精华内容
下载资源
问答
  • 介绍了认知图谱,核心概念为知识图谱+认知推理+逻辑表达 PPT下载链接: https://pan.baidu.com/s/18jvujS5EM351h4Vus-uhSg 提取码: 14w3 近年来,人工智能掀起了第三次浪潮,各个国家纷纷制订了人工智能的发展战略...

    2020 年 3 月,清华大学计算机系唐杰教授在中科院“先导杯”并行计算应用大奖赛启动仪式带来《人工智能下一个十年》的主题报告。介绍了认知图谱,核心概念为知识图谱+认知推理+逻辑表达

    PPT下载链接: https://pan.baidu.com/s/18jvujS5EM351h4Vus-uhSg 提取码: 14w3

    在这里插入图片描述
    近年来,人工智能掀起了第三次浪潮,各个国家纷纷制订了人工智能的发展战略。在这个时代背景下,我们需要考虑人工智能未来十年会怎样发展。

    在这里插入图片描述
    深入分析 AI 近十年的发展,会看到一个重要的标志:**人工智能在感知方面取得重要成果。**人工智能在语音识别、文本识别、视频识别等方面已经超越了人类,可以说 AI 在感知方面已经逐渐接近人类的水平。从未来的趋势来看,人工智能将会有一个从感知到认知逐步发展的基本趋势。

    在这里插入图片描述
    **可以把深度学习算法归类为这四个脉络,而这四个方面都取得了快速的进展。**最上面浅紫色部分的内容是以前向网络为代表的深度学习算法。第二层淡绿色部分的内容表示一个以自学习、自编码为代表的学习时代。第三层橘色部分的内容代表自循环神经网络(概率图模型的发展)的算法。最下面粉色部分是以增强学习为代表的发展脉络。

    在这里插入图片描述
    如果再深入追溯最近几年最重要的发展,会发现 BERT 是一个典型代表。以 BERT 为代表的预训练算法得到了快速的发展,基本上所有的算法都采用了预训练+微调+ Fine tune 的方法。BERT 在 2018 年年底通过预训练打败了 NLP 上 11 个任务的经典算法;XLNet 在 2019 年提出来通过双向网络的方法超过了 BERT。再后来,ALBERT 又超过了 XLNet 和原始的 BERT。整个 BERT 的发展引发了后续一系列的工作。

    在这里插入图片描述
    DeepMind 又把代表性的关联关系生成到 graph_net 中,于是在网络中可以实现一定的推理。最近,Facebook 的何恺明提出了以 contrastive learning 为基础的 MoCo 及 MoCo2,在很多无监督学习(Unsupervised learning)的结果上超过了监督学习(Supervised learning),这是一个非常重要的进展,这也标志着预训练达到了一个新的高度。Hinton等人利用 SimCLR,通过简化版的 contrastive learning 超过了 MoCo,后来 MoCo2 又宣称超过了 SimCLR。总体来看,在算法的时代,预训练算法取得了快速的进展。那么未来十年,AI 将何去何从?

    在这里插入图片描述
    这里引用下张钹院士提出来的第三代人工智能的理论体系,核心思想为:(1)建立可解释、鲁棒性的人工智能理论和方法。(2)发展安全、可靠、可信及可扩展的人工智能技术。(3)推动人工智能创新应用。

    其中具体实施的路线图如下:(1)与脑科学融合,发展脑启发的人工智能理论。(2)数据与知识融合的人工智能理论与方法。

    在这个思想框架下,我们做了一定的深入研究,我们称之为认知图谱(Cognitive Graph)。其核心概念是知识图谱+认知推理+逻辑表达。

    在这里插入图片描述
    知识图谱大家很熟悉,是谷歌在 2012 年提出来的。这其中有两个重磅的图灵奖获得者:一个是爱德华·费根鲍姆(1994 年图灵奖得主),他在 20 世界 60 年代就提出来了知识库的一些理论体系和框架;另一个是 1994 年蒂姆·伯纳斯·李(2016 年图灵奖得主、WWW 的创始人、语义网络的创始人)。这里面除了知识工程、专家系统,还有一个代表性的系统 CYC,CYC 可以说是历史上持续时间最长的项目,从 1985 年开始,这个项目直到现在还一直在持续。

    在这里插入图片描述
    下面介绍一下认知图谱,这里举一个例子来说明一下。假如我们要解决一个问题“找到一个 2003 年在洛杉矶的 Quality 咖啡馆拍过电影的导演(Who is the director of the 2003 film which has scenes in it filmed at The Quality Cafe in Los Angeles)”。如果是人来解决这个问题的话,可能是先追溯相关的文档,如 Quality 咖啡馆的介绍文档,洛杉矶的维基百科页面等,我们可能会从中找到相关的电影,如 Old School ,在这个电影的介绍文档里面,我们可能会进一步找到该电影的导演 Todd Phillips,经过比对电影的拍摄时间是 2003 年,最终确定答案是 Todd Phillips。

    在这里插入图片描述
    当我们用传统算法(如 BIDAF, BERT, XLNet)进行解决的时候,计算机可能只会找到局部的片段,仍然缺乏一个在知识层面上的推理能力,这是计算机很欠缺的。人在这方面具有优势,而计算机缺乏类似的能力。

    在这里插入图片描述
    人在解决上述问题的过程中存在推理路径、推理节点,并且能理解整个过程,而 AI 系统,特别是在当下的 AI 系统中,深度学习算法将大部分这类问题都看作是一个黑盒子。

    在这里插入图片描述
    怎么办呢?对此,我们提出了“认知图谱”这个概念,希望用知识表示、推理和决策,包括人的认知来解决上述问题。


    这个基本的思想是结合认知科学中的双通道理论。在人脑的认知系统中存在两个系统:System 1 和 System 2,如下图所示。System 1 是一个直觉系统,它可以通过人对相关信息的一个直觉匹配寻找答案,它是非常快速、简单的;而 System 2 是一个分析系统,它通过一定的推理、逻辑找到答案。

    在这里插入图片描述
    在 NIPS 2019 上,图灵奖获得者 Bengio 在大会的 Keynote 也提到,System 1 到 System 2 的认知是深度学习未来发展的重要的方向。

    在这里插入图片描述
    因此,我们大概用这个思路构建了这个新的、我们称为认知图谱的这样一个方法。在 System 1 中我们主要做知识的扩展,在 System 2 中我们做逻辑推理和决策

    在这里插入图片描述
    可以看到,我们在 System 1 中做知识的扩展,比如说针对前面的问题,我们首先找到相关的影片,然后用 System 2 来做决策。如果是标准答案,就结束整个推理的过程。如果不是标准答案,而相应的信息又有用,我们就把它作为一个有用信息提供给 System 1,System 1 继续做知识的扩展,System 2 再来做决策,直到最终找到答案。

