精华内容
下载资源
问答
  • 知识图谱是一项综合性的复杂技术,其主要关注于知识的表示、知识图谱的构建以及应用这三个方面的研究内容。其中知识的表示即是指三元组,知识图谱的构建则主要涉及信息抽取的相关技术。
  • 知识图谱 课程PPT
  • 当时将知识图谱这个概念发表在这篇谷歌的 Official Blog:**《Introducing the Knowledge Graph:things,not strings》**(附在文章最后),想入门知识图谱的朋友,还是有必要去看一下最初的这篇博客。

    知识图谱系列文章列表:
    知识图谱概述(一)知识图谱概念提出
    知识图谱概述(二)知识图谱定义
    知识图谱概述(三)知识图谱构成
    知识图谱概述(四)知识图谱历史发展
    知识图谱概述(五)知识图谱分类
    知识图谱概述(六)知识图谱技术应用

    了解一门技术,首先要知道这门技术是怎样提出的?

    目前我们所研究的知识图谱,英文名Knowledge Graph,简称KG,是google公司 在 2012 年提出的。当时将知识图谱这个概念发表在这篇谷歌的 Official Blog:《Introducing the Knowledge Graph:things,not strings》(附在文章最后),想入门知识图谱的朋友,还是有必要去看一下最初的这篇博客。

    通过技术概念的提出,可以看出两点:

    1. 提出时间不久,还是一个比较新的事物(一会儿再谈相关技术的历史)。
    2. 提出时渲染的非常有寓意,知识图谱,真实世界的事物,而不再是字符串,引人入胜。

    附上谷歌 2012 年的这篇博客:

    《Introducing the Knowledge Graph:things,not strings》
    Search is a lot about discovery—the basic human need to learn and broaden your horizons. But searching still requires a lot of hard work by you, the user. So today I’m really excited to launch the Knowledge Graph, which will help you discover new information quickly and easily.

    Take a query like [taj mahal]. For more than four decades, search has essentially been about matching keywords to queries. To a search engine the words [taj mahal] have been just that—two words.

    But we all know that [taj mahal] has a much richer meaning. You might think of one of the world’s most beautiful monuments, or a Grammy Award-winning musician, or possibly even a casino in Atlantic City, NJ. Or, depending on when you last ate, the nearest Indian restaurant. It’s why we’ve been working on an intelligent model—in geek-speak, a “graph”—that understands real-world entities and their relationships to one another: things, not strings.

    The Knowledge Graph enables you to search for things, people or places that Google knows about—landmarks, celebrities, cities, sports teams, buildings, geographical features, movies, celestial objects, works of art and more—and instantly get information that’s relevant to your query. This is a critical first step towards building the next generation of search, which taps into the collective intelligence of the web and understands the world a bit more like people do.

    Google’s Knowledge Graph isn’t just rooted in public sources such as Freebase, Wikipedia and the CIA World Factbook. It’s also augmented at a much larger scale—because we’re focused on comprehensive breadth and depth. It currently contains more than 500 million objects, as well as more than 3.5 billion facts about and relationships between these different objects. And it’s tuned based on what people search for, and what we find out on the web.
    The Knowledge Graph enhances Google Search in three main ways to start:

    1.Find the right thing

    Language can be ambiguous—do you mean Taj Mahal the monument, or Taj Mahal the musician? Now Google understands the difference, and can narrow your search results just to the one you mean—just click on one of the links to see that particular slice of results:

    在这里插入图片描述

    2.Get the best summary
    With the Knowledge Graph, Google can better understand your query, so we can summarize relevant content around that topic, including key facts you’re likely to need for that particular thing. For example, if you’re looking for Marie Curie, you’ll see when she was born and died, but you’ll also get details on her education and scientific discoveries:

    在这里插入图片描述

    How do we know which facts are most likely to be needed for each item? For that, we go back to our users and study in aggregate what they’ve been asking Google about each item. For example, people are interested in knowing what books Charles Dickens wrote, whereas they’re less interested in what books Frank Lloyd Wright wrote, and more in what buildings he designed.

    The Knowledge Graph also helps us understand the relationships between things. Marie Curie is a person in the Knowledge Graph, and she had two children, one of whom also won a Nobel Prize, as well as a husband, Pierre Curie, who claimed a third Nobel Prize for the family. All of these are linked in our graph. It’s not just a catalog of objects; it also models all these inter-relationships. It’s the intelligence between these different entities that’s the key.

