这是一份通俗易懂的知识图谱技术与应用指南（转）
從一開始的Google搜索，到現(xiàn)在的聊天機(jī)器人、大數(shù)據(jù)風(fēng)控、證券投資、智能醫(yī)療、自適應(yīng)教育、推薦系統(tǒng)，無一不跟知識(shí)圖譜相關(guān)。它在技術(shù)領(lǐng)域的熱度也在逐年上升。 本文以通俗易懂的方式來講解知識(shí)圖譜相關(guān)的知識(shí)、尤其對(duì)從零開始搭建知識(shí)圖譜過程當(dāng)中需要經(jīng)歷的步驟以及每個(gè)階段需要考慮的問題都給予了比較詳細(xì)的解釋。 對(duì)于讀者，我們不要求有任何AI相關(guān)的背景知識(shí)。
目錄：
概論
什么是知識(shí)圖譜
知識(shí)圖譜的表示
知識(shí)抽取
知識(shí)圖譜的存儲(chǔ)
金融知識(shí)圖譜的搭建
定義具體的業(yè)務(wù)問題
數(shù)據(jù)收集 & 預(yù)處理
知識(shí)圖譜的設(shè)計(jì)
把數(shù)據(jù)存入知識(shí)圖譜
上層應(yīng)用的開發(fā)
知識(shí)圖譜在其他行業(yè)中的應(yīng)用
實(shí)踐上的幾點(diǎn)建議
結(jié)語
1. 概論
隨著移動(dòng)互聯(lián)網(wǎng)的發(fā)展，萬物互聯(lián)成為了可能，這種互聯(lián)所產(chǎn)生的數(shù)據(jù)也在爆發(fā)式地增長，而且這些數(shù)據(jù)恰好可以作為分析關(guān)系的有效原料。如果說以往的智能分析專注在每一個(gè)個(gè)體上，在移動(dòng)互聯(lián)網(wǎng)時(shí)代則除了個(gè)體，這種個(gè)體之間的關(guān)系也必然成為我們需要深入分析的很重要一部分。 在一項(xiàng)任務(wù)中，只要有關(guān)系分析的需求，知識(shí)圖譜就“有可能”派的上用場。
2. 什么是知識(shí)圖譜？
知識(shí)圖譜是由Google公司在2012年提出來的一個(gè)新的概念。從學(xué)術(shù)的角度，我們可以對(duì)知識(shí)圖譜給一個(gè)這樣的定義：“知識(shí)圖譜本質(zhì)上是語義網(wǎng)絡(luò)（Semantic Network）的知識(shí)庫”。但這有點(diǎn)抽象，所以換個(gè)角度，從實(shí)際應(yīng)用的角度出發(fā)其實(shí)可以簡單地把知識(shí)圖譜理解成多關(guān)系圖（Multi-relational Graph）。?
那什么叫多關(guān)系圖呢？ 學(xué)過數(shù)據(jù)結(jié)構(gòu)的都應(yīng)該知道什么是圖（Graph）。
圖是由節(jié)點(diǎn)（Vertex）和邊（Edge）來構(gòu)成，但這些圖通常只包含一種類型的節(jié)點(diǎn)和邊。但相反，多關(guān)系圖一般包含多種類型的節(jié)點(diǎn)和多種類型的邊。比如左下圖表示一個(gè)經(jīng)典的圖結(jié)構(gòu)，右邊的圖則表示多關(guān)系圖，因?yàn)閳D里包含了多種類型的節(jié)點(diǎn)和邊。這些類型由不同的顏色來標(biāo)記。
在知識(shí)圖譜里，我們通常用“實(shí)體（Entity）”來表達(dá)圖里的節(jié)點(diǎn)、
用“關(guān)系（Relation）”來表達(dá)圖里的“邊”。實(shí)體指的是現(xiàn)實(shí)世界中的事物比如人、地名、概念、藥物、公司等，關(guān)系則用來表達(dá)不同實(shí)體之間的某種聯(lián)系，比如人-“居住在”-北京、張三和李四是“朋友”、邏輯回歸是深度學(xué)習(xí)的“先導(dǎo)知識(shí)”等等。
現(xiàn)實(shí)世界中的很多場景非常適合用知識(shí)圖譜來表達(dá)。 比如一個(gè)社交網(wǎng)絡(luò)圖譜里，我們既可以有“人”的實(shí)體，也可以包含“公司”實(shí)體。人和人之間的關(guān)系可以是“朋友”，也可以是“同事”關(guān)系。人和公司之間的關(guān)系可以是“現(xiàn)任職”或者“曾任職”的關(guān)系。 類似的，一個(gè)風(fēng)控知識(shí)圖譜可以包含“電話”、“公司”的實(shí)體，電話和電話之間的關(guān)系可以是“通話”關(guān)系，而且每個(gè)公司它也會(huì)有固定的電話。?