    在这里插入图片描述
    现在,在这两个系统中,System 1 是一个直觉系统,我们用 BERT 来实现,实现了以后,我们就可以做相关的信息的匹配;System 2 就用一个图卷积网络来实现,在图卷积网络中可以做一定的推理和决策。通过这个思路,我们就可以实现一定的推理+决策。

    在这里插入图片描述
    这是一个总体的思路,要真正实现知识和推理,其实还需要万亿级的常识知识库的支持,如下图所示。也就是说,四五十年前费根鲍姆做过的事情,也许我们现在要重做一遍,但是我们要做到更大规模的常识知识图谱,并且用这样的方法,用这样的常识知识图谱来支撑上面的深度学习的计算,这样才能真正实现未来的 AI。

    在这里插入图片描述
    所以说,这一代人工智能浪潮也许到终点还是没有推理能力,没有可解释能力。而下一波人工智能浪潮的兴起,就是实现具有推理、具有可解释性、具有认知的人工智能,我们认为这是 AI 下一个 10 年要发展、也一定会发展的一个重要方向。

    展开全文
  • 数据模型,也可以称为知识表达模型,解决知识图谱如何组织数据的问题,是数据的底层架构,是一个知识体系框架,能够涵盖住知识图谱所有的数据,决定了数据收集的范围。 1 数据的分类问题。 通用知识图谱,它收集的...

    数据模型就是数据组织方式,是构建知识图谱首要解决的问题,无论是开放域的知识图谱还是行业的知识图谱,都需要收集大量的数据,这些数据的收集是有选择性的,这个选择的依据就是数据模型。数据模型,也可以称为知识表达模型,解决知识图谱如何组织数据的问题,是数据的底层架构,是一个知识体系框架,能够涵盖住知识图谱所有的数据,决定了数据收集的范围。

    1 数据的分类问题。

    通用知识图谱,它收集的数据比较全,涉及到各种各样的知识。我们可以把通用知识图谱认为是一个大而全的知识图谱,它基本能涵盖所有的知识,当然,这类通用知识图谱,由于涵盖的知识范围广,所有对于某一个知识点,可能不会说的特别细,也就是深度不够。行业知识图谱和通用知识图谱,正好是一个互补的关系,行业知识图谱是对某一个行业的知识,组织的很专业,研究的很深入。

    无论是通用知识图谱还是行业知识图谱,都存在数据的组织问题,首要的就是数据如何分类,可以画一个树状图,根节点为物体或者对象,就是包含万物,然后再一层层的进行分类,知识图谱中的所有知识都可以在树状图中找到对应的节点。

    下面我们以百科数据为例,介绍一下知识图谱的分类问题。其它通用知识图谱,也有自己的分类体系,和百科的分类大同小异,但也有自己的一些特点。

    百科知识的组织,第一层分类为艺术、科学、自然、文化、地理、生活、社会、人物、经济、体育、历史等。

    选择一个分类,比如科学分类,就能看到第二层分类科学的分类体系,包括健康医疗、航空航天、天文学、环境生态、农业科学、生命科学、数理科学、心理学、信息科学、工程技术、化学、地球科学、其它等。

    再继续选择,比如健康医疗,就可以看到第三层的分类,医学知识库的知识分类情况,从医疗症状、药物、中医药、诊断技术等几个维度来组织医学知识。

    通过这种分类体系,就会发现,无论收集什么知识,我们都可以在体系中找到对应的分类,这样有利于大家在这个知识图谱中查找知识,也有利于添加知识,扩展知识图谱的数据内容。

    2 数据的属性

    对于数据组织体系,在分类到末端节点,也就是叶子节点,就需要对这个叶子节点(具体知识点)进行描述,如何将一个知识点描述清楚,在知识图谱中,需要使用属性来描述知识点。这些属性可以从多个方面,多个层次来描述事物。

    我们还是以百科数据为例,在医学知识库中,找到叶子知识点,比如糖尿病, 词条中最重要的一个是定义或者叫做简介,说明什么是糖尿病,然后是几个主要属性,英文名称、常见症状、就诊科室、传染性等。把这些属性放到最开始的位置,人们看到后,就可以对糖尿病有一个大致的了解,这些属性也能够简单反映糖尿病这个知识点的基本情况。

    除了基本的属性,对于糖尿病这个知识点,还有更多的描述,百科是从病因、检查、鉴别诊断、临床表现、诊断、治疗这几个维度,来阐述糖尿病,通过这些更进一步的属性,人们就会对糖尿病有一个更深入的了解。

    下面我们再继续来看一下,检查这个属性,都包括哪些内容。百科中列出了比较多的检查项目或者称为检查内容,血糖、尿糖、尿酮体、糖基化血红蛋白(HbA1c)、糖化血清蛋白等等,而且对于每一项检查内容,都有一个简短的说明。

    上面的属性,就是百科对于疾病症状的知识组织方式,我们可以看一下其他的疾病症状,基本上都是按照这个方式,来组织属性数据。糖尿病这个疾病症状,通过一些属性,还可以关联到其它词条,比如检查内容中的血糖。这样就可以在知识点之间建立关联,形成一个网状的知识图谱。

    3 数据模型的构建过程

    在构建数据模型的实践中,基本上都会找一个类似的知识体系,或者粗略的数据分类体系,然后以其为基础,再进行扩展。当然,在收集数据的过程中,也可能会收集到大量脱离数据模型的数据,这时候,就可以根据这些数据进行数据模型的修改和完善。

    构建数据模型的初始阶段,可以找一个知识图谱的中心数据,比如构建一个音乐知识图谱,可以以歌曲为中心,先考虑歌曲的属性,比如演唱者、作词、作曲、分类、歌词、乐谱等等,对于这些属性,一方面是考虑在知识图谱中是否合适,需要不断地斟酌,修改、增加或者删除一些属性,从而达到完善属性的目的。另一方面,还要确定这些属性对应的属性值,比如演唱者、作词、作曲都是对应的人,人也是一种实体,也会有很多属性,比如出生日期、性别、姓名、籍贯、主要事迹、作品等等,对于人的属性,又可以开启属性论证工作,确定使用哪些属性,属性值的范围等。

