图谱 知识图谱是什么？

知识地图最初是谷歌为了优化搜索引擎而提出的，在业界引起了轰动，后来其他搜索公司也推出了他们的知识地图。随着知识地图的发展，它不仅应用于搜索行业，也是人工智能的基本功能。那么什么是知识图谱呢？有什么能力？如何应用？这就是本文要讨论的。

01什么是知识地图1。定义

官方定义:KnowlEdge map是基于图的数据结构，由节点和边组成。每个节点代表一个“实体”，每条边就是实体之间的“关系”。知识地图本质上是一个语义网络。

实体可以指代现实世界中的事物，比如人、地名、公司、电话、动物等等；关系用于表示不同实体之间的某种联系。

从上图可以看出，实体有地名，有人物；大理属于云南，小明住在大理，小明和秦晓是朋友，是实体之间的关系。

通俗的定义:知识地图是通过连接各种信息得到的关系网络，所以知识地图提供了从“关系”的角度分析问题的能力。

2.形象化

如果我们在百度上搜索“周杰伦的妻子”，搜索结果不是周杰伦，而是昆凌的信息卡被直接退回，为什么？

因为底层知识地图已经有了周杰伦和昆凌的关系，可以理解为你找的是昆凌，而不是周杰伦，这也说明知识地图有理解用户意图的能力。

02知识地图构建的关键技术

在构建知识地图的过程中，最重要的一步是从不同的数据源中提取数据，然后按照一定的规则将其添加到知识地图中。这个过程叫做知识抽取。

数据源有两种:结构化数据和非结构化数据。

结构化数据容易处理，难点在于非结构化数据的处理。在处理非结构化数据时，通常使用自然语言处理技术:实体命名识别、关系抽取、实体统一、引用解析等。

让我们先来看看把这篇课文变成知识图谱所表达的结果:

上图左边的副本是一个非结构化的文本数据，需要经过一系列的技术处理才能转化为右边的知识图谱。如何实现，我们会一一讨论。

1.实体命名和识别

提取文本中的实体，对每个实体进行分类或标注，如“1984年12月30日”为“时间”类型；“克利夫兰骑士”和“迈阿密热火”归为“球队”，这个过程就是实体命名。

2.关系抽取

关系抽取是一种抽取实体间关系的技术。基于文本中的“出生”、“存在”、“转会”等一些关键词，可以判断詹姆斯与俄亥俄州、迈阿密热火等实体的关系。

3.实体统一

在文本中，同一实体可能会有不同的写法。例如，“LBJ”是詹姆斯的缩写，所以“勒布朗·詹姆斯”和“LBJ”指的是同一个实体。实体统一是处理这类问题的技术。

4.参考分辨率

引用解析类似于实体统一，处理同一个实体。比如文中的“他”，其实就是“勒布朗·詹姆斯”的意思。因此，在回指解析中要做的事情是找出这些代词指的是哪个实体。

引用解析和实体统一是知识抽取中的难点环节。

03知识地图的存储

知识地图的存储方式主要有两种:一种是基于RDF的；二是基于图形数据库的存储。

1.无线电测向

RDF的一个重要设计原则是易于发布和共享数据。另外，RDF以三元组的形式存储数据，不包含属性信息。

2.图形数据库

图形数据库主要关注高效的图形查询和搜索。一般来说，属性图是基本的表示形式，所以实体和关系可以包含属性。

3.RDF和图形数据库的主要特点是不同的

关于知识图片存储方式的内容比较专业，没有实际操作很难理解，这里就不讨论了。你可以简单的知道知识图谱里有这样的内容，有需要可以自己研究。

接下来，我们重点介绍知识图片在金融领域的一些应用。

知识地图在金融领域的应用

知识地图在各行各业的应用相对普及，发挥着重要作用。下面我们就和大家讨论一下知识地图在金融领域的一些应用，希望通过这些例子给大家一些启发。

1.反欺诈

假设银行要借钱给一个人，如何判断这个人是真用户还是骗子？

我们需要建立一系列以人为核心的数据，比如用户的基本信息、贷款记录、工作信息、消费记录、行为记录、网站浏览记录等等。将这些信息整合到知识图谱中。从而对整体进行预测和评分，用户欺诈的概率有多大。当然，这种预测需要机器学习才能得到合理的模型，可能包括消费记录的权重，网站浏览记录的权重等等。

2.不一致性验证

比如两个不同的借款人填写同一个电话号码，说明这两个人至少有一个是可疑的，要注意。

更复杂的是，可能需要知识地图来推理一些关系。比如“借款人”与小明、小秦斗有母子关系。按照推理，小明和小秦应该是兄弟，但是知识图谱上显示的是朋友关系，可能不正常，需要重点关注。

3.客户损失管理

如果借款人失去联系，是否可以联系他的朋友、兄弟甚至他兄弟的妻子，通过知识地图来追踪失踪者？

因此，在失去联系的情况下，知识地图可以挖掘出更多失去联系的人的联系，从而提高收集效率。

4.知识推理

如上左图(注意此处箭头方向)，秦晓是大秦之子，大秦是老秦之子。从这种关系中，我们可以推断出秦晓是老秦的孙子，从而使知识图谱更加完善。

如上左图，小明在腾讯工作，小秦也在腾讯工作。从这段关系可以推断小明和小秦是同事。

推理能力其实是机器模仿人类的重要能力，从已有的知识中可以发现一些隐藏的知识。当然，这种能力离不开深度学习，而且随着深度学习的不断成熟，我相信知识图谱的能力会越来越强。

在这里，我介绍了一些简单的知识图谱知识。在写这篇文章的时候，我也参考了很多业内优秀老板的文章。谢谢大家无私的分享。

参考文章

《浅谈知识图谱基础》_我偏笑_NSNirvana《“知识图谱”项目，需产品经理考虑的几点问题》_博斌_20190218《【知识图谱】项目前期产品经理需要做哪些准备》_Jasmine《知识图谱的应用》_惠普大数据李文哲《干货 | 从零到一学习知识图谱的技术与应用》_李文哲《知识图谱及其变种在行业实践中的应用与思考》_中兴-陈虹

这篇文章最初是@Jimmy发表的，大家都是产品经理。未经允许禁止复制。

标题图来自Unsplash，基于CC0协议。