3.?知識(shí)圖譜的表示
知識(shí)圖譜應(yīng)用的前提是已經(jīng)構(gòu)建好了知識(shí)圖譜，也可以把它認(rèn)為是一個(gè)知識(shí)庫。這也是為什么它可以用來回答一些搜索相關(guān)問題的原因，比如在Google搜索引擎里輸入“Who is the wife of Bill Gates?”，我們直接可以得到答案-“Melinda Gates”。這是因?yàn)槲覀冊(cè)谙到y(tǒng)層面上已經(jīng)創(chuàng)建好了一個(gè)包含“Bill Gates”和“Melinda Gates”的實(shí)體以及他倆之間關(guān)系的知識(shí)庫。所以，當(dāng)我們執(zhí)行搜索的時(shí)候，就可以通過關(guān)鍵詞提取（"Bill Gates", "Melinda Gates", "wife"）以及知識(shí)庫上的匹配可以直接獲得最終的答案。這種搜索方式跟傳統(tǒng)的搜索引擎是不一樣的，一個(gè)傳統(tǒng)的搜索引擎它返回的是網(wǎng)頁、而不是最終的答案，所以就多了一層用戶自己篩選并過濾信息的過程。 ?
在現(xiàn)實(shí)世界中，實(shí)體和關(guān)系也會(huì)擁有各自的屬性，比如人可以有“姓名”和“年齡”。當(dāng)一個(gè)知識(shí)圖譜擁有屬性時(shí)，我們可以用屬性圖（Property Graph）來表示。下面的圖表示一個(gè)簡單的屬性圖。李明和李飛是父子關(guān)系，并且李明擁有一個(gè)138開頭的電話號(hào)，這個(gè)電話號(hào)開通時(shí)間是2018年，其中2018年就可以作為關(guān)系的屬性。類似的，李明本人也帶有一些屬性值比如年齡為25歲、職位是總經(jīng)理等。?
這種屬性圖的表達(dá)很貼近現(xiàn)實(shí)生活中的場景，也可以很好地描述業(yè)務(wù)中所包含的邏輯。除了屬性圖，知識(shí)圖譜也可以用RDF來表示，它是由很多的三元組（Triples）來組成。RDF在設(shè)計(jì)上的主要特點(diǎn)是易于發(fā)布和分享數(shù)據(jù)，但不支持實(shí)體或關(guān)系擁有屬性，如果非要加上屬性，則在設(shè)計(jì)上需要做一些修改。目前來看，RDF主要還是用于學(xué)術(shù)的場景，在工業(yè)界我們更多的還是采用圖數(shù)據(jù)庫（比如用來存儲(chǔ)屬性圖）的方式。感興趣的讀者可以參考RDF的相關(guān)文獻(xiàn)，在文本里不多做解釋。
4. 知識(shí)抽取
知識(shí)圖譜的構(gòu)建是后續(xù)應(yīng)用的基礎(chǔ)，而且構(gòu)建的前提是需要把數(shù)據(jù)從不同的數(shù)據(jù)源中抽取出來。對(duì)于垂直領(lǐng)域的知識(shí)圖譜來說，它們的數(shù)據(jù)源主要來自兩種渠道：
一種是業(yè)務(wù)本身的數(shù)據(jù)，這部分?jǐn)?shù)據(jù)通常包含在公司內(nèi)的數(shù)據(jù)庫表并以結(jié)構(gòu)化的方式存儲(chǔ)；
另一種是網(wǎng)絡(luò)上公開、抓取的數(shù)據(jù)，這些數(shù)據(jù)通常是以網(wǎng)頁的形式存在所以是非結(jié)構(gòu)化的數(shù)據(jù)。
前者一般只需要簡單預(yù)處理即可以作為后續(xù)AI系統(tǒng)的輸入，但后者一般需要借助于自然語言處理等技術(shù)來提取出結(jié)構(gòu)化信息。比如在上面的搜索例子里，Bill Gates和Malinda Gate的關(guān)系就可以從非結(jié)構(gòu)化數(shù)據(jù)中提煉出來，比如維基百科等數(shù)據(jù)源。
信息抽取的難點(diǎn)在于處理非結(jié)構(gòu)化數(shù)據(jù)。在下面的圖中，我們給出了一個(gè)實(shí)例。左邊是一段非結(jié)構(gòu)化的英文文本，右邊是從這些文本中抽取出來的實(shí)體和關(guān)系。在構(gòu)建類似的圖譜過程當(dāng)中，主要涉及以下幾個(gè)方面的自然語言處理技術(shù)： ?
a. 實(shí)體命名識(shí)別（Name Entity Recognition） ? ?
b. 關(guān)系抽取（Relation Extraction） ? ?
c. 實(shí)體統(tǒng)一（Entity Resolution） ? ?