    在不断确定属性和属性值范围的过程中,我们还要明确一个边界。因为对于这种关联关系,可以一直做下去,最后都会变成一个万物互联的通用知识图谱。我们有的时候,可能是构建一个行业知识图谱,这时候,边界的确定就很重要,比如出生日期,对于古代人,就不能写成年月日的形式,可能就是一个朝代,这个朝代也是一个实体,我们就没有必要再对朝代进行属性和属性值的确定。因为朝代对于我们知识图谱来说,已经是相关性很小的知识了。对于朝代这类和知识图谱相关性比较弱的知识实体来说,我们才觉得办法,最简单的处理就是直接写一个名称,将它看作一个字符串或者是一个枚举值,作为枚举值的话,需要罗列出所有的朝代。另外一种处理方法就是将包含的朝代链接到通用知识图谱,比如百度百科或者dbPedia等公认的通用知识图谱。我们专注于行业知识图谱中,关联性比较强的数据。

    4 数据模型需要注意的问题

    我们最终构建的数据模型,需要注意两个方面的问题。

    一个是体系的完备性。有类、子类这样的层次关系,实体都能划分到这个层次关系中。类的属性,子属性,每个类都有什么属性,属性之间存在什么样的关系,对于一个属性来说,它可以看作是谓语,主语和宾语的范围如何界定。将类、子类、属性、子属性之间的关系描述清楚,能够把知识图谱中的相关实体都纳入到这个体系中,并且通过属性叙述清楚实体,就表示这个数据模型满足了知识图谱的完备性要求。

    另一个需要注意的是数据模型度的把握。虽然有完备性的要求,但也不能将所有的内容都罗列到数据模型中。对于数据模型中的类和属性,要有所取舍,只选取那些和知识图谱相关性强的类和属性,一开始可以选的粗一些,然后再逐渐细化。也可以一开始就做的比较细致,后面再进行删减,最后形成一个内容适当的数据模型。

    5 结语

    现在构建知识图谱数据模型,都有一定的依据,一般不会从零开始,有一个雏形作为数据模型的基础,再进行完善。基本模式是以自顶向下为主,再根据收集的数据,对数据模型进行修正,也就是自底向上为辅,这样的构建方式比较普遍。

     

    展开全文
  •  语义网络是由Quillian于上世纪60年代提出的知识表达模式,其用相互连接的节点和边来表示知识。节点表示对象、概念,边表示节点之间的关系。 语义网络的优点: 1. 容易理解和展示。 2. 相关概念容易聚类。  ...

    一、语义网络

            语义网络是由Quillian于上世纪60年代提出的知识表达模式,其用相互连接的节点和边来表示知识。节点表示对象、概念,边表示节点之间的关系。

    语义网络的优点

    1. 容易理解和展示。

    2. 相关概念容易聚类。

     

    语义网络的缺点

    1. 节点和边的值没有标准,完全是由用户自己定义。

    2. 多源数据融合比较困难,因为没有标准。

    3. 无法区分概念节点和对象节点。

    4. 无法对节点和边的标签(label,我理解是schema层,后面会介绍)进行定义。

            简而言之,语义网络可以比较容易地让我们理解语义和语义关系。其表达形式简单直白,符合自然。然而,由于缺少标准,其比较难应用于实践。看过上一篇文章的读者可能已经发现,RDF的提出解决了语义网络的缺点1和缺点2,在节点和边的取值上做了约束,制定了统一标准,为多源数据的融合提供了便利。另外,RDF对is-a关系进行了定义,即,rdf:type(是rdf标准中的一个词汇,之后的文章会介绍)。因此,不管在哪个语义网络中,表达is-a关系,我们都用rdf:type,在语法上形成了统一。比如上图中猫、熊与哺乳动物的关系就可以形式化的表达为:

    猫 rdf:type 哺乳动物 
    熊 rdf:type 哺乳动物

           但还有个问题,如何区分概念和对象?即定义Class和Object(也称作Instance, Entity)。如果不能区分,会对我们产生什么影响?举个例子,假如我们有两个语义网络A和B。在A中,熊是哺乳动物的一个实例。在B中,熊是哺乳动物的一个子类。前者是is-a关系,后者是subClassOf关系。这种情况常有发生,我们建模的角度不同,那么同一个事物的表示也可能不同。如果我们不能用一种方法来区别两者,不仅会给我们带来理解上的困难,在进行融合的时候也会造成数据冲突。我们不能说A既是B的一个实例,又是B的一个子类。W3C制定的另外两个标准RDFS/OWL解决了这个问题,如下图。

           在语义网技术栈中,RDFS和OWL是RDF更上一层的技术,主要是为了解决语义网络的缺点3和缺点4,其提供了schema层的描述。这里只需要知道,通过RDFS或者OWL中的预定义词汇,我们可以形式化地声明一个类:

    哺乳动物 rdf:type rdfs:Class

    或者

    哺乳动物 rdf:type owl:Class

    通过RDFS也可以声明一个子类:

    熊 rdf:type rdfs:Class
    熊 rdfs:subClassOf 哺乳动物

    或者声明一个实例

    熊 rdf:type 哺乳动物

    我们也可以把rdf:type用a代替,即:

    熊 a 哺乳动物

    RDF,RDFS/OWL属于语义网技术栈,它们的提出,使得语义网克服了语义网络的缺点。

    二、语义网(Semantic Web)和链接数据(Linked Data)

           语义网和链接数据是万维网之父Tim Berners Lee分别在1998年和2006提出的。相对于语义网络,语义网和链接数据倾向于描述万维网中资源、数据之间的关系。

           语义网是一个更官方的名称,也是该领域学者使用得最多的一个术语,同时,也用于指代其相关的技术标准。在万维网诞生之初,网络上的内容只是人类可读,而计算机无法理解和处理。比如,我们浏览一个网页,我们能够轻松理解网页上面的内容,而计算机只知道这是一个网页。网页里面有图片,有链接,但是计算机并不知道图片是关于什么的,也不清楚链接指向的页面和当前页面有何关系。语义网正是为了使得网络上的数据变得机器可读而提出的一个通用框架。

           “Semantic”就是用更丰富的方式来表达数据背后的含义,让机器能够理解数据。“Web”则是希望这些数据相互链接,组成一个庞大的信息网络,正如互联网中相互链接的网页,只不过基本单位变为粒度更小的数据,如下图。

           链接数据起初是用于定义如何利用语义网技术在网上发布数据,其强调在不同的数据集间创建链接。从某种角度说,知识图谱是对链接数据这个概念的进一步包装。如下图所示,读者肯定在很多地方看过,这其实就是开放链接数据项目(Linked Open Data Project)进展的可视化(读者可以打开链接查看可交互的可视化图),也通常用来展示当前开放知识图谱的规模,涉及的领域以及知识图谱间的链接关系。

