關(guān)聯(lián)度高的背景知識(shí)。

? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ————《面向人工智能“新基建”的知識(shí)圖譜行業(yè)白皮書》?

我們每天都在用知識(shí)圖譜

知識(shí)圖譜應(yīng)用于各個(gè)領(lǐng)域，例如：電商（產(chǎn)品推薦）、醫(yī)療（智能診斷）、金融（風(fēng)控）、證券（投研）。知名企業(yè)包括：Google Knowledge Graph、美團(tuán)大腦、阿里巴巴·藏經(jīng)閣計(jì)劃、騰訊云·知識(shí)圖譜 TKG等。

知識(shí)圖譜在人工智能多個(gè)領(lǐng)域發(fā)揮重要作用：語(yǔ)義搜索、智能問(wèn)答、輔助語(yǔ)言理解、輔助大數(shù)據(jù)分析、增強(qiáng)機(jī)器學(xué)習(xí)的可解釋性、結(jié)合圖卷積輔助圖像分類等。同時(shí)，這也意味著技術(shù)難度大幅度增加。

知識(shí)圖譜的價(jià)值

您可能會(huì)以為知識(shí)圖就是捕獲和管理知識(shí)的最終目的。其實(shí)，知識(shí)圖擅長(zhǎng)以自上而下的 關(guān)系連接方式顯式捕獲知識(shí) 。通過(guò)關(guān)系節(jié)點(diǎn)聯(lián)系上下游關(guān)系，清楚的梳理關(guān)系網(wǎng)絡(luò)。如下圖：

圖2?普適智能知識(shí)中臺(tái)

高效直觀地刻畫目標(biāo)主體（如企業(yè)、事件等）之間地關(guān)聯(lián)網(wǎng)絡(luò)，從而全維度地對(duì)企業(yè)進(jìn)行畫像，立體復(fù)現(xiàn)主體的真實(shí)情況和錯(cuò)綜復(fù)雜的關(guān)系。其強(qiáng)大的互聯(lián)組織能力和可視化決策推理支持，為企業(yè)資產(chǎn)提供底層基礎(chǔ)。普適智能一站式“圖智能”應(yīng)用， 擁有打開“百竅”的能力， 具體有以下幾方面的思考：

深度鏈接分析 有機(jī)可尋

拿我們最熟悉的金融領(lǐng)域舉例，知識(shí)圖譜常見(jiàn)的實(shí)體包括公司、產(chǎn)品、人員、相關(guān)事件等，常見(jiàn)的關(guān)系包括股權(quán)關(guān)系、任職關(guān)系、供應(yīng)商關(guān)系、上下游關(guān)系、競(jìng)爭(zhēng)關(guān)系等等。

這樣做的好處就是，通過(guò)知識(shí)圖譜的整合，讓原本復(fù)雜的數(shù)據(jù)形成直觀易懂的可視化圖譜，?在全球經(jīng)濟(jì)一體化的趨勢(shì)下，分析師以及投資機(jī)構(gòu)很可能先人一步觀察到競(jìng)爭(zhēng)格局的改變，為尋找 新客戶、新投資機(jī)會(huì)提供線索。

圖3?企業(yè)上下游關(guān)系網(wǎng)絡(luò)

多維度屬性? 順藤摸瓜

知識(shí)圖譜的另一個(gè)價(jià)值是“可以簡(jiǎn)單地處理多維度數(shù)據(jù)”。 目前在普適智能幫客戶分析超百億的實(shí)體（或節(jié)點(diǎn)）和關(guān)系（或邊緣）。

圖4 某股份制商業(yè)銀行基金產(chǎn)品關(guān)系網(wǎng)絡(luò)截圖

“對(duì)于實(shí)益擁有權(quán)，我們經(jīng)常會(huì)看到擁有六，七層或更多層的擁有權(quán)階層，尤其是在像中國(guó)這樣擁有大型企業(yè)的地方?！?“人們必須意識(shí)到一個(gè)擁有可以處理并查詢至少六到七層（如果沒(méi)有更多層）的拿手工具是解決問(wèn)題的真正核心?！?/p>

每個(gè)公司、個(gè)人、新聞事件都可以是一個(gè)“點(diǎn)”，人工智能引擎可將這些點(diǎn)進(jìn)行聚集，對(duì)其中的相關(guān)性、相似度以及聚集程度進(jìn)行多維度分析， 還原真實(shí)場(chǎng)景 ，才能 “順藤摸瓜”。

圖5 反欺詐圖應(yīng)用

例如知識(shí)圖譜在傳統(tǒng)的風(fēng)險(xiǎn)管理流程中，多通過(guò)對(duì)目標(biāo)主體簡(jiǎn)單維度的特征進(jìn)行嚴(yán)格審核，無(wú)法判斷真實(shí)的關(guān)聯(lián)風(fēng)險(xiǎn)。

挑戰(zhàn)與機(jī)會(huì)

