爱数博客

在上述示意图中，三种不同颜色的圆圈以及连接箭头代表的是不同类型的实体，箭头则表现了不同圆圈之间的关系。图中我们可以看到的部分是构成知识图谱的数据部分（即数据层）。这些数据都是以三元组的方式来表达。
三元组顾名思义，由三个元素构成，形似下面的表达：
【实体】---【关系】--->【实体】
对应图中，
【C罗】---【效力球队】--->【曼联】
在知识图谱中所有的数据都可以用三元组表达，所有三元组的连接就可以生成知识图谱。
那么，是什么定义了背后这些数据的样式或组成方式呢？我们可以称之为“本体”，或者知识图谱的Schema，或者模型。在知识图谱中，本体是指对概念、数据和实体之间的类别、属性和关系的表示、命名和定义。所以，本体的核心是“定义”。因此，知识图谱在数据层面可以概括为：“本体”+“数据”。
知识图谱的本体定义非常抽象，基本上世间的万事万物都可以用实体来表示。这类抽象的本体更加适合对于百科知识或者事实类知识的描述。如果我们要描述一个特定领域的知识，若本体定义越符合领域特征，那么应用起来也会更加符合领域的使用场景。
 

举例说明，上图是一个公司客户关系管理的领域知识图谱中本体及数据示例。上半部分是知识图谱的本体层，下半部分是知识图谱的数据层。由此可见，在实际业务应用中，我们要建立一个面向领域的知识图谱，本体的设计就尤为重要。
 

构建领域知识图谱五步走
 

领域知识图谱中包含解决某个领域内问题的知识，这些知识可能存在不同的异构数据来源。有结构化数据、非结构化数据、机器数据，甚至是人类的大脑中，我们可以把这些知识构建成领域知识图谱。
 

1、数据准备：根据本体模型收集需要的数据，包括结构化数据、非结构化数据、半结构化数据；
2、本体建模：根据领域知识的特点设计知识图谱模型，需要考虑本体的抽象程度和复杂程度，这也决定了后面知识抽取的方法；
3、知识抽取：
结构化数据可以直接从数据源处抽取数据；
非结构化数据就需要训练知识抽取的模型，再将模型抽取的知识映射到本体上，形成知识图谱中的数据。
 

4、知识融合：将从不同数据源中抽取到的对于同一个实体的关系和数据进行融合，例如：“上海爱数”和“上海爱数信息技术股份有限公司”是同一个公司，需要进行相关的融合操作；
5、质量评估：对于知识图谱中的数据进行校验。
 

典型业务应用，提高企业认知智能

为了让数据价值最大化，我们把领域知识图谱带进业务应用。
由于领域知识图谱中保存了解决该领域专属问题的大量知识，因此可以应用于很多业务场景中。虽然当前领域认知智能还无法替代人类工作，但能够在一定程度上辅助人类解决问题。在实际应用场景中，领域知识图谱可以大大提升机器的生产力，从而解放人脑。

• 认知搜索：通过建立用户搜索输入的关键词与知识图谱中的实体之间的映射关系，准确理解用户意图，为用户推荐满足用户需求的结构化信息内容。

 

• 智能问答：基于知识的问答系统，可以将用户的问题转化为对领域知识网络的查询，从而从知识库中准确获取用户所关心的问题答案。

 

 

• 图探索分析：利用图可视化分析工具进行即时的交互式探索。通过关联分析、路径分析、规则推理等技术帮助企业组织获得对大数据的洞察，提供决策支持。

 

 

领域知识图谱是领域知识网络的重要组成部分，也是实现领域认知智能的数据基础之一，领域知识网络通过挖掘数据价值、沉淀知识、构建知识网络，提供领域认知智能的知识服务,帮助不同组织实现数据驱动业务创新发展，提高行业数字生产力。