    三、知识图谱

    知识图谱是由本体(Ontology)作为Schema层,和RDF数据模型兼容的结构化数据集。

    这里介绍一下本体:

           本体本身是个哲学名词,在1998年对本体进行了比较完善的定义:本体是共享概念模型的明确的形式化规范说明。这个定义体现了本体的四层含义:概念模型、明确、形式化、共享。

           概念模型:通过抽象出客观世界中一些现象的相关概念而得到的模型。

           明确:所使用地概念及使用这些概念的约束都有明确的定义。

           形式化:本体可通过各种形式化语言对其进行描述,最终是计算机可读、可操作的。

          共享:本体中体现的是公认的知识,反映的是相关领域中公认的概念集。本体的目标是通过确定该领域内共同认可的词汇,达到对该领域知识的共同理解。

         Perez等人利用分类法来组织本体,并归纳出以下5个基本的建模元语:

    (1)类或概念:从语义上将,它表示的是对象的集合,其定义一般采用框架结构,包括概念的名称,与其他概念之间的关系的集合,以及用自然语言对概念的描述。

    (2)关系:在领域中概念之间的相互作用,形式上定义为n维笛卡尔积的子集。在语义上关系对应于对象元组的集合。

    (3)函数:一类特殊的关系,该关系的前n-1个元素可以唯一决定第n个元素。

    (4)公理:代表永真断言,如概念乙属于概念甲的范畴。

    (5)实例:代表元素,从语义上讲实例表示的就是对象。

    以罗纳尔多知识图为例:

           我们用IRI唯一标志节点都是某个类的一个实例每一条边都表示一个关系。罗纳尔多是一个人,里约热内卢是一个地点,我们用RDF来表示就是:

    www.kg.com/person/1 rdf:type kg:Person.
    www.kg.com/place/10086 rdf:type kg:Place.

    关系我们也称为属性(Property),根据是实体和实体之间的关系还是实体和数据值之间的关系分为对象属性(Object Property)和数据属性(Data Property)。在图中,罗纳尔多和里约热内卢的关系(本例中是对象属性)与罗纳尔多和全名的关系(本例中是数据属性)用RDF就可以表示为:

    www.kg.com/person/1 kg:hasBirthPlace www.kg.com/place/10086
    www.kg.com/person/1 kg:fullName "Ronaldo Luís Nazário de Lima"^^xsd:string

    这里kg:Person,kg:Place,kg:hasBirthPlace,kg:fullName是我们在Ontology中定义好的类和关系。

    链接数据和知识图谱最大的区别在于:

    1. 正如上面Open Linked Data Project所展示的,每一个圆圈代表一个独立存在和维护的知识图谱;链接数据更强调不同RDF数据集(知识图谱)的相互链接。

    2. 知识图谱不一定要链接到外部的知识图谱(和企业内部数据通常也不会公开一个道理),更强调有一个本体层来定义实体的类型和实体之间的关系。另外,知识图谱数据质量要求比较高且容易访问,能够提供面向终端用户的信息服务(查询、问答等等)。

    下一篇:知识图谱—RDF、RDFS、OWL

    展开全文
  • 8000字干货:那些很厉害的人是怎么构建知识体系的

    万次阅读 多人点赞 2019-09-29 11:18:27
    分辨知识知识体系的差别 理解如何用八大问发现知识的连接点; 掌握致用类知识体系的构建方法; 能够应用甜蜜区模型找到特定领域来构建知识体系。 1. 知识体系?有必要吗? 小张准备通过跑步锻炼身体,可因为之前...

    本文约8000字,正常阅读需要15~20分钟。读完本文可以获得如下收益:

    1. 分辨知识和知识体系的差别
    2. 理解如何用八大问发现知识的连接点;
    3. 掌握致用类知识体系的构建方法;
    4. 能够应用甜蜜区模型找到特定领域来构建知识体系。

    1. 知识体系?有必要吗?

    小张准备通过跑步锻炼身体,可因为之前听说过小腿变粗、膝盖受伤、猝死等等与跑步有关的意外状况,有点担心自己会掉进各种坑里,就在微信上问朋友圈一直晒跑步里程的朋友老安。

    小张问老安:“老安,我想跑步,有什么要注意的没?”

    老安回答:“注意跑姿就行了,要前脚掌先着地,不然容易损伤膝盖。”说完还给小张发了张片。

    小张大喜,心想,幸亏问了老安,不然膝盖就废了。

    第二天早上上班,小张碰见一个部门的黑子,想起来黑子前段时间说他参加了什么夜跑团,就问黑子:“黑子,听说你参加了夜跑团,跑步经验肯定很丰富了,我最近也想跑步,担心跑出问题,给点建议怎么样?”

    黑子说:“建议嘛,的确有一条啊,别轻信网络上各种文章说的什么脚后跟先着地容易损伤膝盖应该前脚掌先着地之类的话。你知道吗,我参加的夜跑团里,有很多经验丰富的跑者,他们说呀,80%的马拉松跑者跑步时都是后脚跟先着地。人家跑那么久那么远都没事儿,就说明,脚后跟先着地是正确的选择。”黑子说着,拿出手机,找了张图给小张看。

    小张边看图边说:“有道理,有道理,还是黑子专业。”可他心里面却犯嘀咕,怎么回事儿啊这是,老安和黑子,说的完全是相反的。

    小张决定找一位资深的跑者问问,想来想去,想到他的大学同学飞将军,他常年跑步,全马都跑了6次了,最近好像还开发了一门如何跑步的课程。于是中午吃饭时,他用微信发了条消息给飞将军:“飞将军啊,我最近有点想跑步,你是专业的,给我点建议,怎么跑比较好呢?”

    过了一会儿,飞将军发过来一条消息:“你先回答我几个问题:1)你是想跑马还是慢跑锻炼?2)你身高、体重、体脂率各是多少?3)体力如何?4)有没有心脏病、高血压、头晕等情况?5)有没膝关节受伤、腰椎间盘突出等情况?6)准备在哪里跑?塑胶跑道、跑步机、水泥马路还是别的?……”

    小张一看飞将军连珠炮式发出的12个问题,不禁叫了一声“天呐”。

    好啦,现在请你回答一个问题:老安、黑子和飞将军,这三个人,哪一位更专业?

    如果我没猜错,你的答案和我一样:飞将军更为专业。

    为什么呢?

    因为飞将军没有像老安和黑子那样直接给一个前脚掌先着地或脚后跟先着地的建议,而是先望闻问切,从各个方面了解小张的情况,然后才给出适合小张的建议。

    那为什么他能够做到这一点呢?