    3.Go deeper and broader

    Finally, the part that’s the most fun of all—the Knowledge Graph can help you make some unexpected discoveries. You might learn a new fact or new connection that prompts a whole new line of inquiry. Do you know where Matt Groening, the creator of the Simpsons (one of my all-time favorite shows), got the idea for Homer, Marge and Lisa’s names? It’s a bit of a surprise:

    在这里插入图片描述

    We’ve begun to gradually roll out this view of the Knowledge Graph to U.S. English users. It’s also going to be available on smartphones and tablets—read more about how we’ve tailored this to mobile devices. And watch our video (also available on our site about the Knowledge Graph) that gives a deeper dive into the details and technology, in the words of people who’ve worked on this project.

    We hope this added intelligence will give you a more complete picture of your interest, provide smarter search results, and pique your curiosity on new topics. We’re proud of our first baby step—the Knowledge Graph—which will enable us to make search more intelligent, moving us closer to the “Star Trek computer” that I’ve always dreamt of building. Enjoy your lifelong journey of discovery, made easier by Google Search, so you can spend less time searching and more time doing what you love.

    Posted by Amit Singhal, SVP, Engineering

    展开全文
  • 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...

    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。
    在这里插入图片描述
    (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)。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。

    1. 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。

    1. 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
    在这里插入图片描述

    1. 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
    1. 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
    在这里插入图片描述
    (3)知识图谱有助于增强机器学习的能力
    在这里插入图片描述

    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。
    在这里插入图片描述
    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

    在这里插入图片描述

    1.4.2 智能搜索

    在这里插入图片描述

    1.4.3 智能推荐

    在这里插入图片描述

    1.4.4 自然人机交互

    在这里插入图片描述

    1.4.5 决策支持

    在这里插入图片描述

    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

    在这里插入图片描述

    展开全文
  • 1. 知识图谱:本质是一种大规模语义网络。 ①实体(对象,实例):必须是自在的,独立的,不依附于其他东西而存在的。eg:柏拉图 ②概念(类别,类):eg:哲学家 ③值:每个实体都有一定的属性值,eg:数值类型,...

    一. 基本概念

    1. 知识图谱:本质是一种大规模语义网络。

    在这里插入图片描述 ①实体(对象,实例):必须是自在的,独立的,不依附于其他东西而存在的。eg:柏拉图
    ②概念(类别,类):eg:哲学家
    ③值:每个实体都有一定的属性值,eg:数值类型,日期类型或者文本类型。eg:131平方公里,公元前427年,英文译名是Pato

    边可分为属性和关系两类

    I.属性:描述实体某方面的特性。
    eg:英文译名是Pato,英文译名就是一种属性。
    II.关系:当实体的某个属性值也是一个实体时,这个属性的实质就是关系。
    eg:亚里士多德的导师是柏拉图,那么导师这个属性就是一种关系。

    2.知识图谱与传统语义网络的区别

    I.规模巨大
    II.语义丰富

    自然语言有歧义性、多样性,语义理解有模糊性且依赖于上下文,需要知识图谱去处理歧义。

    III.质量精良

    大数据的多元性特性可以使得我们哦通过多个来源来验证简单事实,如果大部分来源支持某一事实,基本推断这个事实正确。

    IV.结构友好

    通常可以表示为三元组。三元组可以借助RDF进行表示。

    3.知识图谱与本体的区别

    本体侧重对存在进行规定和刻画。博主理解为就是对一个特定的实体进行描述,如下图:
    在这里插入图片描述

    二.知识图谱的研究意义

    机器认知智能的两个核心能力是:“理解”、“解释”

    I.理解:视作建立从数据到知识图谱中的实体、概念、属性之间映射的过程。

    II.解释:本质就是将知识图谱中的知识与问题或者数据相关联。

    书上的定义是这个,并说明这两个名词的解释是一个开放问题,博主认为两个意思差不多,理解相当于从实体进行发散,而解释是通过外界的一个问题来连接实体、属性、关系,如下图:请添加图片描述
    现在人们常常在百度上搜索 “怎样才能变瘦?”这样的问题,本质上就是希望平台给予一定的解释。

    三.知识图谱的应用价值

    I.数据分析

    eg:我们想查询王宝强离婚的事情,而王宝强的外号是王宝宝,我们就在百度王宝宝离婚,那么王宝宝离婚和王宝强离婚这两件事其实是一件事,要做一个关联,这就是知识图谱应该做的事。

