本系列是学习七月算法知识图谱课程的笔记。感觉自己完全就是一个托儿。前面七月算法机器学习，七月算法深度学习的笔记。现在又来了知识图谱课程的笔记。

1 why知识图谱

没有知识图谱，计算机看到一个文字的时候只能是一个文字。例如看到“Magdalena Carmen Frida Kahlo y Calderón”，不能知道其中文名称、简称、相关作品。

我们想要达到目标：things not strings

如果做到呢？深度学习+目前的知识图谱。

见过大世面的AI：需要大量数据，不可解释
知识渊博的AI：需要结构知识、推理逻辑，少量数据，可解释
相结合之后：就是真实的AI
可以用：学而不思则罔，思而不学则殆 来理解。
好的知识图谱需要具备学习能力和思考能力。

目前人们对于how why的需求越来越多，希望用知识图谱来解决。

2 知识图谱前世今生

• 语义网络

1960年的语义网络：是一些概念节点和节点之间的链接关系。更多的是is-a part-of这种关系。
缺点：没有标准，就不利于多个网络的融合。没有办法多节点和边做定义。
优点：简单，可以理解。

• 1980年引入本体概念

本体表示可以形式化化的：可以被计算机理解；是精确的：是共享的

• 1989年万维网

万维网最代表的技术是超文本标记语言。将文本、文档互联。

• 语义网

网页之间有链接，但不知道为什么链接
做到机器可理解
对象、数据、事物的相互链接
比较对象：之前是比较两个网页（描述商品信息的网页），有了语义网比较的是对象之间的属性值。常见的两种型号笔记本比较、两种型号的车比较。

• 2006年开放数据连接

开放数据之间的链接：更多的数据做关联

• 2012年google提出知识图谱

google提出知识图谱概念：是传统知识工程与大数据知识工程之间的分界线
传统知识工程：符号主义，本质是符号的操作和运算。解决了一些规则明确，应用封闭的问题。例如蛋白质结构的发现，数学定理的证明。依靠人工与专家获取结构化知识。
大数据知识工程：利用数据、算力、模型获取结构化的知识。

什么是知识图谱：知识图谱是一种基于图的数据结构。由点和边组成。每个节点表示一个实体，每条边表示一个关系。

知识有哪些类型：事实知识、概念知识、词汇知识、常识知识。

需要知道的开源知识图谱：
1 DBpedia 项⽬始于 2007 年，是⼀个多语⾔知识图谱，致⼒于从 Wikipedia ⻚⾯中获取结构化的知识供⼤众使⽤，可称作为数据库版本的Wikipedia。

2 CN-DBpedia是由复旦⼤学知识⼯场实验室（http://kw.fudan.edu.cn/ ）研发并维护的⼤规模通⽤领域结构化百科，其前身是复旦GDM中⽂知识图谱 。

3 YAGO

4 CN-Probase是由复旦⼤学知识⼯场实验室研发并维护的⼤规模中⽂概念图谱，包含约1700万实体、27万概念和3300万isa关系。

5 WordNet

6 Cyc 常识知识库

7 ConceptNet 始于 2004 年，最早源于 MIT 媒体实验室，是⼀个⼤型的多语⾔常识知识库。

8 openkg.cn

3 知识图谱相关技术

1 业务理解
有哪些业务数据？
需要人工标注吗？成本多大？
需要专家接入吗？有专家吗？
根据业务数据特性选择存储的数据库
工程完成后，能给具体的场景带来实际好处吗？
回答：做不做？为什么做的问题

2 图谱设计
专家法：自上而下，总体规划
归纳法：单点切入，自下而上
混合法：大的方向上用专家法，小的场景下用归纳法
还可以用参照法，在缺乏知识图谱经验的情况下。 UMLS一体化医学语言系统，可以参考其相关关系的分类体系

3 知识抽取

4 知识表示
RDF/turtle：抽象能力弱，一些知识是需要附加时空条件的，不能表达

5 知识存储
https://zhuanlan.zhihu.com/p/63378196
6 知识链接
有了基础的知识图谱，想要加入更多的链接
同一个实体有不同的mention。
不同实体有相同的mention
7 知识融合

4 知识图谱应用案例

1 用于推荐

2 自动生成创意文案

3 智能搜索

4 智能问答

5 智能决策