    因为飞将军在跑步这个领域,拥有丰富的知识,涵盖跑姿、配速、相关疾病、路面、心率等等,这些知识有机地结合在一起,形成了一套知识体系,能够从多个维度综合评估一个人该如何开始跑步、如何进阶。

    不仅仅跑步这个领域有知识体系,各个领域都有知识体系,我们生活中遇到的大部分问题,都可以找到一个围绕着它形成的知识体系。

    针对某个领域、某个问题的知识体系,对我们有非常多的好处,典型的有三类:

    1. 表达能力升级。这是因为构建知识体系的过程,会用到并培养成长思维、批判思维和系统思维,提升思考能力。当我们能够把一件事情的逻辑、层面、各个维度想明白,就能讲明白。
    2. 从零到一成为专家。知识体系是结构化的,知识点之间彼此关联,有无数回路,四通八达。这样的好处是,我们遇到一个问题,就会触发某个知识点,我们捕捉到这个知识点,就可以沿着知识体系的无数关联和回路,快速找到相关的其他知识的点,组合起来,形成针对所遇到问题的解决方案,就表现出专业水准,就当得起“领域专家”之称。
    3. 智慧影响待人接物。知识内化,形成体系,吐故纳新,不断进化,我们的智慧就会跟着升级,就能应用于实际生活。一方面知道的越多越能体会知识无涯越会虚心、包容,越能与他人和谐相处,另一方面体系越完善越能帮助自己和他人解决问题,促进彼此关系。

    举两个例子对比一下,我们马上能感受到拥有知识体系的好处。

    医生D1,接诊一位大腿中箭的士兵,马上想到:“中箭了就得赶紧拔出来才好。”于是他一顿操作猛如虎,拔掉了士兵屁大腿上的长箭。不料鲜血迸出,他赶紧找来一团棉花,一条线绳给士兵包扎上。然后拍拍手,告诉士兵,长箭已除,万事大吉。

    医生D2,也接诊了一位屁股中箭的士兵,他没有立即动手拔箭,而是先问了士兵中箭的详情、各个身体部位的感觉、以往的箭伤治疗史等等情况,然后准备了清洗、消炎、包扎要用的各种物品,接下来消炎、拔箭、敷药、包扎,最后又叮嘱了饮食禁忌、日常护理、活动建议、复诊、常见并发症和应对策略等等事情,才结束治疗。结果这位士兵很快痊愈了。

    D1缺乏诊治箭伤的知识体系,脑中只有几点零散的知识,只会头痛医头脚痛医脚,想不到感染、发烧、饮食禁忌等事情,结果他的病人回去后,伤口感染、化脓,引起各种并发症,后来救治无效,含恨离世。

    反观D2,因为有知识体系,能够系统的、多维度的、多环节的考虑各种问题,妥善制定箭伤医治策略,他的病人得到了很好的诊治,很快就痊愈了。

    医疗领域的知识体系,可以治病救人,效用立竿见影。其他领域的知识体系,在处理该领域相关的问题时,也有类似的效果。我们的工作和生活中,就能找到很多例子,你不妨回想一下自己过去的经历,找一件事能够说明知识体系作用的事情出来,这样能加深我们对知识体系重要性的理解。

    2. 善用八大问发现知识的连接点

    从跑步和治病这几个例子中,我们可以看到,知识点是一个一个的,散乱的,比如“跑步时前脚掌先着地不伤膝盖”、“中箭后要赶快把箭拔出来”,就像我们小时候玩的木质积木。

    而知识体系是某个人结合自己的问题和实践形成的知识集合,知识点之间彼此以形式多样的方式关联,形成了特定的结构。比如飞将军关于跑步的知识体系,就是由跑姿、配速、跑量、心率、常见相关病症、跑鞋、路况、饮食等知识点相互链接而成。这样的知识体系,像我们乐高积木搭起来的建筑物。


    那么,现在有一个问题:用我们前面图片中的木质积木,可以搭建出上面的积木房子吗?

    估计我们的答案是一样的:不能。这也是为什么传统的木质积木无法风靡的关键原因——很难搭建出有稳固的、有创造性的东西,不耐玩。

    那为什么乐高积木就能够搭建出种类繁多、形式各异的“建筑物”呢?

    请大家看一下乐高积木的积木块:


    发现它们和传统积木块的不同了吗

    对,它们上面有很多凸起的圆点点!这些圆点点非常关键,它们可以嵌入其他积木块预留的凹槽,把两个积木块连接起来。

    也就是说,乐高积木块上有连接点,所以可以彼此连接,拼搭出各种具有稳定结构的“建筑物”!

    把知识比作积木块,如果知识上生出连接点,就也可以彼此连接,构建出适用于特定领域和特定问题的知识体系

    那么问题来了:知识有连接点吗?

    答案是肯定的,因为在各个领域都存在知识体系,知识体系是由若干知识榫合而成,知识要彼此榫合,就一定有连接点。

    知识本身就有连接点,而我们无法利用这些连接点构建出知识体系,往往是因为:我们没有发现连接点。就是说,连接点原本就存在,只是我们没看到。

    进一步说,只要有办法找到并标注出知识的连接点,散乱的知识就可能彼此连接成一个体系。

    那么问题来了:如何找到知识的连接点呢?

    拆书帮的创始人赵周老师,在讲如何将移动时代手机阅读到的信息转化为知识时,总结了一个结构化的方法,叫“八大问”。我们可以借助“八大问”,来分析信息、观点、事件、经历等,从中整理出知识和连接点。

    我们先介绍八大问,然后来看怎么使用它来挖掘知识的连接点。

    八大问是一个提问的框架,将针对信息、观点、事件、经历等的提问,分为“前、因、后、果,适、用、边、界”八类。

    这八类问题,可用来分析或整理信息,把信息变成知识,并找到知识的连接点。八大问又可以分为两组,前因后果和适用边界,前因后果用于分析信息,适用边界用于整理信息。

    为方便记忆,赵周老师找了八个成语帮助我们,前对应前车可鉴,因对应相因相生,后对应以观后效,果对应自食其果,适对应适得其反,用对应使用条件,边对应旁敲边鼓,界对应楚河汉界。

    赵周老师针对每一大问,都提供了几个典型问题,帮助我们理解和使用这一问。具体来讲,是这样的:

    • 前(前车可鉴):1)为什么这件事对我重要?2)他是怎么引出这个信息的?
    • 因(相因相生):1)作者提出了哪些关于原因的假设?2)怎么验证或排除这些假设?3)还有其他可能性吗?
    • 后(以观后效):1)若已从信息去做之后会怎样?2)对我的好处(效用)是什么?
    • 果(自食其果):1)不这么做的后果是什么?2)不改变的问题有多严重?
    • 适(适得其反):1)有没有相反的观点?2)有没有不支持这个的实例?
    • 用(使用条件):1)要这样做,需要具备哪些条件(考虑成本收益、态度、能力……)?2)这件事可以用什么其他方式来完成?
    • 边(旁敲边鼓):1)从前有没有类似的(或乍看起来差不多的)信息?2)其他领域/行业/人如何解决类似问题?
    • 界(楚河汉界):1)无论是相反的还是类似的信息,和这个信息的真正区别是什么?交界在哪里?

