⑴ 知識圖譜是什麼有哪些應用價值
知識圖譜 (Knowledge Graph) 是當前的研究熱點。自從2012年Google推出自己第一版知識圖譜以來，它在學術界和工業界掀起了一股熱潮。各大互聯網企業在之後的短短一年內紛紛推出了自己的知識圖譜產品以作為回應。比如在國內，互聯網巨頭網路和搜狗分別推出」知心「和」知立方」來改進其搜索質量。那麼與這些傳統的互聯網公司相比，對處於當今風口浪尖上的行業 - 互聯網金融， 知識圖譜可以有哪方面的應用呢？
目錄
1. 什麼是知識圖譜？
2. 知識圖譜的表示
3. 知識圖譜的存儲
4. 應用
5. 挑戰
6. 結語
1. 什麼是知識圖譜？
知識圖譜本質上是語義網路，是一種基於圖的數據結構，由節點(Point)和邊(Edge)組成。在知識圖譜里，每個節點表示現實世界中存在的「實體」，每條邊為實體與實體之間的「關系」。知識圖譜是關系的最有效的表示方式。通俗地講，知識圖譜就是把所有不同種類的信息（Heterogeneous Information）連接在一起而得到的一個關系網路。知識圖譜提供了從「關系」的角度去分析問題的能力。
知識推理
推理能力是人類智能的重要特徵，使得我們可以從已有的知識中發現隱含的知識， 一般的推理往往需要一些規則的支持【3】。例如「朋友」的「朋友」，可以推理出「朋友」關系，「父親」的「父親」可以推理出「祖父」的關系。再比如張三的朋友很多也是李四的朋友，那我們可以推測張三和李四也很有可能是朋友關系。當然，這里會涉及到概率的問題。當信息量特別多的時候，怎麼把這些信息（side information）有效地與推理演算法結合在一起才是最關鍵的。常用的推理演算法包括基於邏輯（Logic） 的推理和基於分布式表示方法（Distributed Representation）的推理。隨著深度學習在人工智慧領域的地位變得越來越重要，基於分布式表示方法的推理也成為目前研究的熱點。如果有興趣可以參考一下這方面目前的工作進展【4,5,6,7】。
大數據、小樣本、構建有效的生態閉環是關鍵
雖然現在能獲取的數據量非常龐大，我們仍然面臨著小樣本問題，也就是樣本數量少。假設我們需要搭建一個基於機器學習的反欺詐評分系統，我們首先需要一些欺詐樣本。但實際上，我們能拿到的欺詐樣本數量不多，即便有幾百萬個貸款申請，最後被我們標記為欺詐的樣本很可能也就幾萬個而已。這對機器學習的建模提出了更高的挑戰。每一個欺詐樣本我們都是以很高昂的「代價」得到的。隨著時間的推移，我們必然會收集到更多的樣本，但樣本的增長空間還是有局限的。這有區別於傳統的機器學習系統，比如圖像識別，不難拿到好幾十萬甚至幾百萬的樣本。
在這種小樣本條件下，構建有效的生態閉環尤其的重要。所謂的生態閉環，指的是構建有效的自反饋系統使其能夠實時地反饋給我們的模型，並使得模型不斷地自優化從而提升准確率。為了搭建這種自學習系統，我們不僅要完善已有的數據流系統，而且要深入到各個業務線，並對相應的流程進行優化。這也是整個反欺詐環節必要的過程，我們要知道整個過程都充滿著博弈。所以我們需要不斷地通過反饋信號來調整我們的策略。
6. 結語
知識圖譜在學術界和工業界受到越來越多的關注。除了本文中所提到的應用，知識圖譜還可以應用在許可權管理，人力資源管理等不同的領域。在後續的文章中會詳細地講到這方面的應用。
參考文獻
【1】De Abreu, D., Flores, A., Palma, G., Pestana, V., Pinero, J., Queipo, J., ... & Vidal, M. E. (2013). Choosing Between Graph Databases and RDF Engines for Consuming and Mining Linked Data. In COLD.
