2020/02/02
《知识图谱：方法、实践与应用》读书笔记
《No.02》第1章 知识图谱概述（1.5~1.6）

1.5.        知识图谱的技术流程
1.5.1.        知识来源: 如文本、结构化数据库、多媒体数据、传感器数据和人工众包等。
1.5.2.        知识表示与Schema工程知识表示: 指用计算机符号描述和表示人脑中的知识，以支持机器模拟人的心智进行推理的方法与技术；决定了图谱构建的目标。
1.5.3.        知识抽取: 分为概念抽取、实体识别、关系抽取、事件抽取和规则抽取。
1.5.4.        知识融合: 融合需注意两个层面问题，包括”模式层的融合”及”数据层的融合”；还需注意新增实体和关系进行验证和评估。以确保知识图谱内容一致性和准确性。
1.5.5.        知识图谱补全与推理: 方法包括”基于本体推理的补全方法”、”基于图结构和关系路径特征方法”、”基于学习和知识图谱嵌入的链接预测。
1.5.6.        知识检索与知识分析
1.6.        知识图谱的相关技术
1.6.1.        知识图谱与数据库系统
1.6.1.1.        知识图谱领域形成了RDF数据的三元组库(Triple Store)
1.6.1.2.        数据库领域形成了图数据库(Graph Database)
1.6.1.3.        知识图谱的主要数据库模型: RDF图、属性图两种。
1.6.1.4.        三元组库和图数据库的存储方案
1.6.1.4.1.        基于关系的存储方案
1.6.1.4.2.        面向RDF的三元组库
1.6.1.4.3.        原生图数据库
1.6.2.        知识图谱与智能问答
1.6.2.1.        知识问答是智能问答系统的核心功能，是一种人机交互的自然方式。
1.6.2.2.        知识问答的关键在于理解并解析用户提出的自然语言问句。
1.6.3.        知识图谱与机器推理
1.6.3.1.        在知识图谱中主要用于知识图谱进行补全和知识图谱质量的校验。
1.6.3.2.        推理的方法
1.6.3.2.1.        基于规则的推理: 通过定义或学习知识中存在的规则进行推理。
1.6.3.2.2.        基于分布式表示学习的推理: 将知识图谱映射到连续的向量空间中，并为知识图谱中的元素学习分布式表示为低维稠密的向量或矩阵。
1.6.3.2.3.        基于神经网络的推理: 通过神经网络的设计模拟知识图谱推理。
1.6.3.2.4.        混合推理: 结合了规则、表示学习和神经网络。
1.6.4.        知识图谱与推荐系统:将知识图谱中关于产品、用户等实体的结构化知识加入推荐模型中，通过额外的知识改善早期推荐模型中数据稀疏的问题。
1.6.5.        区块练与去中心化的知识图谱: 可将知识图谱引入智能合约中，可解决目前智能和约内生知识不足的问题。