    在使用八大问时,不一定要原模原样的问赵周老师给出的示范问题,可以在理解这八类问题的前提下,针对具体情境,提出适合的问题。也就说,八大问最重要的是提供了一种提出有洞察力的问题的框架,这是它的意义所在,如果你有能力,可以领会心法,保持心法不变,提出新的问题,如果一开始不知道怎么用,则建议直接使用示范问题或在其基础上做变化。

    现在,我们举个例子,演示一下八大问的用法。

    小薇热情、活泼、健谈、点子多、标新立异、夸张、情绪波动大,她从事保险销售,业绩很好,领导安排她开发一个内部课程,给大家讲讲如何发展客户、维系客户。小薇答应两天搞定讲义,然后给大家讲。她动作很快,马上就开始写PPT,可总是被各种事务打断,一会儿有客户打电话,一会儿微信上有人咨询,一会儿又要出去见客户签合同,一会儿有同事请教,结果一个星期过去了,PPT只有一页标题。

    领导问小薇了两次次,什么时候可以讲,小薇都说太忙了,PPT才刚开了个头,一直没找出时间做。第三次的时候,领导皱着眉头给了小薇一个建议:“小薇啊,你时间管理能力还有很大提升空间啊,建议你好好学习下史蒂芬·柯维的时间管理四象限,把手头上的事情理一理。”小薇连忙称是,开始学习时间管理四象限。

    熟悉这个场景吗?你我的时间管理学习之路,基本上都是这么开始的。

    这种模式,其实也是我们切入一个新领域时的模式:遇到一个问题,要解决,就要用到新的知识、新的技能,开始学习之路,慢慢在实践中积累这个领域的知识。

    但是,我们积累的知识,能否形成体系,却依赖于我们能否做到“发现知识的连接点、主动链接不同的知识”。

    不管以前我们做得怎样,现在我们可以使用八大问来加速这个过程。

    让我们再次聚焦小薇的问题,看看怎样应用八大问来发现知识的连接点。现在,小薇知道了一个时间管理的方法,叫作“时间管理四象限”。

    先问“前”,这里小薇可以问“为什么掌握时间管理四象限对我很重要?”,答案可能是“做好时间管理,能帮助我合理安排任务,找到完成讲义开发的时间。”所以,学习时间管理四象限是有必要的。

    再问“因”,领导让小薇学习时间管理四象限,他提出了什么关于原因的假设呢?答案是“小薇时间管理能力欠缺,不能合理安排各种事务。”领导认为小薇只要管理好时间,就能抽出时间来完成PPT。这个假设正确吗?这是小薇没能在两天内完成讲义的唯一的原因吗?不一定哦,小薇没有完成PPT,除了时间管理的缘故,还有一个很重要的原因,是她内心不觉得“开发课程传授经验”这件事有多么重要,在她看来,最重要的事情是搞定客户赢得保单。

    接下来问“后”,小薇可以问“学习时间管理四象限对我的好处是什么?”她对照着时间管理四象限图,翻看《高效能人士的七个习惯》,很快想到了好处:聚焦要事,从容工作,提高工作质量和产出。简单讲,要事第一,提高工作效能。

    然后问“果”,直接用赵周老师的示范问题,“不这么做的后果是什么?”后果很明显,课程的交付时间会一再拖延,领导会认为小薇不重视自己的工作安排,甚至会怀疑小薇别有用心,进而影响小薇后续的工作开展,甚至影响升职加薪。所以从这个角度看,小薇需要尊重领导的工作安排,尽快搞定这项任务,所以她还是有必要学习时间管理。这样分析,小薇发现了一个点,某些工作任务的重要性,取决于领导的看法,所以她还应该学习目标管理、向上管理。

    再接下来问“适”,小薇问了自己这个问题“有没有人学了时间管理四象限却还是安排不好工作?”她马上想到同事小兰,曾经学习过时间管理四象限,可现在依然是每天忙东忙西丢东忘西经常出状况。

    然后问“用”,小薇可以这样问:“使用时间管理四象限的前提条件是什么?”经过研究,小薇发现,史蒂芬·柯维是一名企业管理者,同时也是为企业负责人提供咨询的人,他提出的时间管理矩阵,更多是针对管理者的,因为管理者有更多的掌控感和自由度,能够决定某件事情是否重要,进而根据紧急性来判断是立即做还是规划时间做。而像她和小兰,都在执行层面,多数时候无法决定一件事情的重要性,而不能判别重要性,就难以应用时间管理四象限。这也是小兰学了时间管理四象限依然工作忙乱的一个原因,同时也是她的领导觉得时间管理四象限管用的原因。这样一想,小薇知道了使用时间管理四象限的两个前提条件:1)个人具有分辨事情重要性的能力;2)个人对事情具有一定的掌控性和自由度。

    接下来问“边”,小薇先问自己“有没有与时间管理四象限类似的时间管理方法?”小薇一搜索,发现时间管理方法很多,GTD(衣柜整理法)、番茄工作法、三只青蛙、日历、猴子法则、Unbroken Time、思维导图、黄金工作时间……全都和时间管理有关。她一一搜集相关信息,进一步了解这些时间管理方法。接下来她又想到,管理时间其实是为了管理工作任务,那关于任务管理,有哪些方法呢?她一搜索,发现了看板、思维导图、80/20法则、清单、OKR、SMART法则等。

    最后问“界”的问题,“时间管理四象限的适用情况是什么?”小薇觉得,时间管理四象限,更适合这两类人:1)管理者;2)可以在一定范围内自我安排工作任务和时间的人。

    经过一轮八大问,小薇对时间管理四象限的认识更深入了,管理者、任务管理、时间管理、重要性、向上管理、要事第一、工作效能、工作自主度、规划……这些关键词留在了她的记忆中,成了可以与其他知识链接的连接点。

    八大问的目的,正是帮助我们从不同角度、维度来分析和整理信息,加深我们对知识的理解、认识,进而帮助我们为知识建立各个层面、各种角度的连接点,有了这些连接点,知识点彼此之间更容易产生关系,知识也更容易被外界问题刺激、唤醒。

