知识图谱概述
知识图谱（Knowledge Graph）由Google于2012年提出，旨在描述真实世界中存在的实体或概念及其关联关系。每个实体或概念使用全局唯一ID标识，属性-值对刻画实体特性，关系连接实体。
通用知识图谱与行业知识图谱
- 通用知识图谱：面向通用领域，以常识性知识为主，强调知识广度，使用者为普通用户。
- 行业知识图谱：面向特定领域，基于行业数据构建，强调知识深度，潜在使用者为行业人员。
行业知识图谱助力人工智能应用
行业知识图谱通过赋予机器领域知识，实现自然人机交互和简单工作自动化，是人工智能发展的必经路径。
知识图谱产业概览
- 知识图谱数据与服务：构建大规模通用和领域知识图谱，为机器认知提供背景知识。
- 底层支撑系统与产品：提供高效稳定的查询系统和领域知识图谱构建工具。
- 知识图谱咨询与方案：为华为、电信、移动等企业提供知识图谱解决方案。
领域知识图谱构建
领域知识图谱定义
领域知识图谱（DKG）是大规模语义网络，包含实体/概念及其语义关系。传统知识工程规模有限，而DKG通过结合大数据形成“大知识”，引领知识工程复兴。
DKG与GKG的关系
- 区别：DKG与GKG在知识表示、获取与应用等方面存在显著差异，行业应用需求难以闭合，GKG对DKG有支撑作用。
- 符号化表示：符号表示和分布式表示是重要的知识表示方式。
领域知识图谱需求
大数据时代需要知识引擎释放大数据价值，人工智能时代需要机器智脑实现自然人机交互，领域知识积累是智能化的必经路径。
领域知识图谱系统生命周期
- 起点：知识建模
- 过程：知识获取、知识融合、知识存储、知识计算、知识应用
- 终点：系统评估与优化
知识建模
- 常用方法：自顶向下（专家编辑）和自底向上（基于现有数据）
- 需要考虑：行业全数据分析、复杂知识表达、多人协同编辑、现有知识集成、大数据量与自动算法结合
知识获取
- 来源：结构化数据、半结构数据、文本数据
- 方法：多策略学习，利用不同数据源冗余信息辅助抽取
知识融合
- 考虑因素：数据模式层融合、数据层融合（实体合并、属性融合、冲突检测）
- 关键任务：数据层融合，因行业知识图谱数据模式通常经过人工校验
知识存储
- 基本存储：三元组知识、事件信息、时态信息、组织数据
- 上层应用：知识推理、知识快速查询、图实时计算
- 存储方式：RDF存储 & 图数据库
知识计算
- 基于规则的推理：使用规则引擎编写业务规则辅助决策
- 基于本体的推理：利用本体进行推理
知识应用
- 智能问答：理解自然语言问题，从知识图谱中获取答案
- 可视化决策支持：提供图形接口，结合可视化、推理、检索等功能
- 语义搜索：解决关键字语义多样性和消歧问题，实现知识与文档混合检索
DKG评价、存储、查询与应用
- 评价：综合考虑构建成本、知识质量、应用效果等
- 存储：RDF存储 & 图数据库
- 查询：SPARQL，表达能力强但复杂
- 应用：智能问答、可视化决策支持、语义搜索等
DKG落地最佳实践
- 应用引领：以应用需求驱动图谱构建
- 避难就简：从简单场景入手
- 结构化->半结构化->非结构化：逐步扩展数据类型
- 避免从零开始：利用通用图谱作为种子
- 跨领域迁移：从邻近领域迁移共性知识
DKG挑战
- 知识获取：领域样本缺失，手工构建代价高昂
- 知识应用：应用场景有限，需拓展
- 知识表示：对时空语义、跨媒体语义支撑不足
知识图谱在医疗行业应用
国外案例：IBM Watson
- 功能：分析医学文献，整理病患记录，提供个性化诊疗方案
- 技术：实体抽取、知识图谱构建、专家知识扩展、知识置信度评估
医疗知识图谱应用
- 搜索范式迁移：实现知识驱动的搜索
- 轻问诊：基于知识图谱的智能问答服务
- 知识服务平台：系统梳理和展示中医药知识
- 药物发现：如OpenPHACTS项目
- 辅助诊断：基于认知计算的诊疗解决方案
- 医疗行情分析：原材料供应链可视化分析
知识图谱在其他领域应用
- 基于代码知识图谱的搜索与推荐管理：提升代码搜索效率
- 运营商业务分析智能化解决方案：实现更丰富的搜索和个性化推荐
- 商业情报分析智能化解决方案：帮助企业发现商机
- 司法智能辅助审判：提高审判效率
- 一带一路地缘环境知识图谱：支持专家决策
- 基于政务大数据的市民服务云应用：整合多部门信息资源，提供便捷服务
- 基于知识图谱的网站多媒体推荐：推送合适内容给目标用户
- 电信知识图谱与标签系统：提升业务管理效率
复旦知识工场平台
- 服务：CN-Dbpedia、ProbasePlus等知识图谱数据服务
- 技术：实体理解、知识图谱查询、深度问答、情感分析、智能交互等