普適智能深耕于金融領(lǐng)域，其細(xì)分業(yè)務(wù)場(chǎng)景包含但不限于：反欺詐、反洗錢、盜刷排查、失聯(lián)催收、外匯異常監(jiān)控、信用審核等，舉個(gè)具體項(xiàng)目中的例子：因圖構(gòu)建本身流程較長(zhǎng)，再加上每個(gè)場(chǎng)景的圖構(gòu)建相對(duì)的獨(dú)立，給數(shù)據(jù)反復(fù)開發(fā)，數(shù)據(jù)不連通創(chuàng)造了必要條件， 繞不過(guò)去的是大量企業(yè)資產(chǎn)成本浪費(fèi)問(wèn)題。

圖6?傳統(tǒng)關(guān)系網(wǎng)絡(luò)應(yīng)用的構(gòu)建模式

在工程落地方面，還存在圖譜建設(shè)周期長(zhǎng)，應(yīng)用構(gòu)建專業(yè)程度高，跨行業(yè)遷移成本高等難題。由此帶來(lái)的挑戰(zhàn)會(huì)體現(xiàn)在—— 產(chǎn)品是否可以開箱即用 。

普適智能中臺(tái)化思路

為了解決以上問(wèn)題，普適智能自主研發(fā)將知識(shí)圖譜構(gòu)建與應(yīng)用平臺(tái)升級(jí)為一站式的“圖智能”中臺(tái)。

圖7?傳統(tǒng)關(guān)系網(wǎng)絡(luò)應(yīng)用的構(gòu)建模式

一套中臺(tái)和工廠模式平臺(tái)的孕育而生，確保各式的場(chǎng)景對(duì)圖不同形態(tài)的需求和保證聯(lián)合查詢需求。“一竅通，百竅通”，一站式“圖智能”中臺(tái)就是“那一竅”，以下：

打通業(yè)務(wù)場(chǎng)景獨(dú)立圖譜構(gòu)建 ，減少反復(fù)開發(fā)周期成本，為傳統(tǒng)應(yīng)用形態(tài)賦能，提升服務(wù)質(zhì)量和效率，簡(jiǎn)單的圖應(yīng)用可以在 1~2天 內(nèi)實(shí)現(xiàn)，復(fù)雜的圖應(yīng)用可以在傳統(tǒng)做法上縮短到 三分之一 ，加速企業(yè)資產(chǎn)的累積；

配合著打通部門數(shù)據(jù) ，解決跨部門合作溝通周期長(zhǎng)、配合難的問(wèn)題；

圖譜交互友好程度高，可視化決策輔助業(yè)務(wù)場(chǎng)景，更易發(fā)現(xiàn) 隱藏的信息 ；

賦能專家行業(yè)專家，將領(lǐng)域?qū)＜业男袠I(yè)經(jīng)驗(yàn)的程序化，留存在平臺(tái)， 企業(yè)知識(shí)資產(chǎn)沉淀。

實(shí)時(shí)可擴(kuò)充 ，彈性十足

知識(shí)圖譜中臺(tái)的價(jià)值還在于靈活可擴(kuò)充，建立實(shí)時(shí)敏捷、靈活可擴(kuò)展、具有彈性的數(shù)據(jù)基礎(chǔ)。 金融知識(shí)圖譜直接反饋金融行業(yè)的剛性需求，由于實(shí)際中，企業(yè)數(shù)據(jù)和業(yè)務(wù)變化靈活，數(shù)據(jù)源、數(shù)據(jù)結(jié)構(gòu)、數(shù)據(jù)內(nèi)容隨時(shí)會(huì)發(fā)生變動(dòng)，對(duì)業(yè)務(wù)的理解以及對(duì)數(shù)據(jù)的解讀也隨之發(fā)生變化。

圖8?多維數(shù)據(jù)擴(kuò)展查詢

如何有效的使用這些數(shù)據(jù)，需要員工具備專業(yè)的金融知識(shí)，深刻理解某個(gè)數(shù)據(jù)變動(dòng)可能引發(fā)的關(guān)聯(lián)、傳導(dǎo)，知識(shí)圖譜將是最得心應(yīng)手的工具。

圖技術(shù)是 知識(shí)圖譜應(yīng)用的最強(qiáng)彈藥

企業(yè)需要能夠快速支持業(yè)務(wù)中迭代式的新模式。普適智能的“圖智能”中臺(tái)具有計(jì)算引擎： 圖計(jì)算模型、圖匹配業(yè)務(wù)數(shù)據(jù)模型等， 助力企業(yè)完成這一目標(biāo)。

圖規(guī)則計(jì)算： (例如：與黑名單客戶共用一個(gè)電話的客戶是可疑欺詐客戶)

圖指標(biāo)計(jì)算： （例如：客戶兩度關(guān)系內(nèi)黑名單客戶的比例）

圖機(jī)器學(xué)習(xí) （以圖作為先驗(yàn)知識(shí)讓特征工程更有效）

社群識(shí)別 ：標(biāo)簽預(yù)測(cè)（黑/潛在VIP客戶預(yù)測(cè)）

圖9?社區(qū)分析

最短路徑 ：優(yōu)化加工路徑，節(jié)約數(shù)據(jù)加工成本。

圖10?路徑查詢

“工欲善其事,必先利其器” 。普適智能一站式“圖智能”應(yīng)用，為描繪物理世界生產(chǎn)生活行為提供 有效的方法和工具 。Gartner：“圖時(shí)代已經(jīng)到來(lái)”，讓我們一起“圖”起來(lái)！