    3. 如何构建知识体系

    一旦我们标注出知识的连接点,就可以把具备可连接性的两个知识经由连接点链接在一起,围绕着不同知识的不同类型的连接点,持续地、反复地执行这个操作,就可以慢慢形成知识体系。

    我们以小薇为例来说明这个过程。

    前面我们通过八大问中的“界(楚河汉界)”这一问,找到了“时间管理四象限”这个知识的一个连接点——管理者,即时间管理四象尤其适用于职场中的管理者。

    假如小薇在检索时间管理方法时,搜到了“猴子法则”,买了一本书叫作《别让猴子跳回背上》,学习了一下,运用八大问做了分析,画出了猴子法则和它的连接点,如下图所示:

    对比时间管理四象限的连接点和猴子法则的连接点,可以发现,通过“管理者”这个连接点,就可以把两者链接起来。

    假设小薇要考取中国寿险理财规划师,需要持续的看书学习,可她看书时总是分神,无法专注,于是就向一位特别爱看书的朋友请教如何才能专注看书,朋友告诉她使用“番茄工作法”,她了解了一下,发现番茄工作法是弗朗西斯科·西里洛上大学时为了专心学习发明的方法,特别适合看书学习这类伏案工作,她接着用八大问分析,画出了番茄工作法的连接点,如下图所示:

    番茄工作法属于时间管理领域的方法,那它就可以通过“时间管理”这个连接点,和时间管理四象限链接起来。

    随着小薇不断践行时间管理,了解到越来越多的方法,于是她就慢慢形成了时间管理方面的知识体系:

    现在可以看到知识体系的完整构建过程了:我们基于一个场景(问题),找到一个知识,运用八大问分析,挖掘各式各样的连接点,在持续实践中接触新的知识,反思回顾,把新知和旧知经由含义相近的连接点链接起来,形成体系。

    这个过程用文字来描述,只需要几百个字,阅读只需两三分钟,于是你可能会想,构建知识体系原来这么简单这么快呀,我很快就能搭建出自己的知识体系。实际上并非如此,知识体系的形成,是在生活实践中,不断解决问题,不断反思经验,不断发现连接点,不断链接知识,慢慢完成的,决不是一朝一夕之功。

    比如小薇从时间管理四象限链接到猴子法则,只有在她当了管理者,深受下属抛给她的猴子之苦时,才可能真正用到猴子法则,才能真正完成链接。这个过程,时机不成熟,就不会发生,所以看似简单的一个链接,分分钟的事情,实际上可能需要一年、两年,甚至三五年。

    经过实践和时间的考验,我们构建出了某个领域的知识体系,是不是万事大吉了呢?

    非也!

    我们还需要不断更新迭代自己在某个领域的知识体系,因为时代在发展,环境日新月异,问题层出不穷,用于解决问题的知识也会因之而快速演变。

    比如老韩是PPT设计师,对PPT 2016非常熟悉,各种功能了然于心,可2019年初Office 2019发布后,他就需要更新自己围绕着PPT 2016构建出来的知识体系,如果不这么做,遇到客户提出的特定于PPT 2019的问题,就没办法解决。

    比如小卢是增粉达人,原来微博微信的各种增粉策略、方法、实践,了然于胸,专门为各类自媒体团队提供增粉服务,现在短视频大火,抖音崛起,迅速成为国民级应用,那小胡就需要迅速学习基于抖音平台的增粉策略,包括抖音的推荐规则、封杀原则、内容分布、流量特点、视频结构等等,只有这样,他才能继续我他的客户提供有价值的服务。

    幸运的是,不管环境如何演变,只要我们掌握构建知识体系的方法,挖掘出新知识的连接点,就可以将新知识纳入既有知识体系,继而知识体系就可以获得更新,我们就能借助既有知识体系的势能,在新的领域打开局面。

    4. 在哪个领域建立自己的知识体系

    前面我们着重介绍了八大问发现知识的连接点、用连接点链接不同知识构建知识体系,并反复强调,拥有知识体系,可以专业、系统、全面、多维度的看待问题,创造难以复制的价值。

    现在,有的小伙伴心头可能会升起一个问号——“既然知识体系如此重要,那我是不是要在生活中的每个领域都构建出知识体系呢?”

    非也非也!

    我们不可能在每个领域都搭建一套知识体系——我们没那么多时间和精力。同时,也没那个必要。

    请想象如下场景:你发烧了三天,不见好转,头疼、浑身无力、骨肉疼痛,无法工作。

    你会怎么办?

    去研究关于发烧的各种知识、构建出发烧的知识体系,然后把自己治好,还是说,去医院,花钱让医生帮忙看病?

    你选的是去医院看病,对吧,很明智的选择。这也是我们面对多数领域问题的最佳选择——付费请目标领域的专业人士帮助解决。

    多数领域的问题,都可以外包给他人来解决,我们不用费尽心力在各方面都成为拥有强大知识体系的专家。

    我们要做的,是找到自己的根据地,发展出自己的知识体系,用自己的知识体系创造价值,交换其他领域的专业服务。

    那么,问题来了,怎么确定想要建立知识体系的领域呢?

    下面三个问题,提供了一个定位框架:

    1. 我擅长什么?
    2. 我爱好什么?
    3. 这个世界需要什么?

    这三个问题对应答案的交集,就是我们构建知识体系的甜蜜区:

    请反复探寻,找到自己的甜蜜区,锚定它,投入时间和精力,在实践中将各种知识融会贯通,构建出知识体系。

    最后,问个问题:现在的你,拥有(或打算构建)哪个领域的知识体系?欢迎留言和我分享_


    新上线了一门视频课程——程序员面试宝典,金九银十招聘季,想找工作的你,可以来看看!程序员面试宝典

    展开全文
  • 知识图谱

    万次阅读 2020-01-12 22:51:24
    知识图谱 基本概念 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关关系,即是对物理世界的一种符号表示 基本组成单位 实体-关系-实体,实体和相关属性-值对 研究价值 建立...
  • 本文首先介绍了早期的知识表示方法,接着介绍了知识图谱的基石——RDF及其扩展RDFS,在它们的基础上又介绍了表达能力以及推理能力更强的OWL与OWL2,最后介绍了一些新的只是知识表示方式,如Json-LD、RDFa、...
  • 知识图谱基础(三)——schema的构建

    千次阅读 2019-05-13 16:06:43
    在前面一篇文章《知识图谱基础(二)-知识表达系统》中介绍了知识图谱的基础知识表达系统,什么是entity,什么是relation,什么是domain,什么是type等等。本篇文章主要从应用角度来聊一聊如何构建schema以及shcema...
  • 一、语义网络(Semantic Network)对于...语义网络是由Quillian于上世纪60年代提出的知识表达模式,其用相互连接的节点和边来表示知识。节点表示对象、概念,边表示节点之间的关系。语义网络的优点:1. 容易理解和...
  • 02 知识图谱知识表示与知识建模

