知识库与知识图谱关系(知识库 知识图谱区别)

知识图谱概念是什么?

知识图谱的概念是：知识图谱是自顶向下(top-down)的构建方式。自顶向下指的是先为知识图谱定义好本体与数据模式，再将实体加入到知识库。

该构建方式需要利用一些现有的结构化知识库作为其基础知识库，例如 Freebase 项目就是采用这种方式，它的绝大部分数据是从维基百科中得到的。

然而目前，大多数知识图谱都采用自底向上(bottom-up)的构建方式。自底向上指的是从一些开放连接数据（也就是 “信息”）中提取出实体，选择其中置信度较高的加入到知识库，再构建实体与实体之间的联系。

知识图谱的体系架构是：

知识图谱的架构主要包括自身的逻辑结构以及体系架构。

知识图谱在逻辑结构上可分为模式层与数据层两个层次，数据层主要是由一系列的事实组成，而知识将以事实为单位进行存储。

如果用（实体1，关系，实体2）、（实体、属性，属性值）这样的三元组来表达事实，可选择图数据库作为存储介质，例如开源的 Neo4j、Twitter 的 FlockDB、JanusGraph 等。

模式层构建在数据层之上，主要是通过本体库来规范数据层的一系列事实表达。本体是结构化知识库的概念模板，通过本体库而形成的知识库不仅层次结构较强，并且冗余程度较小。

大规模知识库的构建与应用需要多种智能信息处理技术的支持。通过知识抽取技术，可以从一些公开的半结构化、非结构化的数据中提取出实体、关系、属性等知识要素。通过知识融合，可消除实体、关系、属性等指称项与事实对象之间的歧义，形成高质量的知识库。

知识推理则是在已有的知识库基础上进一步挖掘隐含的知识，从而丰富、扩展知识库。分布式的知识表示形成的综合向量对知识库的构建、推理、融合以及应用均具有重要的意义。

知识图谱，供应链知识库，知识自动化是什么？

在知识表示和推理中，知识图谱是使用图结构的数据模型或拓扑来整合数据的知识库。 知识图通常用于存储具有自由形式语义的实体（对象、事件、情况或抽象概念）的相互关联描述。

知识图谱（一）

知识图谱技术是人工智能的重要组成部分，其研究的是对人类知识的获取、表示、推理、应用等技术。知识图谱于2012年5月17日被Google正式提出，其初衷是为了提高搜索引擎的能力，增强用户的搜索质量以及搜索体验。目前，随着智能信息服务应用的不断发展，知识图谱已被广泛应用于智能搜索、智能问答、个性化推荐等领域。知识图谱代表的是人工智能认知层面的问题，而深度学习很大程度上处理感知层面的问题，未来的技术大趋势是深度学习与知识图谱的结合，实现数据统计与知识驱动的结合，推动人工智能的发展。

1.1 知识图谱的定义

在维基百科的官方词条中:知识图谱是Google用于增强其搜索引擎功能的知识库 。本质上，知识图谱是一种揭示实体之间关系的语义网络，可以对现实世界的事物及其相互关系进行形式化地描述。现在的知识图谱已被用来泛指各种大规模的知识库。

三元组是知识图谱的一种通用表示方式，即 G=(E,R,S)，其中E={e1,e2,……,e|E|}是知识库中的

实体集合，共包含|E|种不同实体;R={r,r,……,r } 12 |E|是知识库中的关系集合，共包含 | R | 种不同关系; S ⊆ E × R × E 代表知识库中的三元组集合。三元组 的基本形式主要包括实体1、关系、实体2和概念、属性、属性值等，实体是知识图谱中的最基本元素， 不同的实体间存在不同的关系。概念主要指集合、 类别、对象类型、事物的种类，例如人物、地理等; 属性主要指对象可能具有的属性、特征、特性、特 点以及参数，例如国籍、生日等;属性值主要指对 象指定属性的值，例如中国、1988-09-08等