d. 指代消解（Coreference Resolution）
下面針對(duì)每一項(xiàng)技術(shù)解決的問題做簡單的描述，以至于這些是具體怎么實(shí)現(xiàn)的，不在這里一一展開，感興趣的讀者可以查閱相關(guān)資料，或者學(xué)習(xí)我的課程。
首先是實(shí)體命名識(shí)別，就是從文本里提取出實(shí)體并對(duì)每個(gè)實(shí)體做分類/打標(biāo)簽：比如從上述文本里，我們可以提取出實(shí)體-“NYC”，并標(biāo)記實(shí)體類型為 “Location”；我們也可以從中提取出“Virgil's BBQ”，并標(biāo)記實(shí)體類型為“Restarant”。這種過程稱之為實(shí)體命名識(shí)別，這是一項(xiàng)相對(duì)比較成熟的技術(shù)，有一些現(xiàn)成的工具可以用來做這件事情。其次，我們可以通過關(guān)系抽取技術(shù)，把實(shí)體間的關(guān)系從文本中提取出來，比如實(shí)體“hotel”和“Hilton property”之間的關(guān)系為“in”；“hotel”和“Time Square”的關(guān)系為“near”等等。
另外，在實(shí)體命名識(shí)別和關(guān)系抽取過程中，有兩個(gè)比較棘手的問題：
一個(gè)是實(shí)體統(tǒng)一，也就是說有些實(shí)體寫法上不一樣，但其實(shí)是指向同一個(gè)實(shí)體。比如“NYC”和“New York”表面上是不同的字符串，但其實(shí)指的都是紐約這個(gè)城市，需要合并。實(shí)體統(tǒng)一不僅可以減少實(shí)體的種類，也可以降低圖譜的稀疏性（Sparsity）；
另一個(gè)問題是指代消解，也是文本中出現(xiàn)的“it”, “he”, “she”這些詞到底指向哪個(gè)實(shí)體，比如在本文里兩個(gè)被標(biāo)記出來的“it”都指向“hotel”這個(gè)實(shí)體。
實(shí)體統(tǒng)一和指代消解問題相對(duì)于前兩個(gè)問題更具有挑戰(zhàn)性。
5.?知識(shí)圖譜的存儲(chǔ)
知識(shí)圖譜主要有兩種存儲(chǔ)方式：
一種是基于RDF的存儲(chǔ)；另一種是基于圖數(shù)據(jù)庫的存儲(chǔ)。它們之間的區(qū)別如下圖所示。RDF一個(gè)重要的設(shè)計(jì)原則是數(shù)據(jù)的易發(fā)布以及共享，圖數(shù)據(jù)庫則把重點(diǎn)放在了高效的圖查詢和搜索上。其次，RDF以三元組的方式來存儲(chǔ)數(shù)據(jù)而且不包含屬性信息，但圖數(shù)據(jù)庫一般以屬性圖為基本的表示形式，所以實(shí)體和關(guān)系可以包含屬性，這就意味著更容易表達(dá)現(xiàn)實(shí)的業(yè)務(wù)場景。
根據(jù)最新的統(tǒng)計(jì)（2018年上半年），圖數(shù)據(jù)庫仍然是增長最快的存儲(chǔ)系統(tǒng)。相反，關(guān)系型數(shù)據(jù)庫的增長基本保持在一個(gè)穩(wěn)定的水平。同時(shí)，我們也列出了常用的圖數(shù)據(jù)庫系統(tǒng)以及他們最新使用情況的排名。
其中Neo4j系統(tǒng)目前仍是使用率最高的圖數(shù)據(jù)庫，它擁有活躍的社區(qū)，而且系統(tǒng)本身的查詢效率高，但唯一的不足就是不支持準(zhǔn)分布式。
相反，OrientDB和JanusGraph（原Titan）支持分布式，但這些系統(tǒng)相對(duì)較新，社區(qū)不如Neo4j活躍，這也就意味著使用過程當(dāng)中不可避免地會(huì)遇到一些刺手的問題。如果選擇使用RDF的存儲(chǔ)系統(tǒng)，Jena或許一個(gè)比較不錯(cuò)的選擇。
6. 金融知識(shí)圖譜的搭建
接下來我們看一個(gè)實(shí)際的具體案例，講解怎么一步步搭建可落地的金融風(fēng)控領(lǐng)域的知識(shí)圖譜系統(tǒng)。 首先需要說明的一點(diǎn)是，有可能不少人認(rèn)為搭建一個(gè)知識(shí)圖譜系統(tǒng)的重點(diǎn)在于算法和開發(fā)。但事實(shí)并不是想象中的那樣，其實(shí)最重要的核心在于對(duì)業(yè)務(wù)的理解以及對(duì)知識(shí)圖譜本身的設(shè)計(jì)，這就類似于對(duì)于一個(gè)業(yè)務(wù)系統(tǒng)，數(shù)據(jù)庫表的設(shè)計(jì)尤其關(guān)鍵，而且這種設(shè)計(jì)絕對(duì)離不開對(duì)業(yè)務(wù)的深入理解以及對(duì)未來業(yè)務(wù)場景變化的預(yù)估。 當(dāng)然，在這里我們先不討論數(shù)據(jù)的重要性。
一個(gè)完整的知識(shí)圖譜的構(gòu)建包含以下幾個(gè)步驟：1. 定義具體的業(yè)務(wù)問題 ?2. 數(shù)據(jù)的收集 & 預(yù)處理 ?3.?知識(shí)圖譜的設(shè)計(jì) ?4. 把數(shù)據(jù)存入知識(shí)圖譜??5. 上層應(yīng)用的開發(fā)，以及系統(tǒng)的評(píng)估。下面我們就按照這個(gè)流程來講一下每個(gè)步驟所需要做的事情以及需要思考的問題。?
