什么是知识图谱（Knowledge Graph）（上）
本文参考了Mayank Kejriwal的新著《Domain-Specific Knowledge Graph Construction》（2019年）
最近几年，knowledge graph（KG）作为AI（人工智能）的一个主要领域活跃起来。图（graph）经常出现在AI的最新论文当中。由于大数据时代的到来，我们很需要让计算机高效地“理解”并分析这些数据。
而计算机无法真正理解自然语言（英语、汉语等），这使得很多普通AI任务以及常识推理（commonsense reasoning）的结果并不理想。虽然相关领域都进步很快，但是计算机仍然更擅长处理用图（graphs），辞典（dictionaries），表格（tables）存储的结构化数据，而不太擅长直接处理自然语言。
谷歌是近年来利用KG这个特点来扩展搜索的可能性的大公司之一。“知识图谱”这个词的出现可以追溯到在2010年的一篇博客中所提到的“Google Knowledge Graph”，其理念是“搜索事物（things）而不是字符串（strings）”。
也就是说，搜索可以进化到不只是单纯搜索字符串，而是通过实体、属性和关系的推理（reasoning about entities, attributes and relationships），来预测用户想真正要寻找什么。当你现在使用谷歌的时候就能看到右边显示了你可能在寻找的内容（如下图红框中内容）。
除了谷歌之外，还有很多公司都开始给KG投资，在很多国家也涌现了以KG为核心的创业公司，还有一些KG的应用在被非盈利组织，政府机构，学术机构使用。下一篇文章会讲到几个KG的应用的例子。
简单来说，KG就是用图理论表现人类的知识，使得计算机能够理解它们的语义。换句话说，KG是一种通过图来表现知识的方式，这种方式能够让计算机进行推理（reasoning and reference），从而回答一些问题。
从功能角度来定义的话，KG是一些三元组（triple）的合集，每一个三元组表示了一个断言（assertion）。如果KG是基于可靠的数据且100%正确构建的话，我们可以把这些断言看作是事实（facts）。
通常，一个三元组由三个元组（h, r, t）组成，h是头实体（head entity），t是尾实体（tail entity），r是两个实体之间的关系（relationship）。在大部分情况下，自然语言都能被这种形式很方便地表现出来。
举个例子，“Fido the dog stole a bone from Mary's backyard”（小狗Fido从Mary的后院里偷走了一根骨头）这句话可以被以下的三元组set表示出来：{(Fido, is-a, Dog), (Fido, stole, bone_1), (bone_1, is-a, Bone), (bone_1, located-in, yard_1), (yard_1, is-a, Yard), (yard_1, belongs-to, Mary), (Mary, is-a, Person)}。这些三元组也可以通过图来表示，如下图：
在这个图中，实心的椭圆可以看做是ontology的一部分（关于ontology的知识这里就不再赘述，以后可能写一篇介绍ontology的文章，再把链接放过去），空心的椭圆就是KG，is-a关系连接了实例（instances）和概念（concepts）。关系都在ontology中被定义，而在KG中被使用。
除了Google KG，其他大部分KG都是基于某个领域的（domain-specific），而且拥有该领域对应的ontology。这是因为并没有可以适用于所有情况（“one-size fits all”）的schema或ontology来解决一切问题。
但是一旦有了ontology的框架，我们只需要让KG根据这个框架生成。虽然框架越复杂填充KG越难，但是复杂度高的ontology可以让语义（semantics）变得更强健，也能支持更复杂的查询（queries）。反之，简单的ontology可以让填充，检查和分析KG变得更简单。
到这里《什么是知识图谱（Knowledge Graph）（上）》的内容就结束啦~
下半部分《什么是知识图谱（Knowledge Graph）（下）》将会讲述几个使用了KG技术的经典例子。
本人也在边总结这本书边学习知识图谱，如果有错误还请指正^_^
这一系列文章主要是提取一些最最最关键内容，想仔细阅读的朋友们还请移步原书哟~
（last but not least：转载请注明出处）