什么是知識圖譜

知識圖譜，是通過將應用數學、圖形學、信息可視化技術、信息科學等學科的理論與方法與計量學引文分析、共現(xiàn)分析等方法結合，并利用可視化的圖譜形象地展示學科的核心結構、發(fā)展歷史、前沿領域以及整體知識架構達到多學科融合目的的現(xiàn)代理論。

基礎知識-知識圖譜

知識圖譜的構建形式：

自頂向下：先為知識圖譜定義好本體與數據模式，再將實體加入到知識庫。

自底向上（常用） ：從一些開放鏈接數據中提取出實體，選擇其中置信度較高的加入到知識庫，再構建頂層的本體模式。

（1）語義信息抽??； （2）多元數據集成與驗證（知識融合）； （3）知識圖譜補全

知識庫分類：

開放鏈接知識庫：Freebase、Wikidata、DBpedia、YAGO。包含大量半結構化、非結構化數據。

垂直行業(yè)知識庫（特定領域）：IMDB（影視）、MusicBrainz（音樂）、ConceptNet（概念）等。

基于規(guī)則與詞典的方法（為目標實體編寫模板，然后進行匹配）：編寫大量規(guī)則或模板，覆蓋領域有限，難以適應新需求

基于統(tǒng)計機器學習的方法（機器學習，訓練模型，識別實體）：監(jiān)督學習算法受訓練集限制，準確率和召回率不夠理想

（ 召回率：真陽性 / 真陽性 + 假陽性；準確率：真陽性 + 真陰性 / 真陽性 + 假陽性 + 真陰性 + 假陰性 ）

面向開放域的抽取方法（面向海量的Web語料）：通過少量實體實例建立特征模型，再通過它應用于新的數據集，給新實體做分類與聚類。（迭代擴展）

早期：人工構造語義規(guī)則以及模板的方式；

實體間的關系模型代替了早期的人工構造；

面向開放域的信息抽取框架（OIE）：對隱含關系抽取性能低下。

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

可以將實體屬性的抽取問題轉換為關系抽取問題

分布式表示 目的在于用 一個綜合的向量來表示實體對象的語義信息 ，這種形式在知識圖譜的計算、 補全 、推理等方面起到重要的作用：

1、語義相似度計算：實體間的語義關聯(lián)程度，為自然語言處理（NLP）等提供了極大的便利

2、

消除異構數據中實體沖突、指向不明等不一致性問題。

（1）待對齊數據分區(qū)索引；

（2）利用相似度函數或相似性算法查找匹配實例；

（3）對齊算法（成對實體對齊、全局（局部）集合實體對齊）進行實例融合。

經過實體對齊后得到一系列的基本事實表達，然后事實并不等于知識，它只是知識的基本單位。

本體相當于知識庫的模具，使其具有較強的層次結構和較小的冗余程度。

可分為人工構建和數據驅動自動構建。

數據驅動的本體自動構建：

①縱向概念間的并列關系計算：計算兩個實體間并列關系的相似度，辨析他們在語義層面是否屬于同一個概念。

②實體上下位關系抽取。

③本體生成：對各層次得到的概念進行聚類，并為每一類的實體指定1個或多個公共上位詞。

通常是與實體對齊任務一起進行：對知識可信度進行量化，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據層的更新。

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，命題包含個體（實體）和謂詞（屬性或關系）。

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

（3）通過本體的概念層次推理。

一些算法主要是 利用了關系路徑 中的蘊涵信息：

通過圖中兩個實體間的多步路徑來預測它們之間的語義關系，即從源節(jié)點開始，在圖上根據路徑建模算法進行游走，如果能夠到達目標節(jié)點，則推測源節(jié)點和目標節(jié)點間存在聯(lián)系。

（ 關系路徑的建模研究仍處于初期階段，需要進一步探索完成 ）

參考文獻：

[1]徐增林,盛泳潘,賀麗榮,王雅芳.知識圖譜技術綜述[J].電子科技大學學報,2016,45(04):589-606.