6.1 定義具體的業(yè)務(wù)問題
在P2P網(wǎng)貸環(huán)境下，最核心的問題是風(fēng)控，也就是怎么去評(píng)估一個(gè)借款人的風(fēng)險(xiǎn)。在線上的環(huán)境下，欺詐風(fēng)險(xiǎn)尤其為嚴(yán)重，而且很多這種風(fēng)險(xiǎn)隱藏在復(fù)雜的關(guān)系網(wǎng)絡(luò)之中，而且知識(shí)圖譜正好是為這類問題所設(shè)計(jì)的，所以我們“有可能”期待它能在欺詐，這個(gè)問題上帶來一些價(jià)值。?
在進(jìn)入下一個(gè)話題的討論之前，要明確的一點(diǎn)是，對(duì)于自身的業(yè)務(wù)問題到底需不需要知識(shí)圖譜系統(tǒng)的支持。因?yàn)樵诤芏嗟膶?shí)際場景，即使對(duì)關(guān)系的分析有一定的需求，實(shí)際上也可以利用傳統(tǒng)數(shù)據(jù)庫來完成分析的。所以為了避免使用知識(shí)圖譜而選擇知識(shí)圖譜，以及更好的技術(shù)選型，以下給出了幾點(diǎn)總結(jié)，供參考。
6.2 數(shù)據(jù)收集 & 預(yù)處理
下一步就是要確定數(shù)據(jù)源以及做必要的數(shù)據(jù)預(yù)處理。針對(duì)于數(shù)據(jù)源，我們需要考慮以下幾點(diǎn)：
1. 我們已經(jīng)有哪些數(shù)據(jù)？
2. 雖然現(xiàn)在沒有，但有可能拿到哪些數(shù)據(jù)？
3. ?其中哪部分?jǐn)?shù)據(jù)可以用來降低風(fēng)險(xiǎn)？
4. 哪部分?jǐn)?shù)據(jù)可以用來構(gòu)建知識(shí)圖譜？在這里需要說明的一點(diǎn)是，并不是所有跟反欺詐相關(guān)的數(shù)據(jù)都必須要進(jìn)入知識(shí)圖譜，對(duì)于這部分的一些決策原則在接下來的部分會(huì)有比較詳細(xì)的介紹。
對(duì)于反欺詐，有幾個(gè)數(shù)據(jù)源是我們很容易想得到的，包括用戶的基本信息、行為數(shù)據(jù)、運(yùn)營商數(shù)據(jù)、網(wǎng)絡(luò)上的公開信息等等。假設(shè)我們已經(jīng)有了一個(gè)數(shù)據(jù)源的列表清單，則下一步就要看哪些數(shù)據(jù)需要進(jìn)一步的處理，比如對(duì)于非結(jié)構(gòu)化數(shù)據(jù)我們或多或少都需要用到跟自然語言處理相關(guān)的技術(shù)。 用戶填寫的基本信息基本上會(huì)存儲(chǔ)在業(yè)務(wù)表里，除了個(gè)別字段需要進(jìn)一步處理，很多字段則直接可以用于建模或者添加到知識(shí)圖譜系統(tǒng)里。對(duì)于行為數(shù)據(jù)來說，我們則需要通過一些簡單的處理，并從中提取有效的信息比如“用戶在某個(gè)頁面停留時(shí)長”等等。 對(duì)于網(wǎng)絡(luò)上公開的網(wǎng)頁數(shù)據(jù)，則需要一些信息抽取相關(guān)的技術(shù)。
舉個(gè)例子，對(duì)于用戶的基本信息，我們很可能需要如下的操作。一方面，用戶信息比如姓名、年齡、學(xué)歷等字段可以直接從結(jié)構(gòu)化數(shù)據(jù)庫中提取并使用。但另一方面，對(duì)于填寫的公司名來說，我們有可能需要做進(jìn)一步的處理。比如部分用戶填寫“北京貪心科技有限公司”，另外一部分用戶填寫“北京望京貪心科技有限公司”，其實(shí)指向的都是同一家公司。所以，這時(shí)候我們需要做公司名的對(duì)齊，用到的技術(shù)細(xì)節(jié)可以參考前面講到的實(shí)體對(duì)齊技術(shù)。
6.3?知識(shí)圖譜的設(shè)計(jì)
圖譜的設(shè)計(jì)是一門藝術(shù)，不僅要對(duì)業(yè)務(wù)有很深的理解、也需要對(duì)未來業(yè)務(wù)可能的變化有一定預(yù)估，從而設(shè)計(jì)出最貼近現(xiàn)狀并且性能高效的系統(tǒng)。在知識(shí)圖譜設(shè)計(jì)的問題上，我們肯定會(huì)面臨以下幾個(gè)常見的問題：
1. 需要哪些實(shí)體、關(guān)系和屬性？
2. ?哪些屬性可以做為實(shí)體，哪些實(shí)體可以作為屬性？
3. 哪些信息不需要放在知識(shí)圖譜中？?