【2】User Behavior Tutorial
【3】劉知遠 知識圖譜——機器大腦中的知識庫 第二章 知識圖譜——機器大腦中的知識庫
【4】Nickel, M., Murphy, K., Tresp, V., & Gabrilovich, E. A Review of Relational Machine Learning for Knowledge Graphs.
【5】Socher, R., Chen, D., Manning, C. D., & Ng, A. (2013). Reasoning with neural tensor networks for knowledge base completion. In Advances in Neural Information Processing Systems (pp. 926-934).
【6】Bordes, A., Usunier, N., Garcia-Duran, A., Weston, J., & Yakhnenko, O. (2013). Translating embeddings for modeling multi-relational data. In Advances in Neural Information Processing Systems (pp. 2787-2795).
【7】Jenatton, R., Roux, N. L., Bordes, A., & Obozinski, G. R. (2012). A latent factor model for highly multi-relational data. In Advances in Neural Information Processing Systems(pp. 3167-3175).
⑵ 什麼是知識管理系統
什麼是知識管理系統？
關於什麼是知識管理系統，並沒有一個統一的定義。根據組織狀況的不同，每個組織都需要發現適合自己的知識管理系統。當我們討論知識管理系統時，我們集中在那些能夠有效存儲信息，同時能夠實現高效的知識流轉、共享、發現的系統。例如：
l 一種能夠按照索引訪問那些關鍵的商業資料（例如銷售概況或者員工對企業流程的建議）的文檔管理系統。
l 一個專業技能發現工具，使用它可以發現在整個組織或者企業中，那些人在特定的領域中具備了較高的專業的技能，並探討如何分享這些技能。
您的組織是否需要一個知識管理系統？
其實目前在很多的公司中都存在著很好的「知識管理系統」，當然這種系統是一種非正式的、零散的、不系統的應用，同時這種自發的系統主要是手工操作的系統。例如企業的經理們經常使用網路上的共享硬碟或者是Exchange中的公用文件夾來儲存重要的資料，同時經理們主要通過電話或者電子郵件的形式對於企業內人員進行觀察，從而發現那些專業技能方面的行家裡手。
這些非正式的、零散的、不系統的應用可以解決部分企業知識管理中的問題，但是隨著組織或企業的成長，特別是地域的擴張，一個自動化的知識管理系統就顯示出非常重要的意義，相對與原始的手工知識管理它可以為企業帶來更加巨大的利益。它通過更好的組織信息、分享信息、使用信息以及提供搜尋功能，使得企業的員工和各級經理們可以容易的在最合適的時間找到最合適的文檔並能找到擁有某種核心能力的最合適職員。
成功的知識管理實施的關鍵是什麼？
l 與任何大型信息系統實施一樣，高層的支持對於知識管理系統實施的成敗是十分關鍵的。由於大部分企業或者組織中都沒有專門的部門負責知識管理，在實施過程中，高層管理人員必須既要支持系統的實施，又要支持一個新的部門的成立---一個負責全組織內知識管理的部門。高層的支持必須是竭盡全力的，這種支持來自與高層對於知識管理的正確認識和對知識管理對企業價值的認知。
l 信息的手工輸入是知識管理系統中對信息進行分類和組織的關鍵問題。許多管理人員期望計算機可以自動產生一個令系統用戶滿意的分類（信息組織方案）。這是一個錯誤的設想，對新信息的分類和對關鍵詞的組織都是決定系統成敗的任務。在這個過程中，技術可以發揮部分作用，但主要的依靠力量還是組織內的員工
⑶ 知識圖譜可以用python構建嗎
知識圖譜可以用python構建嗎？
答案當然是可以的！！！
那麼如何使用python構建
什麼是知識圖譜
從Google搜索，到聊天機器人、金融風控、物聯網場景、智能醫療、自適應教育、推薦系統，無一不跟知識圖譜相關。它在技術領域的熱度也在逐年上升。
