知识|产品视角下的知识图谱构建流程与技术理解( 三 )

Wikidata的目标是构建一个免费开放、多语言、任何人或机器都可以编辑修改的大规模链接知识库。Wikidata支持以三元组为基础的知识条目的自由编辑。
一个三元组代表一个关于该条目的陈述（Statement）。
例如，可以给“土木工程”的条目增加“<土木工程，涉及，工程施工>”的三元组陈述。自2012年启动到现在，Wikidata已经有多于5000万条目了。

文章插图
垂直领域的知识图谱是相对通用知识图谱而言的，面向特定领域的知识图谱，如电商、金融、医疗等。垂直领域的知识图谱不一定是从互联网等开放数据抓取，而更可能是企业内部的专业数据。
同时知识表示也不止是三元组等事实性知识，通常由更为复杂的本体知识和规则型知识。
知识抽取的质量也要求更高，往往需要人工校验，保障质量。
更重要的是，垂直领域的知识图谱应用形式更全面，除了搜索问答，通常还有决策分析，业务管理等，这些业务对推理的要求更高，并要求更强的可解释性。
以金融知识图谱为例，Kensho采用知识图谱辅助投资顾问和投资研究，图谱的主要知识来源是于机构已有的结构化数据和公开的公报，研报和新闻的联合抽取等。
金融概念复杂性较高，并较多的依赖规则型知识进行投资因素的关联分析。此外，金融知识图谱还具有高度的时效性，需要对金融知识进行时间维度的建模。
最后一部分是知识图谱的组件和标准化，这些都是面向B端企业，为了企业更高效高质量的构建知识图谱所做的工作。
知识图谱组件是指围绕知识图谱的构建一些相关组件产品，比如本体编辑器、关系抽取器、垂直搜索等等，具体工具如斯坦福大学开源的本体编辑工具Protégé，斯坦福大学 InfoLab 实验室开源的知识抽取的系统Deepdive。
同时，知识图谱构建的标准化，流程化工作也在进行，如中国电子技术标准化研究院2019年发布的《知识图谱标准化白皮书》。
综上，知识图谱具有广泛的应用，既是一个规模庞大，查询灵活的知识库，也可以通过数据挖掘，深度学习等产生一定程度的人工智能，在可以预见的未来，知识图谱作为一种重要的人工智能基础设施，将会持续发展，带来更多变化。
四、怎么样构建一个知识图谱知识图谱有广泛的应用和巨大的应用价值，越来越多的企业也在着手进行知识图谱的构建。
按流程来说，知识图谱具有知识表示与建模、知识抽取、知识融合、知识图谱推理、知识统计与图挖掘、知识检索与知识分析等主要的几步。
以下为知识图谱技术路线图。

文章插图
五、知识表示与建模要想实现人工智能，首先要做的就是让人和机器建立起对这个世界的统一认识，即如何把现实世界变成机器能理解，可解释的知识库，而答案也正藏在知识图谱这个名称中：将知识图谱化。
这一步也就是对知识的表示与建模。
数据本身是有价值的，但其价值是需要组织和挖掘而产生的，杂乱无章的数据是不能被识别的，也无法产生价值。
数据结构是指相互之间存在一种或多种特定关系的数据元素的集合，是计算机存储、组织数据的方式。对应到知识图谱中，主要是图结构和三元组。
图结构是很好理解的，图谱本身就是以图的结构来存储和展现的。
我们对现实世界的理解也是如此，先认识到某一个具体的事物或实例，即建立节点，再通过建立节点间的关系完成对事物的认识。