基于這些常見的問題，我們從以往的設(shè)計(jì)經(jīng)驗(yàn)中抽象出了一系列的設(shè)計(jì)原則。這些設(shè)計(jì)原則就類似于傳統(tǒng)數(shù)據(jù)庫設(shè)計(jì)中的范式，來引導(dǎo)相關(guān)人員設(shè)計(jì)出更合理的知識(shí)圖譜系統(tǒng)，同時(shí)保證系統(tǒng)的高效性。
接下來，我們舉幾個(gè)簡單的例子來說明其中的一些原則。
首先是，業(yè)務(wù)原則（Business Principle），它的含義是 “一切要從業(yè)務(wù)邏輯出發(fā)，并且通過觀察知識(shí)圖譜的設(shè)計(jì)也很容易推測其背后業(yè)務(wù)的邏輯，而且設(shè)計(jì)時(shí)也要想好未來業(yè)務(wù)可能的變化”。
舉個(gè)例子，可以觀察一下下面這個(gè)圖譜，并試問自己背后的業(yè)務(wù)邏輯是什么。通過一番觀察，其實(shí)也很難看出到底業(yè)務(wù)流程是什么樣的。做個(gè)簡單的解釋，這里的實(shí)體-“申請(qǐng)”意思就是application，如果對(duì)這個(gè)領(lǐng)域有所了解，其實(shí)就是進(jìn)件實(shí)體。在下面的圖中，申請(qǐng)和電話實(shí)體之間的“has_phone”，“parent phone”是什么意思呢？
接下來再看一下下面的圖，跟之前的區(qū)別在于我們把申請(qǐng)人從原有的屬性中抽取出來并設(shè)置成了一個(gè)單獨(dú)的實(shí)體。在這種情況下，整個(gè)業(yè)務(wù)邏輯就變得很清晰，我們很容易看出張三申請(qǐng)了兩個(gè)貸款，而且張三擁有兩個(gè)手機(jī)號(hào)，在申請(qǐng)其中一個(gè)貸款的時(shí)候他填寫了父母的電話號(hào)。總而言之，一個(gè)好的設(shè)計(jì)很容易讓人看到業(yè)務(wù)本身的邏輯。
接下來再看一個(gè)原則叫做效率原則（Efficiency Principle）。?效率原則讓知識(shí)圖譜盡量輕量化、并決定哪些數(shù)據(jù)放在知識(shí)圖譜，哪些數(shù)據(jù)不需要放在知識(shí)圖譜。在這里舉一個(gè)簡單的類比，在經(jīng)典的計(jì)算機(jī)存儲(chǔ)系統(tǒng)中，我們經(jīng)常會(huì)談?wù)摰絻?nèi)存和硬盤，內(nèi)存作為高效的訪問載體，作為所有程序運(yùn)行的關(guān)鍵。這種存儲(chǔ)上的層次結(jié)構(gòu)設(shè)計(jì)源于數(shù)據(jù)的局部性-“l(fā)ocality”，也就是說經(jīng)常被訪問到的數(shù)據(jù)集中在某一個(gè)區(qū)塊上，所以這部分?jǐn)?shù)據(jù)可以放到內(nèi)存中來提升訪問的效率。 類似的邏輯也可以應(yīng)用到知識(shí)圖譜的設(shè)計(jì)上：我們把常用的信息存放在知識(shí)圖譜中，把那些訪問頻率不高，對(duì)關(guān)系分析無關(guān)緊要的信息放在傳統(tǒng)的關(guān)系型數(shù)據(jù)庫當(dāng)中。?效率原則的核心在于把知識(shí)圖譜設(shè)計(jì)成小而輕的存儲(chǔ)載體。
比如在下面的知識(shí)圖譜中，我們完全可以把一些信息比如“年齡”，“家鄉(xiāng)”放到傳統(tǒng)的關(guān)系型數(shù)據(jù)庫當(dāng)中，因?yàn)檫@些數(shù)據(jù)對(duì)于：a. 分析關(guān)系來說沒有太多作用 ? b. ?訪問頻率低，放在知識(shí)圖譜上反而影響效率
另外，從分析原則（Analytics Principle）的角度，我們不需要把跟關(guān)系分析無關(guān)的實(shí)體放在圖譜當(dāng)中；從冗余原則（Redundancy Principle）的角度，有些重復(fù)性信息、高頻信息可以放到傳統(tǒng)數(shù)據(jù)庫當(dāng)中。