知识图谱基础（一）-什么是知识图谱

笔者是一只已经离职的AI产品经理，主要擅长的方向是知识图谱与自然语言处理，写这些文章是为了总结归纳目前已经搭建的知识体系，也在于科普。如有不对，请指正。

知识图谱在国内属于一个比较新兴的概念，国内目前paper都比较少，应用方主要集中在BAT这类手握海量数据的企业，这个概念是google在2012年提出的，当时主要是为了将传统的keyword-base搜索模型向基于语义的搜索升级。知识图谱可以用来更好的查询复杂的关联信息，从语义层面理解用户意图，改进搜索质量。

个人认为，知识图谱最大的优势是在于对数据的描述能力非常强大，各种机器学习算法虽然在预测能力上很不错，但是在描述能力上非常弱，知识图谱刚好填补了这部分空缺。

知识图谱的定义非常多，我这里提供一部分我自己的理解：

1.知识图谱主要目标是用来描述真实世界中存在的各种实体和概念，以及他们之间的强关系，我们用关系去描述两个实体之间的关联，例如姚明和火箭队之间的关系，他们的属性，我们就用“属性--值对“来刻画它的内在特性，比如说我们的人物，他有年龄、身高、体重属性。

2.知识图谱可以通过人为构建与定义，去描述各种概念之间的弱关系，例如：“忘了订单号”和“找回订单号”之间的关系

知识库目前可以分为两种类型：Curated KBs 和 Extracted KBs

Curated KBs ：以yago2和freebase为代表，他们从维基百科和WordNet等知识库抽取了大量的实体及实体关系，可以把它理解城一种结构化的维基百科。

Extracted KBs ：主要是以Open Information Extraction (Open IE),  Never-Ending Language Learning (NELL)为代表，他们直接从上亿个网页中抽取实体关系三元组。与freebase相比，这样得到的实体知识更具有多样性，而它们的实体关系和实体更多的则是自然语言的形式，如“姚明出生于上海。” 可以被表示为(“Yao Ming”, “was also born in”, “Shanghai”)。直接从网页中抽取出来的知识，也会存在一定的噪声，其精确度低于Curated KBs。

a)“姚明出生于上海”

b)“姚明是篮球运动员”

c)“姚明是现任中国篮协主席”

以上就是一条条知识，把大量的知识汇聚起来就成为了知识库（Knowledge Base）。我们可以从wikipedia，百度百科等百科全书获取到大量的知识。但是，这些百科全书的知识是由非结构化的自然语言组建而成的，这样的组织方式很适合人们阅读但并不适合计算机处理。

为了方便计算机的处理和理解，我们需要更加形式化、简洁化的方式去表示知识，那就是三元组（triple）。

“姚明出生于中国上海” 可以用三元组表示为(Yao Ming, PlaceOfBirth, Shanghai)[1]。这里我们可以简单的把三元组理解为(实体entity,实体关系relation,实体entity)。如果我们把实体看作是结点，把实体关系（包括属性，类别等等）看作是一条边，那么包含了大量三元组的知识库就成为了一个庞大的知识图。

有些时候会将实体称为topic，如Justin Bieber。实体关系也可分为两种，一种是属性property，一种是关系relation。如下图所示，属性和关系的最大区别在于，属性所在的三元组对应的两个实体，常常是一个topic和一个字符串，如属性Type/Gender，对应的三元组（Justin Bieber, Type, Person），而关系所在的三元组所对应的两个实体，常常是两个topic。如关系PlaceOfBrith，对应的三元组（Justin Bieber, PlaceOfBrith, London）。

（图中蓝色方块表示topic，橙色椭圆包括属性值，它们都属于知识库的实体；蓝色直线表示关系，橙色直线表示属性，它们都统称为知识库的实体关系，都可以用三元组刻画实体和实体关系）

这里只是简单介绍一下数据结构，知识表达这一块会在《知识图谱基础（二）-知识图谱的知识表达系统》中详细讲解。

读者只要记住，freebase的基础知识表达形式：(实体)-[关系]-(实体)，(实体)-[关系]-(值)即可，参考图3，姚明和叶莉的关系。

通过知识图谱，不仅可以将互联网的信息表达成更接近人类认知世界的形式，而且提供了一种更好的组织、管理和利用海量信息的方式。下图是笔者整理的知识图谱有关的应用，接下来的一些文章笔者会对下面的应用进行剖析。