    千次阅读 2019-03-01 11:25:26
    文章目录知识表示与知识建模1知识的概与早期的知识表示方法1.1 知识的概念1.1.1 知识的特点1.1.2 知识的分类1.2 早期的知识表示方法1.2.1一阶谓词逻辑(不重要)1.2.2产生式系统1.2.3框架表示法(类似一个模版)1.2.4...
  • 一、知识图谱参考:https://www.jianshu.com/u/56b548b18101知识图谱基础(一)-什么是知识图谱知识图谱基础(二)-知识图谱的知识表达系统知识图谱基础(三)-schema的构建Knowledge Graph从以下三方面提升Google...
  • 语义网知识表示方法:RDF,RDFS与OWL

    千次阅读 2019-02-25 22:55:58
    RDF,RDFS与OWL都是基于语义网的知识表示框架,还有一种知识表示框架称为分布式表示,即把知识表示为低维稠密...语义网络是由Quillian于上世纪60年代提出的知识表达模式,其用相互连接的节点和边来表示知识。节点...
  • 目录 1、引言 2、知识图谱的定义 3、知识图谱的架构 3.1知识图谱的逻辑结构 3.2知识图谱的体系架构 ...4、代表性知识图谱库 ...5、知识图谱构建的关键技术 ...我们专知的技术基石之一正是知识图谱-构建AI知识体系-专...
  • 知识图谱—知识存储

    千次阅读 2020-08-05 11:32:10
    导读(链接自点):1.知识提取从原始数据语料中自动识别出命名实体。实体是知识图谱中最基本的元素。2.知识表示(一)介绍了知识表示学习的常见的代表模型:距离模型、单层神经网络模型、能量模型...
  • 知识图谱--知识表示

    千次阅读 2018-06-07 19:26:38
    利用RDF规范表达 RDF->Resource - Description - Framework Resource:资源 Description:关系 Framework:模型语言和这些描述的语法 SPO(subject主,predicate谓,object宾) 每一个资源的表示用类似于...
  • 知识图谱之知识融合

    万次阅读 2018-08-27 19:55:49
    最近在“小象学院”上知识图谱的课程,做了一些笔记,现整理了一下 1、什么是知识融合 将来自不同知识库的同一实体融合在一起 目标:融合各层面的知识 合并两个知识图谱(本体),需要确认的是: (1)等价实例...
  • 知识表达技术-规则任何规则都包括两个部分:IF部分和ELSE部分。IF部分是前项(前提或者条件),THEN部分是后项(结论或者行为)。 一般来说,前提之间可以使用关键词AND(合取)、OR(析取)或者两者混合使用。不过...
  • 肖仰华谈知识图谱:知识将比数据更重要,得知识者得天下   https://mp.weixin.qq.com/s?__biz=MzI0ODcxODk5OA==&mid=2247498869&idx=1&sn=4e69bb2f27dd1289effe864551ca0bbe&...
  • 知识图谱不仅包含具体的实例知识数据,还包括对知识数据的描述和定义。该部分对数据进行描述和定义的“元”数据被称为知识体系(Schema)或本体(Ontology)。 知识融合主要方法:框架匹配和实例对齐。 一、知识体系...
  • 知识图谱】知识融合

    千次阅读 2019-09-02 17:21:10
    文章目录一、知识融合1、基本概念2、数据层的知识融合(1)不同KG的知识融合(2)不同知识库的知识融合(3)不同来源数据的知识融合(4)知识在线融合3、Schema层的知识融合4、技术及其挑战5、相关比赛——OAEI二、...
  • 知识图谱入门——知识融合

    千次阅读 2019-01-04 09:22:14
    文章首发于博客du_ok’s Notes,本文链接为知识图谱入门——知识融合 本文介绍了知识融合相关的技术和典型的知识融合工具。 知识融合相关概念 相关的术语: 知识融合 (Knowledge Fusion) 本体对齐 (Ontology ...
  • 知识图谱——知识融合

    千次阅读 2019-04-01 16:26:13
    为了解决存在逻辑联系的知识要素之间的冲突消解问题 , 定义了知识元的统一语义表达方式 , 将知识元之间的冲突按照粒度分为术语冲突、谓词冲突和语义冲突 ; 提出了逻辑树融合法 、频率融合法、句法融合法。逻辑树...
  • 1 计算机基础知识 1.1计算机 计算机(Computer)全称:电子计算机,俗称电脑。是一种能够按照程序运行,自动、高速处理数据的现代化智能电子设备。常见的形式有台式计算机、笔记本计算机。按照规模分为微型机、小型...
  • 显性知识:是指那些能够用正式、系统的语言表达和沟通的知识,以产品外观、文件、数据库、说明书、公式和计算机程序等形式存在。易于表达,易于传播和共享。 隐性知识:是个人技能的基础,是通过试验、犯错、纠正的...
  • 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...
  • 互联网时代,人类在与自然和社会的交互中生产了异常庞大的数据,这些数据中包含了大量描述自然界和人类社会客观规律有用信息。...编辑 | 小Dream哥 1 什么是知识表示知识表示是知识图谱中非常重要的概念,知...
  • 知识图谱与知识表示的关系: 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...
  • 知识图谱入门一:知识图谱介绍

    千次阅读 多人点赞 2021-01-11 23:35:34
    一、知识图谱简介 1.1 引言 从一开始的Google搜索,到现在的聊天机器人、大数据风控、证券投资、智能医疗、自适应教育、推荐系统,无一不跟知识图谱相关。它在技术领域的热度也在逐年上升。 早在 2010 年微软就开始...
  • 知识图谱里的知识表示:RDF

    千次阅读 2019-07-05 22:00:41
    大部分知识图谱使用RDF描述世界上的各种资源,并以三元组的形式保存到知识库中。RDF( Resource Description Framework, 资源描述框架)是一种资源描述语言,它受到元数据标准、框架系统、面向对象语言等多方面的...
  • 知识图谱入门 (二) 知识表示与知识建模

    万次阅读 多人点赞 2018-04-20 16:04:59
    本讲首先对早期的知识表示做了一个简单介绍,而后详细介绍了基于语义网的知识表示框架,如RDF和RDFS和查询语言...知识表示就是对知识的一种描述,或者说是对知识的一组约定,一种计算机可以接受的用于描述知...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 250,204
精华内容 100,081
关键字:

知识表达