互聯網的終極形態是萬物的互聯，而搜索的終極目標是對萬物的直接搜索。傳統搜索引擎依靠網頁之間的超鏈接實現網頁的搜索，而語義搜索是直接對事物進行搜索，如人物、機構、地點等。這些事物可能來自文本、圖片、視頻、音頻、IoT設備等各種信息資源。而知識圖譜和語義技術提供了關於這些事物的分類、屬性和關系的描述，使得搜索引擎可以直接對事物進行索引和搜索。
知識圖譜是由Google公司在2012年提出來的一個新的概念。從學術的角度，我們可以對知識圖譜給一個這樣的定義：「知識圖譜本質上是語義網路（Semantic Network）的知識庫」。但這有點抽象，所以換個角度，從實際應用的角度出發其實可以簡單地把知識圖譜理解成多關系圖（Multi-relational Graph）。
那什麼叫多關系圖呢？ 學過數據結構的都應該知道什麼是圖（Graph）。圖是由節點（Vertex）和邊（Edge）來構成，但這些圖通常只包含一種類型的節點和邊。但相反，多關系圖一般包含多種類型的節點和多種類型的邊。
本項目利用pandas將excel中數據抽取，以三元組形式載入到neo4j資料庫中構建相關知識圖譜。
運行環境
基於Neo4j能夠很容易構建知識圖譜，除了用neo4j自帶的cypher，也支持Python包py2neo創建節點和關系從而構建知識圖譜。本項目是基於發票信息，將發票數據中結構化數據抽象成三元組，分別創建節點和關系從而構建成知識圖譜。
具體包依賴可以參考文件requirements.txt
neo4j-driver==1.6.2numpy==1.15.3pandas==0.23.4parso==0.3.1pickleshare==0.7.5pluggy==0.8.0prompt-toolkit==1.0.15py==1.7.0py2neo==3Pygments==2.2.0pytest==3.9.3python-dateutil==2.7.5wcwidth==0.1.7wincertstore==0.2xlrd==1.1.0
將所需依賴安裝到pyton中：pip install -r requirements.txt
Pandas抽取excel數據
python中pandas非常適用於數據分析與處理，可以將excel文件轉換成dataframe格式，這種格式類似於Spark中的Dataframe結構，可以用類sql的形式對數據進行處理。
Excel數據結構如下
通過函數data_extraction和函數relation_extrantion分別抽取構建知識圖譜所需要的節點數據以及聯系數據，構建三元組。
數據提取主要採用pandas將excel數據轉換成dataframe類型
invoice_neo4j.py
建立知識圖譜所需節點和關系數據
DataToNeo4jClass.py
具體代碼請移步到GitHub上下載
詳細內容請到github下載，項目名neo4j-python-pandas-py2neo-v3
更多Python知識，請關註：Python自學網！！
⑷ 知識圖譜有什麼用處
知識圖譜 (Knowledge Graph) 是當前的研究熱點。自從2012年Google推出自己第一版知識圖譜以來，它在學術界和工業界掀起了一股熱潮。各大互聯網企業在之後的短短一年內紛紛推出了自己的知識圖譜產品以作為回應。比如在國內，互聯網巨頭網路和搜狗分別推出」知心「和」知立方」來改進其搜索質量。那麼與這些傳統的互聯網公司相比，對處於當今風口浪尖上的行業 - 互聯網金融， 知識圖譜可以有哪方面的應用呢？
目錄
1. 什麼是知識圖譜？
2. 知識圖譜的表示
3. 知識圖譜的存儲
4. 應用
5. 挑戰
6. 結語
1. 什麼是知識圖譜？
知識圖譜本質上是語義網路，是一種基於圖的數據結構，由節點(Point)和邊(Edge)組成。在知識圖譜里，每個節點表示現實世界中存在的「實體」，每條邊為實體與實體之間的「關系」。知識圖譜是關系的最有效的表示方式。通俗地講，知識圖譜就是把所有不同種類的信息（Heterogeneous Information）連接在一起而得到的一個關系網路。知識圖譜提供了從「關系」的角度去分析問題的能力。
知識推理
