行业知识图谱构建与应用

行业知识图谱概述

• 通用知识图谱：面向全领域，强调广度，主要应用于互联网搜索、推荐、问答等业务场景，例如谷歌知识图谱、百度知识图谱等。
• 行业知识图谱：面向特定领域，强调深度和完备性，对准确度要求高，通常用于辅助分析应用或决策支持，例如金融证券、医疗、图书情报等行业。

行业知识图谱应用

• 金融证券：
  • 企业知识图谱：用于企业风险评估、企业社交图谱查询、企业最终控制人查询、企业之间路径发现、初创企业融资发展历程、上市企业智能问答等。
  • 金融交易知识图谱：用于辅助信贷审核、反欺诈、异常分析、失联客户管理、精准营销、智能投研、智能公告等。
• 医疗：
  • 医疗知识图谱：用于中医药知识平台、Watson辅助诊断与治疗、Open PHACTS新药物发现等。
• 图书情报：
  • 图情资源知识图谱：用于知识导航与资源展示、知识点推荐与搜索、图情资源统计等。
• 其他行业：农业、政府、客服系统等。

行业知识图谱挑战

• 多源异构数据融合：内部数据、互联网数据、第三方数据，类型包含结构化、半结构化、非结构化数据。
• 数据模式动态变迁：模式无法预先确定，随数据增长不断演变。
• 非结构化数据理解：计算机难以理解非结构化数据的语义。
• 数据使用专业程度高：需要行业知识，智能问答降低数据使用门槛。
• 分散的数据统一消费利用：基于知识图谱数据存储、融合、分析统一平台，提供统一的消费入口。

行业知识图谱生命周期

• 知识建模：建立知识图谱的数据模式，常用方法包括自顶向下和自底向上。
• 知识获取：从不同来源、不同结构的数据中进行知识提取，例如从结构化数据库、链接数据、半结构化数据、非结构化文本中获取知识。
• 知识融合：实现不同来源、不同形态数据的融合，包括数据模式层融合和数据层融合。
• 知识存储：知识图谱数据存储需要完成三元组知识、事件信息、时态信息、使用知识图谱组织的数据的存储，并支持知识推理、知识快速查询、图实时计算。
• 知识计算：包括图挖掘计算、本体推理、基于规则的推理。
• 知识应用：包括语义搜索、智能问答、可视化辅助决策。

行业知识图谱关键技术

• 知识建模：Protégé、构建适用的建模工具。
• 知识获取：D2R、包装器、文本信息抽取（实体识别、概念抽取、关系抽取、事件抽取）、多策略学习方法。
• 知识融合：数据模式层融合、数据层融合（实体合并、实体属性与关系的合并）。
• 知识存储：RDF存储、图数据库（Neo4j、Titan、Virtuoso等）、大规模知识图谱存储解决方案、时态信息存储。
• 知识计算：图挖掘计算、基于本体的知识推理（RDFox）、基于规则的推理（Drools）。
• 知识应用：语义搜索（Wikipedia Miner、DBpedia Spotlight）、智能问答（基于信息检索、基于语义解析、基于规则的专家系统、基于深度学习）、可视化辅助决策（D3.js、ECharts）。

行业知识图谱解决方案

• LOD2：构建结构化链接数据的企业级管理工具和方法学。
• Stardog：企业级知识图谱平台，支持关系数据库映射成虚拟图、OWL2推理、Gremlin查询。
• PlantData：基于知识图谱大数据的统一决策支持分析平台，提供知识抽取、语义检索、智能问答、可视化、知识计算等功能。