學習內容：

知識圖譜導論 陳華鈞 浙江大學計算機科學與技術學院 教授
小象學院 嗶哩嗶哩 第一章
【其實后面的方法學習只是一個框架式的學習，并不明白具體的操作】

1. 什么是知識圖譜？

知識圖譜是一個系統！ 從根據場景構建再到場景應用！
知識圖譜不是一個從0開始，它依賴原來有的語義網絡、本體論，web、語義網、鏈接數據等等，它本質是從文本的鏈接到對象的鏈接等，并且一開始是由谷歌提出的改變搜索體驗。本質也是包含兩塊：
一塊是知識表示（知識抽取，關系建立，屬性鏈接 ，一塊是基于知識表示的知識庫。 知識庫怎么來？ 這將有知識的構建，知識的抽取，知識的融合； 知識庫怎么用？就會有語義搜索，輔助問答，決策等。
其實就是將我們的語言拆分轉換為符號表達，之后經過機器學習來將離散式的數據轉化為可分布式的表達。 這只是總的概述，知識圖譜的內容和實際應用不同的，那么分類也是不同的。

1.1 知識圖譜的分類是有很多種的

而知識圖譜的構建，是可以不同的，根據需要來定！比如只是關于人際關系的，再比如關于某個人的所有的新聞，再比如全部是關于政府部門的或者是事故的，或者是阿里巴巴的電商的等，可以說一種場景就會有一種知識圖譜，所以也就有了知識的融合。

由于數據源的不同，比如眾包、傳感器、多媒體等流，我們又可以分別使用不同的方法來得到更加規范的數據表示、更強的數據關聯，并存儲到Hbase等數據庫中，之后根據具體的需要再利用這些知識進行知識表示、知識抽取、知識問答等應用。

2. 知識圖譜的發展歷程

3. 知識圖譜有什么用？

3.1 KG輔助搜索

Web的理想是萬物的鏈接，搜索的理想是事物的搜索。
我們可以進行事物的搜索； 也可以根據興趣來進行興趣的搜索；
當然這些現在的實現都是基于眾包的數據庫作為基礎的。

3.2 KG輔助問答

機器人及IoT設備的智能化： 給萬物都掛接一個背景知識庫
對話式的信息獲取更加需要精準度和可靠度，知識圖譜對于提升用戶體驗更加不可少；

3.3 KG輔助決策

成功的公司： Palantir硅谷最神秘大數據分析公司、Kensho公司屬于金融咨詢行業

Palantir公司的成功在于：
動態本體的建模方式，基于這種方式可以結合到語義搜索。

Kensho公司的算法在于：
金融知識

根據文本我們可以預先抽取語義、建立數據鏈接；
根據多媒體，我們可以有更加規范的數據表達；
根據傳感器，我們可以先生成粗糙數據，形成可計算的數據；

3.3 KG輔助AI：常識推理

當一個人聽到或看到一句話的時候，他使用自己所有的知識和智能去理解。這不僅包括語法，也包括他的詞匯知識、上下文知識，更重要的，是對相關事務的理解。

3. KG的本質

Web視角： 像建立文本之間的超鏈接一樣，建立數據之間的語義鏈接，并支持語義搜索
NLP視角：怎樣從文本中抽取語義和結構化數據
KR視角：怎樣利用計算機符號來表示和處理知識
AI視角：怎樣利用知識庫來輔助理解人的語言
DB（數據庫）視角：用圖的方式去存儲知識

做好KG本質，需要綜合利用這些關系！ 而且工程的落地也要兼顧這些。

4.聰明的AI vs 有學識的AI

聰明的AI： 更多的是基于大數據的學習能力，通過圖像、語音、視頻等更多方面做更好的感知、識別和判斷。
有學識的AI：而知識圖譜更多的體現在知識和數據的區別，能提供更強大的推理能力，而他基于的推理可以根據我們定義的規則，也可以根據我們數據當中的規范，不一定要求我們大數據、小數據做各種各樣的推理，它體現的更有學識的AI，它是基于聰明AI之上知識和學識的積累。能夠幫助思考和語言理解和推理。
在后面的課程中我們會知識的抽取、知識的挖掘、知識的問答過程當中都會有基于深度學習的方法來輔助我們做各種各樣的知識庫。
當然這是說deep learning for Knowledge Graph，也可以使用Knowledge Graph for deep learning.
也可以使用知識圖譜來做推薦系統

總結

以上是生活随笔為你收集整理的知识图谱入门视频（一）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。