推理能力是人類智能的重要特徵，使得我們可以從已有的知識中發現隱含的知識， 一般的推理往往需要一些規則的支持【3】。例如「朋友」的「朋友」，可以推理出「朋友」關系，「父親」的「父親」可以推理出「祖父」的關系。再比如張三的朋友很多也是李四的朋友，那我們可以推測張三和李四也很有可能是朋友關系。當然，這里會涉及到概率的問題。當信息量特別多的時候，怎麼把這些信息（side information）有效地與推理演算法結合在一起才是最關鍵的。常用的推理演算法包括基於邏輯（Logic） 的推理和基於分布式表示方法（Distributed Representation）的推理。隨著深度學習在人工智慧領域的地位變得越來越重要，基於分布式表示方法的推理也成為目前研究的熱點。如果有興趣可以參考一下這方面目前的工作進展【4,5,6,7】。
大數據、小樣本、構建有效的生態閉環是關鍵
雖然現在能獲取的數據量非常龐大，我們仍然面臨著小樣本問題，也就是樣本數量少。假設我們需要搭建一個基於機器學習的反欺詐評分系統，我們首先需要一些欺詐樣本。但實際上，我們能拿到的欺詐樣本數量不多，即便有幾百萬個貸款申請，最後被我們標記為欺詐的樣本很可能也就幾萬個而已。這對機器學習的建模提出了更高的挑戰。每一個欺詐樣本我們都是以很高昂的「代價」得到的。隨著時間的推移，我們必然會收集到更多的樣本，但樣本的增長空間還是有局限的。這有區別於傳統的機器學習系統，比如圖像識別，不難拿到好幾十萬甚至幾百萬的樣本。
在這種小樣本條件下，構建有效的生態閉環尤其的重要。所謂的生態閉環，指的是構建有效的自反饋系統使其能夠實時地反饋給我們的模型，並使得模型不斷地自優化從而提升准確率。為了搭建這種自學習系統，我們不僅要完善已有的數據流系統，而且要深入到各個業務線，並對相應的流程進行優化。這也是整個反欺詐環節必要的過程，我們要知道整個過程都充滿著博弈。所以我們需要不斷地通過反饋信號來調整我們的策略。
6. 結語
知識圖譜在學術界和工業界受到越來越多的關注。除了本文中所提到的應用，知識圖譜還可以應用在許可權管理，人力資源管理等不同的領域。在後續的文章中會詳細地講到這方面的應用。
參考文獻
【1】De Abreu, D., Flores, A., Palma, G., Pestana, V., Pinero, J., Queipo, J., ... & Vidal, M. E. (2013). Choosing Between Graph Databases and RDF Engines for Consuming and Mining Linked Data. In COLD.
【2】User Behavior Tutorial
【3】劉知遠 知識圖譜——機器大腦中的知識庫 第二章 知識圖譜——機器大腦中的知識庫
【4】Nickel, M., Murphy, K., Tresp, V., & Gabrilovich, E. A Review of Relational Machine Learning for Knowledge Graphs.
【5】Socher, R., Chen, D., Manning, C. D., & Ng, A. (2013). Reasoning with neural tensor networks for knowledge base completion. In Advances in Neural Information Processing Systems (pp. 926-934).
【6】Bordes, A., Usunier, N., Garcia-Duran, A., Weston, J., & Yakhnenko, O. (2013). Translating embeddings for modeling multi-relational data. In Advances in Neural Information Processing Systems (pp. 2787-2795).
【7】Jenatton, R., Roux, N. L., Bordes, A., & Obozinski, G. R. (2012). A latent factor model for highly multi-relational data. In Advances in Neural Information Processing Systems(pp. 3167-3175).