    II.智慧搜索

    eg:在淘宝上购买ipad 充电器,应该弹出来的是一些卖充电器的商家而不是卖ipad的商家。

    III.智能推荐

    eg:如果用户在搜索“沙滩裤”,那么平台就可以给他推荐“泳衣、防晒霜”等。

    IV.决策支持

    人们越来越不满足简单的关联,而是希望发掘一些深层次的关系。
    eg:A离婚了,找了B当律师。为什么找了B,因为A和C,D是好朋友,而B是C,D的法律顾问,这样问题就解决了。

    DKG:Domain-specific Knowledge 领域行业知识图谱
    GKG:General-purpose Knowledge 通用知识图谱

    展开全文
  • 概念图谱(Concept Graph)是一类专注于实体和概念之间的isA关系的知识图谱。 从语言和认知两个角度,概念和图谱可以划分为 1)概念层级体系 (Taxonomy) 包括三种元素:实体 、概念 和 isA关系 ...

    读完可以回答以下问题:

    什么是概念图谱?

    有哪些概念图谱?

    概念图谱有什么价值和应用?

    1.什么是概念?

    从计算机信息的角度,概念是对某个形态的数据输入产生符号化概念输出的过程。

    2.什么是概念图谱?如何分类?

    概念图谱(Concept Graph)是一类专注于实体和概念之间的isA关系的知识图谱。

    从语言和认知两个角度,概念和图谱可以划分为

          1)概念层级体系 (Taxonomy)

                   包括三种元素:实体  、概念 和 isA关系

                                   关系特点:有严格的层级,有向无环图(Directed Acyclic Graph,DAG)

                   

          2)词汇概念层级体系(Lexical Taxonomy)

                    基本关系是词汇之间的上下位关系(Hypernymy-Hyponymy,上下位关系)

                            关系特点:有粗略的层级结构,可能由于歧义而存在环

                    例如:apple isA fruit  

                              apple是fruit的下位词Hypernym

                              fruit是apple的上位词Hyponym

    3.常见的概念图谱

           

    4.概念知识图谱的价值和应用

         概念知识图谱对认知智能的实现至关重要,使用方法均是将概念作为实体词汇或其它对象的语义表示。

         概念语义表示的分类:

                1)隐式表示:常被深度学习应用

                2)显示表示:具有可控可解释等优点

        

    展开全文
  • 知识图谱狭义概念是一类语义网络,语义网络只是各种知识表示中的一种。 知识图谱与自然语言处理关系密切,体现在: 知识提取的一个重要途径是从自由文本中抽取,而文本信息抽取是自然语言处理的核心问题之一。 知识...
  • 欢迎来到和Alex一起啃书系列——知识图谱概念与技术肖仰华——基础知识阶段前言第一章、知识图谱概述1.1知识图谱的基本概念1.2知识图谱的历史沿革 前言 你好! 本笔记主要用于个人复习使用。即将要进入到研究生学习...
  • 文章目录关于知识图谱知识图谱概念知识图谱与异质网络知识图谱与知识库知识图谱构建研究背景知识图谱构建知识图谱的构建流程知识图谱本体构建知识图谱构建核心步骤实体消岐知识图谱关系补全知识图谱关系推理知识...
  • 知识图谱概念 人工智能技术的三个发展阶段 1、计算智能 2、感知智能 3、认知智能 知识图谱例子 知识的图表示形式 包括:实体、属性、关系 节点是实体,也有属性标签 两个节点的边是实体间关系 知识图谱vs深度...
  • 读完可以回答以下问题: 1.概念图谱构建的要素是什么?...概念图谱作为一种重要的知识图谱也是如此。 如何构建大规模且高质量的概念图谱呢? 从大规模的文本中自动抽取isA关系,进而构建大规模概念图谱。如何提高质
  • 知识图谱基本概念

    千次阅读 2020-05-09 17:09:37
    目录知识图谱的基本概念知识图谱的狭义概念知识图谱的狭义概念知识图谱的广义概念功能快捷键合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一...
  • 比如,对于知识图谱领域的学习,就要从对“关系提取”“词汇挖掘”“实体识别”等领域词汇的理解开始。一旦机器具备了领域词汇的识别能力,就可以代替人类从事一些简单的知识工作。可以说,对领域词汇的识别与理解是...
  • 复旦大学肖仰华的知识图谱与认知智能. pdf格式,非常清楚。
  • 知识图谱入门 知识图谱(Knowledge Graph),在图书情报界称为知识域可视化或知识领域映射地图,是显示知识发展进程与结构关系的一系列各种不同的图形,用可视化技术描述知识资源及其载体,挖掘、分析、构建、绘制和...
  • 知识图谱概念