6.4 把數(shù)據(jù)存入知識(shí)圖譜
存儲(chǔ)上我們要面臨存儲(chǔ)系統(tǒng)的選擇，但由于我們?cè)O(shè)計(jì)的知識(shí)圖譜帶有屬性，圖數(shù)據(jù)庫可以作為首選。但至于選擇哪個(gè)圖數(shù)據(jù)庫也要看業(yè)務(wù)量以及對(duì)效率的要求。如果數(shù)據(jù)量特別龐大，則Neo4j很可能滿足不了業(yè)務(wù)的需求，這時(shí)候不得不去選擇支持準(zhǔn)分布式的系統(tǒng)比如OrientDB, JanusGraph等，或者通過效率、冗余原則把信息存放在傳統(tǒng)數(shù)據(jù)庫中，從而減少知識(shí)圖譜所承載的信息量。 通常來講，對(duì)于10億節(jié)點(diǎn)以下規(guī)模的圖譜來說Neo4j已經(jīng)足夠了。
6.5 上層應(yīng)用的開發(fā)
等我們構(gòu)建好知識(shí)圖譜之后，接下來就要使用它來解決具體的問題。對(duì)于風(fēng)控知識(shí)圖譜來說，首要任務(wù)就是挖掘關(guān)系網(wǎng)絡(luò)中隱藏的欺詐風(fēng)險(xiǎn)。從算法的角度來講，有兩種不同的場景：一種是基于規(guī)則的；另一種是基于概率的。鑒于目前AI技術(shù)的現(xiàn)狀，基于規(guī)則的方法論還是在垂直領(lǐng)域的應(yīng)用中占據(jù)主導(dǎo)地位，但隨著數(shù)據(jù)量的增加以及方法論的提升，基于概率的模型也將會(huì)逐步帶來更大的價(jià)值。
6.5.1 基于規(guī)則的方法論
首先，我們來看幾個(gè)基于規(guī)則的應(yīng)用，分別是不一致性驗(yàn)證、基于規(guī)則的特征提取、基于模式的判斷。
不一致性驗(yàn)證
為了判斷關(guān)系網(wǎng)絡(luò)中存在的風(fēng)險(xiǎn)，一種簡單的方法就是做不一致性驗(yàn)證，也就是通過一些規(guī)則去找出潛在的矛盾點(diǎn)。這些規(guī)則是以人為的方式提前定義好的，所以在設(shè)計(jì)規(guī)則這個(gè)事情上需要一些業(yè)務(wù)的知識(shí)。比如在下面的這個(gè)圖中，李明和李飛兩個(gè)人都注明了同樣的公司電話，但實(shí)際上從數(shù)據(jù)庫中判斷這倆人其實(shí)在不同的公司上班，這就是一個(gè)矛盾點(diǎn)。 類似的規(guī)則其實(shí)可以有很多，不在這里一一列出。
基于規(guī)則提取特征
我們也可以基于規(guī)則從知識(shí)圖譜中提取一些特征，而且這些特征一般基于深度的搜索比如2度，3度甚至更高維度。比如我們可以問一個(gè)這樣的問題：“申請(qǐng)人二度關(guān)系里有多少個(gè)實(shí)體觸碰了黑名單？”，從圖中我們很容觀察到二度關(guān)系中有兩個(gè)實(shí)體觸碰了黑名單（黑名單由紅色來標(biāo)記）。等這些特征被提取之后，一般可以作為風(fēng)險(xiǎn)模型的輸入。在此還是想說明一點(diǎn)，如果特征并不涉及深度的關(guān)系，其實(shí)傳統(tǒng)的關(guān)系型數(shù)據(jù)庫則足以滿足需求。
基于模式的判斷
這種方法比較適用于找出團(tuán)體欺詐，它的核心在于通過一些模式來找到有可能存在風(fēng)險(xiǎn)的團(tuán)體或者子圖（sub-graph），然后對(duì)這部分子圖做進(jìn)一步的分析。 這種模式有很多種，在這里舉幾個(gè)簡單的例子。 比如在下圖中，三個(gè)實(shí)體共享了很多其他的信息，我們可以看做是一個(gè)團(tuán)體，并對(duì)其做進(jìn)一步的分析。
再比如，我們也可以從知識(shí)圖譜中找出強(qiáng)連通圖，并把它標(biāo)記出來，然后做進(jìn)一步風(fēng)險(xiǎn)分析。強(qiáng)連通圖意味著每一個(gè)節(jié)點(diǎn)都可以通過某種路徑達(dá)到其他的點(diǎn)，也就說明這些節(jié)點(diǎn)之間有很強(qiáng)的關(guān)系。