什么是知識圖譜？有哪些模型？指標？規(guī)則？

“圖譜”的時代

知識圖譜自從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)知識圖譜應用，知識圖譜能為企業(yè)實現(xiàn)數據價值。只能說，圖技術快速發(fā)展，業(yè)務需求不論變化與否，知識圖譜是不可阻擋的趨勢。2020年4月20日，國家發(fā)改委明確人工智能 “新基建” 的內涵，體現(xiàn)“重創(chuàng)新、補短板”的特征：助力傳統(tǒng)基礎設施智能化改造，提高傳統(tǒng)基礎設計的運行效率。

圖1?中國知識圖譜效益增長規(guī)?！鹱稍?/p>

當前的人工智能其實可以簡單劃分為感知智能（主要集中在對于圖片、視頻以及語音的能力的探究）和認知智能（ 涉及知識推理、因果分析等）。

人工智能是新基建的重點領域，而知識圖譜是認知智能的底層支撐。 知識圖譜具有解釋數據、推理和規(guī)劃一系列人類的思考認知能力，基于大規(guī)模，關聯(lián)度高的背景知識。

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

我們每天都在用知識圖譜

知識圖譜應用于各個領域，例如：電商（產品推薦）、醫(yī)療（智能診斷）、金融（風控）、證券（投研）。知名企業(yè)包括：Google Knowledge Graph、美團大腦、阿里巴巴·藏經閣計劃、騰訊云·知識圖譜 TKG等。

知識圖譜在人工智能多個領域發(fā)揮重要作用：語義搜索、智能問答、輔助語言理解、輔助大數據分析、增強機器學習的可解釋性、結合圖卷積輔助圖像分類等。同時，這也意味著技術難度大幅度增加。

知識圖譜的價值

您可能會以為知識圖就是捕獲和管理知識的最終目的。其實，知識圖擅長以自上而下的 關系連接方式顯式捕獲知識 。通過關系節(jié)點聯(lián)系上下游關系，清楚的梳理關系網絡。如下圖：

圖2?普適智能知識中臺

高效直觀地刻畫目標主體（如企業(yè)、事件等）之間地關聯(lián)網絡，從而全維度地對企業(yè)進行畫像，立體復現(xiàn)主體的真實情況和錯綜復雜的關系。其強大的互聯(lián)組織能力和可視化決策推理支持，為企業(yè)資產提供底層基礎。普適智能一站式“圖智能”應用， 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 有機可尋

拿我們最熟悉的金融領域舉例，知識圖譜常見的實體包括公司、產品、人員、相關事件等，常見的關系包括股權關系、任職關系、供應商關系、上下游關系、競爭關系等等。

這樣做的好處就是，通過知識圖譜的整合，讓原本復雜的數據形成直觀易懂的可視化圖譜，?在全球經濟一體化的趨勢下，分析師以及投資機構很可能先人一步觀察到競爭格局的改變，為尋找 新客戶、新投資機會提供線索。

圖3?企業(yè)上下游關系網絡

多維度屬性? 順藤摸瓜

知識圖譜的另一個價值是“可以簡單地處理多維度數據”。 目前在普適智能幫客戶分析超百億的實體（或節(jié)點）和關系（或邊緣）。

圖4 某股份制商業(yè)銀行基金產品關系網絡截圖

“對于實益擁有權，我們經常會看到擁有六，七層或更多層的擁有權階層，尤其是在像中國這樣擁有大型企業(yè)的地方。”?“人們必須意識到一個擁有可以處理并查詢至少六到七層（如果沒有更多層）的拿手工具是解決問題的真正核心?！?/p>

每個公司、個人、新聞事件都可以是一個“點”，人工智能引擎可將這些點進行聚集，對其中的相關性、相似度以及聚集程度進行多維度分析， 還原真實場景 ，才能 “順藤摸瓜”。

圖5 反欺詐圖應用

例如知識圖譜在傳統(tǒng)的風險管理流程中，多通過對目標主體簡單維度的特征進行嚴格審核，無法判斷真實的關聯(lián)風險。

挑戰(zhàn)與機會

普適智能深耕于金融領域，其細分業(yè)務場景包含但不限于：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，舉個具體項目中的例子：因圖構建本身流程較長，再加上每個場景的圖構建相對的獨立，給數據反復開發(fā)，數據不連通創(chuàng)造了必要條件， 繞不過去的是大量企業(yè)資產成本浪費問題。

圖6?傳統(tǒng)關系網絡應用的構建模式

在工程落地方面，還存在圖譜建設周期長，應用構建專業(yè)程度高，跨行業(yè)遷移成本高等難題。由此帶來的挑戰(zhàn)會體現(xiàn)在—— 產品是否可以開箱即用 。

普適智能中臺化思路

為了解決以上問題，普適智能自主研發(fā)將知識圖譜構建與應用平臺升級為一站式的“圖智能”中臺。

圖7?傳統(tǒng)關系網絡應用的構建模式

一套中臺和工廠模式平臺的孕育而生，確保各式的場景對圖不同形態(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”中臺就是“那一竅”，以下：