知識(shí)圖譜概念是什么？

知識(shí)圖譜本質(zhì)上是語(yǔ)義網(wǎng)絡(luò)，是一種基于圖的數(shù)據(jù)結(jié)構(gòu)，由節(jié)點(diǎn)（Point）和邊（Edge）組成。

知識(shí)圖譜又稱為科學(xué)知識(shí)圖譜，其本質(zhì)上是語(yǔ)義網(wǎng)絡(luò)，是一種基于圖的數(shù)據(jù)結(jié)構(gòu)，由節(jié)點(diǎn)(Point)和邊(Edge)組成。知識(shí)圖譜通過(guò)將應(yīng)用數(shù)學(xué)、圖形學(xué)、信息可視化技術(shù)、信息科學(xué)等學(xué)科的理論與方法與計(jì)量學(xué)引文分析、共現(xiàn)分析等方法結(jié)合。

構(gòu)建方式

知識(shí)圖譜有自頂向下和自底向上兩種構(gòu)建方式。所謂自頂向下構(gòu)建是借助百科類網(wǎng)站等結(jié)構(gòu)化數(shù)據(jù)源，從高質(zhì)量數(shù)據(jù)中提取本體和模式信息，加入到知識(shí)庫(kù)中；所謂自底向上構(gòu)建，則是借助一定的技術(shù)手段，從公開采集的數(shù)據(jù)中提取出資源模式，選擇其中置信度較高的新模式，經(jīng)人工審核之后，加入到知識(shí)庫(kù)中。

以上內(nèi)容參考：百度百科-知識(shí)圖譜

知識(shí)圖譜概念是什么?

知識(shí)圖譜的概念是：知識(shí)圖譜是自頂向下(top-down)的構(gòu)建方式。自頂向下指的是先為知識(shí)圖譜定義好本體與數(shù)據(jù)模式，再將實(shí)體加入到知識(shí)庫(kù)。

該構(gòu)建方式需要利用一些現(xiàn)有的結(jié)構(gòu)化知識(shí)庫(kù)作為其基礎(chǔ)知識(shí)庫(kù)，例如 Freebase 項(xiàng)目就是采用這種方式，它的絕大部分?jǐn)?shù)據(jù)是從維基百科中得到的。

然而目前，大多數(shù)知識(shí)圖譜都采用自底向上(bottom-up)的構(gòu)建方式。自底向上指的是從一些開放連接數(shù)據(jù)（也就是 “信息”）中提取出實(shí)體，選擇其中置信度較高的加入到知識(shí)庫(kù)，再構(gòu)建實(shí)體與實(shí)體之間的聯(lián)系。

知識(shí)圖譜的體系架構(gòu)是：

知識(shí)圖譜的架構(gòu)主要包括自身的邏輯結(jié)構(gòu)以及體系架構(gòu)。

知識(shí)圖譜在邏輯結(jié)構(gòu)上可分為模式層與數(shù)據(jù)層兩個(gè)層次，數(shù)據(jù)層主要是由一系列的事實(shí)組成，而知識(shí)將以事實(shí)為單位進(jìn)行存儲(chǔ)。

如果用（實(shí)體1，關(guān)系，實(shí)體2）、（實(shí)體、屬性，屬性值）這樣的三元組來(lái)表達(dá)事實(shí)，可選擇圖數(shù)據(jù)庫(kù)作為存儲(chǔ)介質(zhì)，例如開源的 Neo4j、Twitter 的 FlockDB、JanusGraph 等。

模式層構(gòu)建在數(shù)據(jù)層之上，主要是通過(guò)本體庫(kù)來(lái)規(guī)范數(shù)據(jù)層的一系列事實(shí)表達(dá)。本體是結(jié)構(gòu)化知識(shí)庫(kù)的概念模板，通過(guò)本體庫(kù)而形成的知識(shí)庫(kù)不僅層次結(jié)構(gòu)較強(qiáng)，并且冗余程度較小。

大規(guī)模知識(shí)庫(kù)的構(gòu)建與應(yīng)用需要多種智能信息處理技術(shù)的支持。通過(guò)知識(shí)抽取技術(shù)，可以從一些公開的半結(jié)構(gòu)化、非結(jié)構(gòu)化的數(shù)據(jù)中提取出實(shí)體、關(guān)系、屬性等知識(shí)要素。通過(guò)知識(shí)融合，可消除實(shí)體、關(guān)系、屬性等指稱項(xiàng)與事實(shí)對(duì)象之間的歧義，形成高質(zhì)量的知識(shí)庫(kù)。

知識(shí)推理則是在已有的知識(shí)庫(kù)基礎(chǔ)上進(jìn)一步挖掘隱含的知識(shí)，從而豐富、擴(kuò)展知識(shí)庫(kù)。分布式的知識(shí)表示形成的綜合向量對(duì)知識(shí)庫(kù)的構(gòu)建、推理、融合以及應(yīng)用均具有重要的意義。