从零学习知识图谱——01（知识图谱技术介绍）_通用知识图谱可以形象地看成一个面向通用领域的“结构化百科知识库”,其中包含了

今年研一，导师给的大范围是知识图谱。从零开始学习知识图谱相关知识，内容大多为笔记和心得，仅供参考。欢迎各位大牛来指导。

知识图谱 （Knowledge Graph，KG） 以结构化的形式描述客观世界中概念、 实体及其关系，将互联网的信息表达成更接近人类认知世界的形式，提供了一种更好地组织、 管理和理解互联网海量信息的能力。知识图谱给互联网语义搜索带来了活力， 同时也在智能问答中显示出强大威力，已经成为互联网知识驱动的智能应用的基础设施。知识图谱与大数据和深度学习一起，成为推动互联网和人工智能发展的核心驱动力之一。

知识图谱技术是指知识图谱建立和应用的技术，是融合认知计算、知识表示与推理、信息检索与抽取、自然语言处理与语义 Web、数据挖掘与机器学习等方向的交叉研究。

知识图谱技术分为三个部分 : 知识图谱构建技术、知识图谱查询和推理技术，以及知识图谱应用。

知识图谱在下面应用中已经凸显出越来越重要的应用价值：
1.知识融合：当前互联网大数据具有分布异构的特点，通过知识图谱可以对这些数据资源进行语义标注和链接，建立以知识为中心的资源语义集成服务；
2.语义搜索和推荐：知识图谱可以将用户搜索输入的关键词，映射为知识图谱中客观世界的概念和实体，搜索结果直接显示出满足用户需求的结构化信息内容，而不是互联网网页；
3.问答和对话系统：基于知识的问答系统将知识图谱看成一个大规模知识库，通过理解将用户的问题转化为对知识图谱的查询，直接得到用户关心问题的答案；
4.大数据分析与决策：知识图谱通过语义链接可以帮助理解大数据，获得对大数据的洞察，提供决策支持。

知识图谱构建

1.知识表示与建模

知识表示将现实世界中的各类知识表达成计算机可存储和计算的结构。 机器必须要掌握大量的知识，特别是常识知识才能实现真正类人的智能。从有人工智能的历史开始，就有了知识表示的研究。知识图谱的知识表示以结构化的形式描述客观世界中概念、实体及其系，将互联网的信息表达成更接近人类认知世界的形式，为理解互联网内容提供了基础支撑。

2.知识表示学习

随着以深度学习为代表的表示学习的发展,面向知识图谱中实体和关系的表示学习也取得了重要的进展。 知识表示学习将实体和关系表示为稠密的低维向量,实现了对实体和关系的分布式表示， 可以高效地对实体和关系进行计算、 缓解知识稀疏、有助于实现知识融合，已经成为知识图谱语义链接预测和知识补全的重要方法。由于知识表示学习能够显著提升计算效率，有效缓解数据稀疏，实现异质信息融合， 因此对于知识库的构建、 推理和应用具有重要意义， 值得广受关注、深入研究。

3.实体识别与连接

实体识别与链接是知识图谱构建、知识补全与知识应用的核心技术。实体识别技术可以检测文本中的新实体，并将其加入到现有知识库中。实体链接技术通过发现现有实体在文本中的不同出现， 可以针对性的发现关于特定实体的新知识。实体识别与链接的研究将为计算机类人推理和自然语言理解提供知识基础

4.实体关系学习

实体关系学习就是自动从文本中检测和识别出实体之间具有的某种
语义关系， 也称为关系抽取。 实体关系抽取分类预定义关系抽取和开放关系抽取。预定义关系抽取是指系统所抽取的关系是预先定义好的， 比如知识图谱中定义好的关系类别，如上下位关系、国家—首都关系等。开放式关系抽取。开放式关系抽取不预先定义抽取的关系类别，由系统自动从文本中发现并抽取关系。实体关系识别是知识图谱自动构建和自然语言理解的基础。

5.事件知识学习

知识图谱中的事件知识隐含互联网资源中，包括已有的结构化的语义知识、数据库的结构化信息、半结构化的信息资源以及非结构化资源，不同性质的资源有不同的知识获取方法。

知识图谱查询与推理计算

1.知识存储和查询

知识图谱以图（Graph）的方式来展现实体、事件及其之间的关系。知识图谱存储和查询研究如何设计有效的存储模式支持对大规模图数据的有效管理， 实现对知识图谱中知识高效查询。因为知识图谱的结构是复杂的图结构，给知识图谱的存储和查询带来了挑战。当前目前知识图谱多以三元存在的 RDF 形式进行存储管理，对知识图谱的查询支持 SPARQL 查询。

2.知识推理

知识推理从给定的知识图谱推导出新的实体跟实体之间的关系。 知识图谱推理可以分为基于符号的推理和基于统计的推理。在人工智能的研究中，基于符号的推理一般是基于经典逻辑(一阶谓词逻辑或者命题逻辑)或者经典逻辑的变异(比如说缺省逻辑)。基于符号的推理可以从一个已有的知识图谱推理出新的实体间关系，可用于建立新知识或者对知识图谱进行逻辑的冲突检测。基于统计的方法一般指关系机器学习方法， 即通过统计规律从知识图谱中学习到新的实体间关系。知识推理在知识计算中具有重要作用，如知识分类、知识校验、知识链接预测与知识补全等。

知识图谱应用

1.通用和领域知识图谱

知识图谱分为通用知识图谱与领域知识图谱两类，两类图谱本质相同，其区别主要体现在覆盖范围与使用方式上。 通用知识图谱可以形象地看成一个面向通用领域的结构化的百科知识库，其中包含了大量的现实世界中的常识性知识，覆盖面广。领域知识图谱又叫行业知识图谱或垂直知识图谱，通常面向某一特定领域，可看成是一个基于语义技术的行业知识库，因其基于行业数据构建，有着严格而丰富的数据模式，所以对该领域知识的深度、知识准确性有着更高的要求。

2.语义集成

语义集成的目标就是将不同知识图谱融合为一个统一、 一致、 简洁的形式,为使用不同知识图谱的应用程序间的交互提供语义互操作性。 常用技术方法包括本体匹配(也称为本体 映射)、实例匹配(也称为实体对齐、对象共指消解)以及知识融合等。语义集成是知识图谱研究中的一个核心问题，对于链接数据和知识融合至关重要。语义集成研究对于提升基于知识图谱的信息服务水平和智能化程度，推动语义网以及人工智能、数据库、自然语言处理等相关领域的研究发展，具有重要的理论价值和广泛的应用前景,可以创造巨大的社会和经济效益。

3.语义搜索

知识图谱是对客观世界认识的形式化表示， 将字符串映射为客观事件的事务（实体、事件以及之间的关系） 。当前基于关键词的搜索技术在知识图谱的知识支持下可以上升到基于实体和关系的检索，称之为语义搜索。语义搜索利用知识图谱可以准确地捕捉用户搜索意图，借助于知识图谱，直接给出满足用户搜索意图的答案，而不是包含关键词的相关网页的链接。

4.基于知识的问答

问答系统(Question Answering, QA)是指让计算机自动回答用户所提出的问题， 是信息服务的一种高级形式。 不同于现有的搜索引擎,问答系统返回用户的不再是基于关键词匹配的相关文档排序,而是精准的自然语言形式的答案。问答系统被看做是未来信息服务的颠覆性技术之一， 被认为是机器具备语言理解能力的主要验证手段之一。