应用
Google：搜索，things not strings
智能硬件
通用知识图谱：
- 广度，强调实体，以常识性知识为主，“结构化的百科知识”
- 自底向上，很难形成全局的本体上的管理
- 使用者是普通用户
项目如：
- 语言类的：WordNet，MIT-ConceptNet5的中文部分，汉语开放词网（Chinese Open WordNet）
- 百科类：DBpedia，中文通用百科知识图谱（CN-Dbpedia），Zhishi.me，PKU-PIE知识库
行业知识图谱：
- 特定领域，深度和完备性，“基于语义技术的行业知识库”
- 准确度非常高，复杂分析应用和决策支持，
- 严格与丰富的数据模式
- 使用者是行业人员
首先想到的是 Palantir
行业知识图谱数据的特点：
- 数据来源多：内部，互联网，第三方
- 数据类型多：结构化，半结构化，非结构化
- 数据模式无法预先确定：模式在数据出现后才能确定，并且随着数据增长和任务不断演变
- 数据量大：TB，PB级别
金融证券，生物医疗，图书情报，电商，农业，政府，电信，出版，看OpenKG中的项目
通用知识图谱可以作为行业知识图谱的基础，行业知识图谱又可以形成通用知识图谱的一部分
企业知识图谱：
- 企业风险评估、企业路径发现，企业控制发现，上市企业只能问答（股票问问）
- 用户为：银行、投行、政府。。。
金融交易知识图谱：
- 辅助信贷审核
- 反欺诈
- 异常（交易，客户）分析
医疗知识图谱：
- 中医药知识服务平台
- Watson诊断
图情资源知识图谱：
- 知识导航和资源展示
- 知识点推荐和搜索
- 图情资源统计
挑战
企业大数据的挑战：
- 多源异构数据难融合
- 数据模式动态变迁难：自由可扩展模式
- 非结构数据计算机难理解
- 数据使用专业程度高
- 分散的数据难以统一消费利用
解决方案：
- 使用知识图谱（本体）对各种类型的数据进行抽象建模
- 使用可支持数据模式动态变化的知识图谱的数据存储
- 利用信息抽取技术，进行结构化，形成知识图谱形式的知识
- 在知识融合的基础上，基于语义检索、智能问答、图计算、推理、可视化等技术，提供统一的数据检索、分析和利用平台，降低数据使用门槛
行业知识图谱生命周期
建模——获取——融合——存储——计算——应用
行业知识图谱的技术栈：
- RDF：建模
- SPAQL：检索
- RDFS, OWL：推理
RDF(Resource Description Framework资源描述框架)：
- 是语义网标准中的第一层
- RDF的含义
- R：页面、图片、视频等任何具有URI标识符的资源；
- D：属性、特征和资源之间的关系
- F： 模型、语言和这些描述的语法
-
三元组模型，每一份知识分解为：SPO(subject predicte object主谓宾)
-
构建链接资源的图模型，三元组可以看成是图中的弧
-
各种序列化表示方法：Turtle, TriG, N-Triples, N-Quads, JSON, RDFa
OWL：RDFS的扩展
- 复杂类： 交、并、补
- 属性约束：存在量化、全称量化
- 基数约束：最大基数约束、最小基数约束
- 属性特征：反、对称、非对称、不相交、自反
- 属性链
SPARAL:
- RDF的查询语言，基于RDF数据模型
- 可以对不同的数据集撰写复杂的连接
- 由所有主流图数据库支持
知识建模
一站式工具：
- LOD2：没有中文支持
- Stardog：仅对结构化数据，没有知识融合
策略：
- 使用套装工具
- 扩充套装工具
- 生命周期中的相应工具
- 扩充生命周期中的相应工具
- 从零开始
一般是选择2,3,4
金融：平安，蚂蚁金服