知识图谱发展与构建

目录

一 什么是知识图谱

二 知识图谱的相关技术

三 知识图谱的应用行业

四 金融知识图谱的技术框架和体系结构

---

      知识图谱（Knowledge Graph, KG）是人工智能重要分支，知识工程在大数据环境中的成功应用，知识图谱与大数据和深度学习一起，成为推动互联网和人工智能发展的核心驱动力之一。

        今天周一，花了一整天查阅和了解了知识图谱（knowledge graph）， 想到了运用知识图谱解决我的工程问题，但是从我的图片数据中抽取entity和relationship太难了， 信息抽取太难！

        记录一下吧， 放点比较好的资源，大家都来学习知识图谱，下面链接是清华大学计算机科学与技术系教授唐杰率领团队建立的AMiner（有KG年度报告总结和KG最新研究）和北京大学建立的图数据库管理系统（有讲解工程部分，PPT可以下载）。

https://www.aminer.cn/research_report/articlelist?page=1&title=%E7%9F%A5%E8%AF%86%E5%9B%BE%E8%B0%B1

https://www.bilibili.com/video/BV1iT4y1E7we?from=search&seid=18201555114579424233

下面就贴几张图片，总结今天的学习

一 什么是知识图谱

2012年5月16日, Google发布“知识图谱”的新一代“智能”搜索功能，知识图谱研究热潮高涨

目的：构建知识图谱的目的，就是让机器具备认知能力，理解这个世界

本质：本质上是基于图的语义网络，表示实体和实体之间的关系！

（1）从文本中抽取实体和关系；（2）构建语义网络；（3）分析并从KG网络中获取信息

 

知识图谱：在数据库系统上利用图谱这种抽象载体表示知识这种认知内容

三元组的基本形式：实体1——关系——实体2

                                 实体——属性——属性值

 

二 知识图谱的相关技术

知识图谱研究涉及到的技术有：知识工程构建、数据库操作和管理、自然语言处理和机器学习，下面简单介绍涉及到的技术

1 知识图谱与知识工程

• 领域本体的构建：面向特定领域的形式化地对于共享概念体系的明确而又详细的说明
• 知识抽取：从海量的数据中通过信息抽取的方式获取知识
• 知识融合：通过对多个相关知识图谱的对齐、关联和合并，使其称为一个有机的整体，以提供更全面知识

2 知识图谱数据类型

• RDF (Resource Description Framework)定义了一个简单的模型，用于描述资源，属性和值之间的关系。资源是可以用URI标识的所有事物，属性是资源的一个特定的方面或特征，值可以是另一个资源，也可以是字符串。总的来说，一个RDF描述就是一个三元组：<主语、谓词、宾语>。
• RDFs：在RDF数据层的基础上引入模式层，定义类、属性、关系、属性的定义域与值域来描述与约束资源，构建最基本的类层次体系和属性体系，支持简单的上下位推理。
• 本体语言OWL：进一步扩展RDFS词汇，可声明类间互斥关系、属性的传递性等复杂语义，支持基于本体的自动推理，提供了一组合适web传播的描述逻辑的语法，对机器友好，但认知复杂性限制了工程应用。

3 知识抽取

4 知识融合

5 知识图谱与自然语言处理

自然语言处理和知识图谱研究是双向互动的关系

6 知识图谱与数据管理

• 知识图谱本质上是多关系图，通常用“实体”来表达图里的结点、用“关系”来表达图里的边。
• 关系型数据库：实体与实体之间的关系通常都是利用外键来实现，对关系的查询需要大量join操作
• 图数据库：图模型建模实体（结点）和实体之间的关系（边），在对关系的操作上有更高的性能

7 知识图谱与机器学习

三 知识图谱的应用行业

1 应用领域

2 医疗领域知识图谱

3 医疗知识图谱构建流程

4 医疗知识图谱Schema

四 金融知识图谱的技术框架和体系结构

1 应用

基于企业的基础信息、投资关系、诉讼、失信等多维度关联数据，利用图计算等方法构建科学、严谨的企业风险评估体系，有效规避潜在的经营风险与资金风险

应用：穿透式多层股权查询、资本系查询、风险评估、客户资源分类管理、信贷前期风险评估、采购企业风险审核、招投标企业资质评级等

2 技术框架

3 体系结构