    2019-05-29 13:41:11
    知识图谱(Knowledge Graph) 以其强大的语义处理能力和开放组织能力,为互联网时代的知识化组织和智能应用奠定了基础。 最近,大规模知识图谱库的研究和应用在学术界和工业界引起了足够的注意力。知识图谱旨在描述...
  • 知识图谱概念 此系列文章为了应付期末考试而作的知识点整理。 1.全为概念学习,若想学习更加深入的知识,请移步专家区。 2.全手打,自己复习的同时,希望能帮到各位和我一样垂死挣扎的同学。 知识图谱概念以及其...
  • 知识图谱总结(一)概念

    千次阅读 2019-04-17 22:11:22
    一、知识图谱概念 1.语义网络(Semantic Network) 与语义网不是同一概念,需要注意。 语义网络由相互连接的节点和边组成,节点表示概念或者对象,边表示他们之间的关系。 在表现形式上,语义网络和知识图谱相似,但...
  • 知识图谱基本概念梳理

    千次阅读 2019-02-27 11:32:59
    知识图谱技术综述》整理知识图谱基本概念前言部分知识图谱的定义和架构知识图谱的定义知识图谱的架构知识图谱的逻辑结构知识图谱的体系架构知识图谱的关键技术知识抽取知识表示知识融合知识推理参考文献 知识图谱...
  • 知识图谱基础概念

    千次阅读 2018-12-28 10:48:00
    0. AI为什么需要知识图谱? 人工智能分为三个阶段,从机器智能到感知智能,再到认知智能。 机器智能更多强调这些机器的运算的能力,大规模的集群的处理能力,GPU的处理的能力。 在这个基础之上会有感知智能,感知...
  • 读完可以回答以下问题: ...概念图谱作为知识图谱中的一种,专注于isA关系。因此,概念图谱补全中最重要的问题就是isA关系补全。 1. isA关系缺失的常见原因有哪些? 2.常用的isA关系补全方法有
  • 本文来自csdn,本文主要通过介绍了关于知识图谱的技术全面综述,涵盖基本定义与架构、代表性知识图谱库、构建技术、开源库和典型应用【导读】知识图谱技术是人工智能技术的组成部分,其强大的语义处理和互联组织能力...
  • 知识图谱构建(概念,工具,实例调研)

    千次阅读 多人点赞 2020-10-24 12:56:41
    一、知识图谱概念 知识图谱(Knowledge graph)知识图谱是一种用图模型来描述知识和建模世界万物之间的关联关系的技术方法。知识图谱由节点和边组成。节点可以是实体,如一个人、一本书等,或是抽象的概念,如...
  • 知识图谱(Knowledge Graph)...知识图谱的定义:知识图谱是结构化的语义知识库,用于以符号形式描述物理世界中的概念及其相互关系。 知识图谱旨在描述客观的概念、实体、事件及其之间的关系。 概念:人们在认识世...
  • 什么是知识图谱

    2021-12-12 20:28:46
    知识图谱这一概念最早有Google 提出,它是结构化知识库结合语义网络的产物,在表示形式上跟语义网络相似,但语义网络偏向描述概念之间的关系,而知识图谱偏向实体之间的关联。 举个例子: 语义网络 用相互连接的...
  • 知识图谱简介(一)——相关概念

    万次阅读 2019-05-07 15:51:49
    知识图谱是Google在2012年5月17日提出的,其初衷是为了提高搜索引擎的能力,改善用户的搜索质量以及搜索体验。当前的人工智能技术其实可以简单地划分为感知智能(主要是图像、视频、语音、文字等识别)和认知智能...
  • 知识图谱学术报告,大规模知识图谱自动化构建技术与应用
  • 知识图谱( Knowledge Graph)的概念由谷歌2012年正式提出,旨在实现更智能的搜索引擎,并且于2013年以后开始在学术界和业界普及。目前,随着智能信息服务应用的不断发展,知识图谱已被广泛应用于智能搜索、智能问答...
  • 知识图谱概念

    千次阅读 2018-05-28 16:38:07
    知识图谱(Knowledge Graph) 以其强大的语义处理能力和开放组织能力,为互联网时代的知识化组织和智能应用奠定了基础。最近,大规模知识图谱库的研究和应用在学术界和工业界引起了足够的注意力。知识图谱旨在描述...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 15,982
精华内容 6,392
关键字:

知识图谱概念