知识图谱实战系列(笔记)

第一章：

一、 知识图谱与人工智能

人工智能的业务架构

人工智能技术架构

智能人机对话业务模型

人工智能发展阶段

一、 知识图谱的典型应用

• 在语义理解中的应用
  

在传统搜索中仅仅通过匹配英达，儿子，无法正确区分开这三类问题，但是当引入实体关系的结构化数据后，就很容易区分。

• 在智能搜索中的应用
  搜索结果包括该实体的相关属性
• 智能问答
• 辅助决策

一、 知识图谱的系统架构

• 知识获取
• 知识存储(RDF/neo4j)
• 知识表示
• 知识应用
  知识架构：语义类型设计，语义关系设计
  

第二章：知识设计方法

知识图谱基础

知识单元的组织

语义类型设计（知识建模）

设计语义类型可以参照同行业内，已经构建好的语义类型的划分。或者跨领域借鉴，复用（同知识领域）。如UMILS的

语义关系设计（知识建模）

• 参照法：
  

• 通过业务流程来梳理抽象关系

本体对象设计（知识建模）

• 由语义类型的模型，从最细粒度的语义类型去寻找本体对象
  语义建模工具：protege

第三章：知识存储

一、知识存储模型

• RDBMS 关系型数据库（数据量小）
• RDF 三元组（数据量小单网页模式）
• Graph DBMS 图数据库（大体积）
  存储规则：对于不需要进行关系延申计算的数据不放入图谱，这部分数据可使用适应的存储并于知识图谱中实体做链接；对于结构固定，实体属性信息丰富的实体类，使用其他数据库存储更能体现优势。（不需要研究实体之间关系的数据，需要频繁计算的数据不适合用知识图谱存储。）

存储开销会逐渐增大，当属性比较多时，会产生大量的自连接，增加计算开销。
二、RDBMS 关系型数据库
1、对于关系数据库：三元组表

1、对于关系数据库：属性表
每一个属性做一张表
当不指定属性查询某个实体所有信息时要遍历所有的表，计算开销比较大

3、对于关系数据库：垂直分割
修改不方便
随谓语增加

三、RDF 三元组

三、图数据库：

3.1图数据库的选择：
RDF数据库使用排行

图数据库使用排行：

3.2 Neo4j配置

• 配置java环境
• 配置变量名：NEO4J_HOME 变量值：D:\Neo4j\neo4j-community-3.3.6
• 配置path：D:\Neo4j\neo4j-community-3.3.6\bin\
• 安装成服务：neo4j.bat install-service
• neo4j start
• neo4j stop
• neo4j restart
• neo4j status
  3.3 Neo4j操作
  shift+enter 换行
  Enter 执行
  :help 帮助
  :clear
  :play start欢迎界面
  创建节点
  ()
  (matrix)
  (:Movie)
  (matrix:Movie)
  (matrix:Movie {title: “The Matrix”})
  (matrix:Movie {title: “The Matrix”, released: 1997})
  创建关系
  –>
  -[role]->
  -[:ACTED_IN]->
  -[role:ACTED_IN]->
  -[role:ACTED_IN {roles: [“Neo”]}]->
  3.2 Neo4j数据库监控管理
  :sysinfo
  
  数据备份

neo4j-admin.bat help
neo4j-admin.bat dump help

数据库删除

第四章：项目实战

一、自己动手开发聊天机器人

第五章：知识图谱获取

5.1知识图谱获取的方法

目前仅仅通过机器学习的方法构建的知识图谱是不完备的，必须引入人工。
5.2.国内外可用知识图谱
TCMLS中医学语言系统

注：PPT来源 《知识图谱实战开发案例剖析》（张子良）。

欢迎如人工智能学习圈：