打通業(yè)務場景獨立圖譜構建 ，減少反復開發(fā)周期成本，為傳統(tǒng)應用形態(tài)賦能，提升服務質量和效率，簡單的圖應用可以在 1~2天 內實現(xiàn)，復雜的圖應用可以在傳統(tǒng)做法上縮短到 三分之一 ，加速企業(yè)資產的累積；

配合著打通部門數據 ，解決跨部門合作溝通周期長、配合難的問題；

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

賦能專家行業(yè)專家，將領域專家的行業(yè)經驗的程序化，留存在平臺， 企業(yè)知識資產沉淀。

實時可擴充 ，彈性十足

知識圖譜中臺的價值還在于靈活可擴充，建立實時敏捷、靈活可擴展、具有彈性的數據基礎。 金融知識圖譜直接反饋金融行業(yè)的剛性需求，由于實際中，企業(yè)數據和業(yè)務變化靈活，數據源、數據結構、數據內容隨時會發(fā)生變動，對業(yè)務的理解以及對數據的解讀也隨之發(fā)生變化。

圖8?多維數據擴展查詢

如何有效的使用這些數據，需要員工具備專業(yè)的金融知識，深刻理解某個數據變動可能引發(fā)的關聯(lián)、傳導，知識圖譜將是最得心應手的工具。

圖技術是 知識圖譜應用的最強彈藥

企業(yè)需要能夠快速支持業(yè)務中迭代式的新模式。普適智能的“圖智能”中臺具有計算引擎： 圖計算模型、圖匹配業(yè)務數據模型等， 助力企業(yè)完成這一目標。

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

圖指標計算： （例如：客戶兩度關系內黑名單客戶的比例）

圖機器學習 （以圖作為先驗知識讓特征工程更有效）

社群識別 ：標簽預測（黑/潛在VIP客戶預測）

圖9?社區(qū)分析

最短路徑 ：優(yōu)化加工路徑，節(jié)約數據加工成本。

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”應用，為描繪物理世界生產生活行為提供 有效的方法和工具 。Gartner：“圖時代已經到來”，讓我們一起“圖”起來！

知識圖譜概念是什么？

知識圖譜本質上是語義網絡，是一種基于圖的數據結構，由節(jié)點（Point）和邊（Edge）組成。

知識圖譜又稱為科學知識圖譜，其本質上是語義網絡，是一種基于圖的數據結構，由節(jié)點(Point)和邊(Edge)組成。知識圖譜通過將應用數學、圖形學、信息可視化技術、信息科學等學科的理論與方法與計量學引文分析、共現(xiàn)分析等方法結合。

構建方式

知識圖譜有自頂向下和自底向上兩種構建方式。所謂自頂向下構建是借助百科類網站等結構化數據源，從高質量數據中提取本體和模式信息，加入到知識庫中；所謂自底向上構建，則是借助一定的技術手段，從公開采集的數據中提取出資源模式，選擇其中置信度較高的新模式，經人工審核之后，加入到知識庫中。

以上內容參考：百度百科-知識圖譜

知識圖譜概念是什么?

知識圖譜的概念是：知識圖譜是自頂向下(top-down)的構建方式。自頂向下指的是先為知識圖譜定義好本體與數據模式，再將實體加入到知識庫。

該構建方式需要利用一些現(xiàn)有的結構化知識庫作為其基礎知識庫，例如 Freebase 項目就是采用這種方式，它的絕大部分數據是從維基百科中得到的。

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

知識圖譜的體系架構是：

知識圖譜的架構主要包括自身的邏輯結構以及體系架構。

知識圖譜在邏輯結構上可分為模式層與數據層兩個層次，數據層主要是由一系列的事實組成，而知識將以事實為單位進行存儲。

如果用（實體1，關系，實體2）、（實體、屬性，屬性值）這樣的三元組來表達事實，可選擇圖數據庫作為存儲介質，例如開源的 Neo4j、Twitter 的 FlockDB、JanusGraph 等。

模式層構建在數據層之上，主要是通過本體庫來規(guī)范數據層的一系列事實表達。本體是結構化知識庫的概念模板，通過本體庫而形成的知識庫不僅層次結構較強，并且冗余程度較小。

大規(guī)模知識庫的構建與應用需要多種智能信息處理技術的支持。通過知識抽取技術，可以從一些公開的半結構化、非結構化的數據中提取出實體、關系、屬性等知識要素。通過知識融合，可消除實體、關系、屬性等指稱項與事實對象之間的歧義，形成高質量的知識庫。

知識推理則是在已有的知識庫基礎上進一步挖掘隱含的知識，從而豐富、擴展知識庫。分布式的知識表示形成的綜合向量對知識庫的構建、推理、融合以及應用均具有重要的意義。