从图4上看，知识图谱的应用主要集中在搜索与推荐领域，robot（客服机器人，私人助理）是问答系统，本质上也是搜索与推荐的延伸。可能是因为知识图谱这项技术（特指freebase）诞生之初就是为了解决搜索问题的。知识存储这一块可能是企查查和启信宝这些企业发现使用图结构的数据比较好清洗加工。

在语义搜索这一块，知识图谱的搜索不同于常规的搜索，常规的搜索是根据keyword找到对应的网页集合，然后通过page rank等算法去给网页集合内的网页进行排名，然后展示给用户；基于知识图谱的搜索是在已有的图谱知识库中遍历知识，然后将查询到的知识返回给用户，通常如果路径正确，查询出来的知识只有1个或几个，相当精准。

问答系统这一块，系统同样会首先在知识图谱的帮助下对用户使用自然语言提出的问题进行语义分析和语法分析，进而将其转化成结构化形式的查询语句，然后在知识图谱中查询答案。

图立方和知识图谱的区别和联系与区别

图网络，即Natural Graph，是基于世界各实体之间的自然关系表示而得到的图，他们的节点一般是某个特定网络中的实体（人、物理机、分子）。例如：社交网络、通信网络、蛋白质网络。

知识图谱，即Knowledge Graph，它一般是由知识或信息组织而成的图，它是专门被用来构建知识库并支持决策的。因此知识图谱中的节点可以直接是抽象名词，或者是世界知识或语言知识。

二、异同点

① 二者都是由节点和边组成的图。但是图网络中的实体都是客观存在的，是对真实世界关系的一种呈现；知识图谱主要是把客观世界潜在的知识结构呈现出来，实体可以是抽象的名词。

② 二者都是异质信息网络，但是任务不同。KG是一种知识量丰富的异质信息网络（Heterogeneous Information Network， HIN），它更关注建模实现对关系、节点的表示，模型学习的重点是节点之间的关系，以更好地存储、抽取、推理知识。NG建模任务更关注节点的表示，模型学习的重点是图网络的结构，以达到对节点分类、聚类、链接预测的目的。

三、图网络表示学习(Graph Embedding) VS 知识图谱表示学习(Knowledge Graph Embedding)

也可以称图嵌入学习，分为图网络嵌入graph embedding以及知识图谱嵌入knowledge graph embedding。从起源看，这两个任务中最火的方法DeepWalk和TransE，都是受到了word2vec启发提出来的，只是前者是受到了word2vec处理文本序列、由中心词预测上下文的启发；而后者受到了word2vec能自动发现implicit relation (也就是大家常说的 king - man = queen - woman)的启发。

两者的相同之处是目标一致，都旨在对研究对象建立分布式表示。不同之处在于，知识表示重在如何处理实体间的显式关系上；而网络表示重在如何充分考虑节点在网络中的复杂结构信息（如community等）。

1）学习目标不同

网络表示比较注重在嵌入式空间中保留网络的拓扑结构信息，知识图谱的表示在保留结构信息的基础上，也同样注重于关系的重要性，以及它们的头尾关系。知识图谱表示学习更偏向关系建模，在保留结构信息的基础上强调关系和头尾关系，强调的是节点和关系的表示，节点和关系同样重要，因此，知识图谱表示学习中往往指明了关系，比如水果和猕猴桃之间是所属关系。

2）学习方法不同

网络表示学习通常包括三种：基于矩阵分解的模型，比如SVD；基于随机游走的模型，比如DeepWalk；基于深度神经网络的模型，包括CNN、RNN等；此外还有同质网络、异质网络的区分，还有属性网络、融合伴随信息的网络等。

与此不同的是，典型的知识图谱表示算法包括trans系列的算法，如TransE、TransR、TransH等，通过这个三元组去刻画实体和关系的向量表示。