應用
Google：搜索，things not strings
智能硬件
通用知識圖譜：
- 廣度，強調實體，以常識性知識爲主，“結構化的百科知識”
- 自底向上，很難形成全局的本體上的管理
- 使用者是普通用戶
項目如：
- 語言類的：WordNet，MIT-ConceptNet5的中文部分，漢語開放詞網（Chinese Open WordNet）
- 百科類：DBpedia，中文通用百科知識圖譜（CN-Dbpedia），Zhishi.me，PKU-PIE知識庫
行業知識圖譜：
- 特定領域，深度和完備性，“基於語義技術的行業知識庫”
- 準確度非常高，複雜分析應用和決策支持，
- 嚴格與豐富的數據模式
- 使用者是行業人員
首先想到的是 Palantir
行業知識圖譜數據的特點：
- 數據來源多：內部，互聯網，第三方
- 數據類型多：結構化，半結構化，非結構化
- 數據模式無法預先確定：模式在數據出現後才能確定，並且隨着數據增長和任務不斷演變
- 數據量大：TB，PB級別
金融證券，生物醫療，圖書情報，電商，農業，政府，電信，出版，看OpenKG中的項目
通用知識圖譜可以作爲行業知識圖譜的基礎，行業知識圖譜又可以形成通用知識圖譜的一部分
企業知識圖譜：
- 企業風險評估、企業路徑發現，企業控制發現，上市企業只能問答（股票問問）
- 用戶爲：銀行、投行、政府。。。
金融交易知識圖譜：
- 輔助信貸審覈
- 反欺詐
- 異常（交易，客戶）分析
醫療知識圖譜：
- 中醫藥知識服務平臺
- Watson診斷
圖情資源知識圖譜：
- 知識導航和資源展示
- 知識點推薦和搜索
- 圖情資源統計
挑戰
企業大數據的挑戰：
- 多源異構數據難融合
- 數據模式動態變遷難：自由可擴展模式
- 非結構數據計算機難理解
- 數據使用專業程度高
- 分散的數據難以統一消費利用
解決方案：
- 使用知識圖譜（本體）對各種類型的數據進行抽象建模
- 使用可支持數據模式動態變化的知識圖譜的數據存儲
- 利用信息抽取技術，進行結構化，形成知識圖譜形式的知識
- 在知識融合的基礎上，基於語義檢索、智能問答、圖計算、推理、可視化等技術，提供統一的數據檢索、分析和利用平臺，降低數據使用門檻
行業知識圖譜生命週期
建模——獲取——融合——存儲——計算——應用
行業知識圖譜的技術棧：
- RDF：建模
- SPAQL：檢索
- RDFS, OWL：推理
RDF(Resource Description Framework資源描述框架)：
- 是語義網標準中的第一層
- RDF的含義
- R：頁面、圖片、視頻等任何具有URI標識符的資源；
- D：屬性、特徵和資源之間的關係
- F： 模型、語言和這些描述的語法
-
三元組模型，每一份知識分解爲：SPO(subject predicte object主謂賓)
-
構建鏈接資源的圖模型，三元組可以看成是圖中的弧
-
各種序列化表示方法：Turtle, TriG, N-Triples, N-Quads, JSON, RDFa
OWL：RDFS的擴展
- 複雜類： 交、並、補
- 屬性約束：存在量化、全稱量化
- 基數約束：最大基數約束、最小基數約束
- 屬性特徵：反、對稱、非對稱、不相交、自反
- 屬性鏈
SPARAL:
- RDF的查詢語言，基於RDF數據模型
- 可以對不同的數據集撰寫複雜的連接
- 由所有主流圖數據庫支持
知識建模
一站式工具：
- LOD2：沒有中文支持
- Stardog：僅對結構化數據，沒有知識融合
策略：
- 使用套裝工具
- 擴充套裝工具
- 生命週期中的相應工具
- 擴充生命週期中的相應工具
- 從零開始
一般是選擇2,3,4
金融：平安，螞蟻金服