6.5.2 基于概率的方法
除了基于規(guī)則的方法，也可以使用概率統(tǒng)計(jì)的方法。 比如社區(qū)挖掘、標(biāo)簽傳播、聚類等技術(shù)都屬于這個(gè)范疇。 對(duì)于這類技術(shù)，在本文里不做詳細(xì)的講解，感興趣的讀者可以參考相關(guān)文獻(xiàn)。
社區(qū)挖掘算法的目的在于從圖中找出一些社區(qū)。對(duì)于社區(qū)，我們可以有多種定義，但直觀上可以理解為社區(qū)內(nèi)節(jié)點(diǎn)之間關(guān)系的密度要明顯大于社區(qū)之間的關(guān)系密度。下面的圖表示社區(qū)發(fā)現(xiàn)之后的結(jié)果，圖中總共標(biāo)記了三個(gè)不同的社區(qū)。一旦我們得到這些社區(qū)之后，就可以做進(jìn)一步的風(fēng)險(xiǎn)分析。
由于社區(qū)挖掘是基于概率的方法論，好處在于不需要人為地去定義規(guī)則，特別是對(duì)于一個(gè)龐大的關(guān)系網(wǎng)絡(luò)來說，定義規(guī)則這事情本身是一件很復(fù)雜的事情。
標(biāo)簽傳播算法的核心思想在于節(jié)點(diǎn)之間信息的傳遞。這就類似于，跟優(yōu)秀的人在一起自己也會(huì)逐漸地變優(yōu)秀是一個(gè)道理。因?yàn)橥ㄟ^這種關(guān)系會(huì)不斷地吸取高質(zhì)量的信息，最后使得自己也會(huì)不知不覺中變得更加優(yōu)秀。具體細(xì)節(jié)不在這里做更多解釋。
相比規(guī)則的方法論，基于概率的方法的缺點(diǎn)在于：需要足夠多的數(shù)據(jù)。如果數(shù)據(jù)量很少，而且整個(gè)圖譜比較稀疏（Sparse），基于規(guī)則的方法可以成為我們的首選。尤其是對(duì)于金融領(lǐng)域來說，數(shù)據(jù)標(biāo)簽會(huì)比較少，這也是為什么基于規(guī)則的方法論還是更普遍地應(yīng)用在金融領(lǐng)域中的主要原因。
6.5.3 基于動(dòng)態(tài)網(wǎng)絡(luò)的分析
以上所有的分析都是基于靜態(tài)的關(guān)系圖譜。所謂的靜態(tài)關(guān)系圖譜，意味著我們不考慮圖譜結(jié)構(gòu)本身隨時(shí)間的變化，只是聚焦在當(dāng)前知識(shí)圖譜結(jié)構(gòu)上。然而，我們也知道圖譜的結(jié)構(gòu)是隨時(shí)間變化的，而且這些變化本身也可以跟風(fēng)險(xiǎn)有所關(guān)聯(lián)。
在下面的圖中，我們給出了一個(gè)知識(shí)圖譜T時(shí)刻和T+1時(shí)刻的結(jié)構(gòu)，我們很容易看出在這兩個(gè)時(shí)刻中間，圖譜結(jié)構(gòu)（或者部分結(jié)構(gòu)）發(fā)生了很明顯的變化，這其實(shí)暗示著潛在的風(fēng)險(xiǎn)。那怎么去判斷這些結(jié)構(gòu)上的變化呢？ 感興趣的讀者可以查閱跟“dynamic network mining”相關(guān)的文獻(xiàn)。
7.?知識(shí)圖譜在其他行業(yè)中的應(yīng)用
除了金融領(lǐng)域，知識(shí)圖譜的應(yīng)用可以涉及到很多其他的行業(yè)，包括醫(yī)療、教育、證券投資、推薦等等。其實(shí)，只要有關(guān)系存在，則有知識(shí)圖譜可發(fā)揮價(jià)值的地方。 在這里簡單舉幾個(gè)垂直行業(yè)中的應(yīng)用。
