学习笔记——《知识图谱导论》陈华钧第一章·知识图谱概述

目录

1.1语言与知识

1.2知识图谱的起源

1.3知识图谱的价值

1.4知识图谱的技术内涵

---

1.1语言与知识

1. 人工智能的流派——连接主义、符号主义
   连接主义：主张人工智能的实现应该模拟人脑的生理结构，即用计算机模拟人脑的神经网络连接（深度神经网络）；
   
   符号主义：主张只能的实现应该模拟人类的心智，即用计算机符号记录人脑的记忆，表示人脑中的知识（知识工程与专家系统）。
2. 认知智能——语言理解、知识的表示与处理。
3. 知识工程与专家系统——建立一个系统，能够从专家大脑里获取知识，再通过一个推理引擎为非专家用户提供服务，如辅助诊断、判案等。而这个从人脑获取知识的过程就叫作知识工程。
4. 通过机器来理解文本中的知识——抽取技术、语言预训练
   抽取技术：例如从文本中识别实体、关系和逻辑等；
   
   语言预训练：通过大量的文本语料训练一个神经网络大模型，文本中的知识被隐含在参数化的向量模型中，而向量化的表示和神金网络对机器是友好的。
5. 知识图谱的本质——旨在利用图结构建模、识别和推断事物之间的复杂关联关系和沉淀领域知识
6. 随着表示学习和神经网络的兴起，人们发现数值化的向量表示更易于捕获那些隐藏的、不易于明确表示的知识，并且比符号表示更易与机器处理。知识图谱同时拥抱机器的符号表示和向量表示，并能将两者有机地结合起来，解决搜索、问答、推理和分析等多方面的问题。

1.2知识图谱的起源

1.3知识图谱的价值

1.4知识图谱的技术内涵

1. 知识图谱核心的技术基因——知识的视角、图的视角
   知识的视角：来源于传统AI的知识表示和推理领域，关心怎么表示概念和实体，怎样刻画它们之间的关系，怎样进一步表示公理、规则等更加复杂的知识。
   
   图的视角——来源于知识图谱的互联网基因，关心图中的节点、边、链接、路径、子图结构，怎样存储大规模的图数据，怎样利用图的结构对图数据进行推理、挖掘与分析等。
2. 技术栈——表示、存储、抽取、融合、推理、问答、分析
   
   表示：属性图表示、RDF图模型、OWL本体表示、规则知识建模
   
   存储：关系数据库存储、原生图存储、图查询语言
   
   抽取：从文本中抽取概念、识别实体、抽取三元组和事件
   
   融合：实现本体映射和概念匹配、实例层的实体对齐
   
   推理：基于传统符号逻辑的推理技术、基于表示学习和神经网络的推理技术
   
   分析：传统的图算法、利用图嵌入、图神经网络等技术对知识图谱数据进行深度挖掘和分析
   
   others：知识图谱的众包技术、计算机视觉领域的Scene Graph的构建、Semantic IoT

---