第1章：知识图谱概述——《知识图谱概念与技术》肖仰华

1.1 知识图谱的基本概念

分为狭义与广义概念。

狭义的知识图谱特指一类知识表示，本质上是一种大规模语义网络。

广义的知识图谱是大数据时代知识工程一系列技术的总称，在一定程度程度上指代大数据知识工程这一新兴学科。

1.1.1 知识图谱的狭义概念

1. 知识图谱作为语义网络的内涵

知识图谱是一种大规模语义网络，包括实体（entity）、概念（concept）及其之间的各种语义关系。

要点：

1. 其是语义网络，这是知识图谱的本质；
2. 其是大规模的，这是知识图谱与传统语义网络的根本区别。

语义网络是一种以图形化的（Graphic）形式通过点和边表示知识的方式，其基本组成元素是点和边。语义网络的点可以是实体、概念和值，如下图所示。

（1）实体。实体有时也会被称作对象（Object）或实例（Instance）。
（2）概念。概念又被称为类别（Type）、类（Category或Class）等。
（3）值。每个实体都有一定的属性值。

知识图谱中的边可以分为属性（Property）和关系（Relation）两类。关系可以认为是一类特殊的属性，当实体的某个属性值也是一个实体时，这个属性实质上就是关系。

语义网络中的边按照其两端节点的类型可以分为概念之间的子类（subclassof）关系、实体与概念之间的实例（instanceOf）关系，以及实体之间的各种属性关系，如上图所示。

2. 知识图谱与传统语义网络的区别

（1）规模巨大。知识图谱具有巨大的规模。
（2）语义丰富。两个方面：知识图谱富含各类语义关系；语义关系的建模多样。
（3）质量精良。大数据多源特性使得我们可以通过多个来源验证简单事实。
（4）结构友好。知识图谱通常可以表示为三元组，这是典型的图结构。三元组可以借助RDF（Resource Description Framework）进行表示。

知识图谱构建与应用独特挑战：
（1）高质量模式缺失。
（2）封闭世界假设不再成立。
（3）大规模自动化知识获取成为前提。

3. 知识图谱与本体的区别

本体刻画人们认知一个领域的基本框架，而知识图谱富含的是实例以及关系实例。

1.1.2 知识图谱的广义概念

知识图谱作为一种技术体系，指代大数据时代知识工程的一系列代表技术的总和。

1.2 知识图谱的历史沿革

1.2.1 知识图谱溯源

1. 传统知识工程

知识工程属于符号主义。符号主义认为知识是智能的基础。传统人工智能专家认为人工智能的核心问题是知识表示、推理和应用。

传统知识工程所成功解决的问题普遍具有规则明确、应用封闭的特点，比如几何定理证明。

传统的专家系统需要借助大量的人力参与，如下图所示

2. 传统知识工程的局限性

（1）隐形知识与过程知识等难以表达
（2）知识表达的主观性的不一致性
（3）知识难以完备
（4）知识更新困难

1.2.1 大数据知识工程

1. 互联网与大数据应用催生了知识图谱

互联网应用特点：

• 规模巨大
• 精度要求相对不高
• 知识推理困难

2. 大数据时代给知识图谱的发展带来了新机遇
   （1）数据、算力和模型的飞速发展使得大规模自动化知识获取成为可能。
   （2）众包技术使得知识的模块化验证成为可能。
   （3）高质量用户生成内容提供了高质量知识库来源

1.3知识图谱的研究意义

1.3.1 知识图谱的认知智能的基石

（1）知识图谱使能机器语言认知。
实现机器对自然语言的理解所需要的条件：

• 规模必须足够巨大才能理解不同的实体和概念
• 语义关系必须足够丰富才能理解不同的关系
• 结构必须足够友好才能为机器所处理
• 质量必须足够精良才能让机器对现实世界产生正确的理解

（2）知识图谱赋能可解释人工智能

（3）知识图谱有助于增强机器学习的能力

1.3.2 知识引导成为解决问题的重要方式之一

当下，计算机解决问题主要采用数据驱动的方式，也就是从样本数据中建立统计模型，挖掘统计规律来解决问题。

单纯依赖统计模式难以有效解决很多实际问题，并且单纯的数据驱动方式仍然面临效果的“天花板”，如下图所示。

实际应用越来越要求将数据驱动和知识引导相结合，以突破基于统计学习的纯数据驱动的效果瓶颈。

1.4 知识图谱的应用价值

1.4.1 数据分析

1.4.2 智能搜索

1.4.3 智能推荐

1.4.4 自然人机交互

1.4.5 决策支持

1.5 知识图谱的分类

首先认识数据、信息和知识之间的联系和区别

• 数据是对客观世界的符号化记录
• 信息是被赋予意义的数据
• 知识的人类对信息的提炼和总结的结果，是人类认识世界的结果

1.5.1 知识图谱中的知识分类

（1）事实知识
（2）概念知识
（3）词汇知识
（4）常识知识

1.5.2 典型知识图谱