比如對(duì)于教育行業(yè)，我們經(jīng)常談?wù)搨€(gè)性化教育、因材施教的理念。其核心在于理解學(xué)生當(dāng)前的知識(shí)體系，而且這種知識(shí)體系依賴于我們所獲取到的數(shù)據(jù)比如交互數(shù)據(jù)、評(píng)測數(shù)據(jù)、互動(dòng)數(shù)據(jù)等等。為了分析學(xué)習(xí)路徑以及知識(shí)結(jié)構(gòu)，我們則需要針對(duì)于一個(gè)領(lǐng)域的概念知識(shí)圖譜，簡單來講就是概念拓?fù)浣Y(jié)構(gòu)。在下面的圖中，我們給出了一個(gè)非常簡單的概念圖譜：比如為了學(xué)習(xí)邏輯回歸則需要先理解線性回歸；為了學(xué)習(xí)CNN，得對(duì)神經(jīng)網(wǎng)絡(luò)有所理解等等。所有對(duì)學(xué)生的評(píng)測、互動(dòng)分析都離不開概念圖譜這個(gè)底層的數(shù)據(jù)。
在證券領(lǐng)域，我們經(jīng)常會(huì)關(guān)心比如“一個(gè)事件發(fā)生了，對(duì)哪些公司產(chǎn)生什么樣的影響？” 比如有一個(gè)負(fù)面消息是關(guān)于公司1的高管，而且我們知道公司1和公司2有種很密切的合作關(guān)系，公司2有個(gè)主營產(chǎn)品是由公司3提供的原料基礎(chǔ)上做出來的。
其實(shí)有了這樣的一個(gè)知識(shí)圖譜，我們很容易回答哪些公司有可能會(huì)被這次的負(fù)面事件所影響。當(dāng)然，僅僅是“有可能”，具體會(huì)不會(huì)有強(qiáng)相關(guān)性必須由數(shù)據(jù)來驗(yàn)證。所以在這里，知識(shí)圖譜的好處就是把我們所需要關(guān)注的范圍很快給我們?nèi)Χā＝酉聛淼膯栴}會(huì)更復(fù)雜一些，比如既然我們知道公司3有可能被這次事件所影響，那具體影響程度有多大？ 對(duì)于這個(gè)問題，光靠知識(shí)圖譜是很難回答的，必須要有一個(gè)影響模型、以及需要一些歷史數(shù)據(jù)才能在知識(shí)圖譜中做進(jìn)一步推理以及計(jì)算。
8. 實(shí)踐上的幾點(diǎn)建議
首先，知識(shí)圖譜是一個(gè)比較新的工具，它的主要作用還是在于分析關(guān)系，尤其是深度的關(guān)系。所以在業(yè)務(wù)上，首先要確保它的必要性，其實(shí)很多問題可以用非知識(shí)圖譜的方式來解決。
知識(shí)圖譜領(lǐng)域一個(gè)最重要的話題是知識(shí)的推理。 而且知識(shí)的推理是走向強(qiáng)人工智能的必經(jīng)之路。但很遺憾的，目前很多語義網(wǎng)絡(luò)的角度討論的推理技術(shù)（比如基于深度學(xué)習(xí)，概率統(tǒng)計(jì)）很難在實(shí)際的垂直應(yīng)用中落地。其實(shí)目前最有效的方式還是基于一些規(guī)則的方法論，除非我們有非常龐大的數(shù)據(jù)集。
最后，還是要強(qiáng)調(diào)一點(diǎn)，知識(shí)圖譜工程本身還是業(yè)務(wù)為重心，以數(shù)據(jù)為中心。不要低估業(yè)務(wù)和數(shù)據(jù)的重要性。
9. 結(jié)語
知識(shí)圖譜是一個(gè)既充滿挑戰(zhàn)而且非常有趣的領(lǐng)域。只要有正確的應(yīng)用場景，對(duì)于知識(shí)圖譜所能發(fā)揮的價(jià)值還是可以期待的。我相信在未來不到2，3年時(shí)間里，知識(shí)圖譜技術(shù)會(huì)普及到各個(gè)領(lǐng)域當(dāng)中。
很多細(xì)節(jié)性的內(nèi)容很難在一篇文章里面面俱到、如果想對(duì)知識(shí)圖譜領(lǐng)域有更全面的了解，并且快速開發(fā)出一款可落地的知識(shí)圖譜產(chǎn)品，可以參考我近期推出的《知識(shí)圖譜技術(shù)與應(yīng)用》課程。在課程里，我會(huì)詳細(xì)地給大家介紹怎么從零開始一步步搭建完整的知識(shí)圖譜系統(tǒng)，并把每一個(gè)細(xì)節(jié)中遇到的問題以及坑給大家講解。
總結(jié)
以上是生活随笔為你收集整理的这是一份通俗易懂的知识图谱技术与应用指南（转）的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： sublime安装Codecs33
- 下一篇： neo4j安装和启动