⑸ 知識圖譜主要是做什麼的
知識圖譜是以框圖的形式按一定的邏輯關系把相關知識點聯系起來，一方面看現有知識圖譜，更好復習知識內容，另一方面自己畫知識圖譜，整理自己的知識。
⑹ 製作知識圖譜需要什麼軟體
知識圖譜（Knowledge Graph）又稱為科學知識圖譜，在圖書情報界稱為知識域可視化或知識領域映射地圖，是顯示知識發展進程與結構關系的一系列各種不同的圖形，用可視化技術描述知識資源及其載體，挖掘、分析、構建、繪制和顯示知識及它們之間的相互聯系。
⑺ 什麼是知識圖譜
知識圖譜，是通過將應用數學、圖形學、信息可視化技術、信息科學等學科的理論與方法與計量學引文分析、共現分析等方法結合，並利用可視化的圖譜形象地展示學科的核心結構、發展歷史、前沿領域以及整體知識架構達到多學科融合目的的現代理論。
⑻ 知識圖譜是如何實現自動化構建
通過自然語言處理，從專業領域的自然語言數據和結構化數據中抽取出實體和關系，構建三層知識圖譜。
⑼ 如何構建知識圖譜
自己建嗎可以下載圖譜軟體構建
http://www.cnblogs.com/R0b1n/p/5224065.html可以參考一下這個
SPSS: 大型統計分析軟體，商用軟體。具有完整的數據輸入、編輯、統計分析、報表、圖形繪制等功能。常用於多元統計分析、數據挖掘和數據可視化。
Bibexcel: 瑞典科學計量學家Persoon開發的科學計量學軟體，用於科學研究免費軟體。具有文獻計量分析、引文分析、共引分析、耦合分析、聚類分析和數據可視化等功能。可用於分析ISI的SCI、SSCI和A&HCI文獻資料庫。
HistCite: Eugene Garfield等人於2001年開發的科學文獻引文鏈接分析和可視化系統，免費軟體。可對ISI的SCI、SSCI和SA&HCI等文獻資料庫的引文數據進行計量分析，生成文獻、作者和期刊的引文矩陣和實時動態引文編年圖。直觀的反映文獻之間的引用關系、主題的宗譜關系、作者歷史傳承關系、科學知識發展演進等。
CiteSpace: 陳超美博士開發的專門用於科學知識圖譜繪制的免費軟體。國內使用最多知識圖譜繪制軟體。可用於追蹤研究領域熱點和發展趨勢，了解研究領域的研究前沿及演進關鍵路徑，重要的文獻、作者及機構。可用於對ISI、CSSCI和CNKI等多種文獻資料庫進行分析。
TDA: Thomson Data Analyzer（TDA）是Thomson集團基於VantagePoint開發文獻分析工具。商用軟體。具有去重、分段等數據預處理功能；可形成共現矩陣、因子矩陣等多種分析矩陣；可使用Pearson、Cosine等多種演算法進行數據標准化；可進行知識圖譜可視化展示。
Sci2 Tools: 印第安納大學開發的用於研究科學結構的模塊化工具可從時間、空間、主題、網路分析和可視化等多角度，分析個體、局部和整體水平的知識單元。
ColPalRed: Gradnada大學開發的共詞單元文獻分析軟體。商用軟體。結構分析，在主題網路中展現知識（詞語及其關系）；戰略分析，通過中心度和密度，在主題網路中為主題定位；動態分析，分析主題網路演變，鑒定主題路徑和分支。
Leydesdorff: 系類軟體。阿姆斯特丹大學Leydesdorff開發的這對文獻計量的小程序集合。處理共詞分析、耦合分析、共引分析等知識單元體系。使用「層疊圖」實現可視化知識的靜態布局和動態變化。
Word Smith: 詞頻分析軟體。可將文本中單詞出現頻率排序和找出單詞的搭配片語。
NWB Tools: 印第安納大學開發的對大規模知識網路進行建模、分析和可視化工具. 數據預處理；構建共引、共詞、耦合等多種網路；可用多種方法進行網路分析；可進行可視化展示.
Ucinet NetDraw: Ucinet是社會網路分析工具。包括網路可視化工具Net Draw。用於處理多種關系數據，可通過節點屬性對節點的顏色、形狀和大小等進行設置。用於社交網路分析和網路可視化。
Pajek: 來自斯洛維尼亞的分析大型網路的社會網路分析免費軟體。Pajek基於圖論、網路分析和可視化技術，主要用於大型網路分解，網路關系展示，科研作者合作網路圖譜的繪制。
VOSviewer: 荷蘭萊頓大學開發的文獻可視化分析工具。使用基於VOS聚類技術技術實現知識單元可視化工具。突出特點可視化能力強，適合於大規模樣本數據。四種視圖瀏覽：標簽視圖、密度視圖、聚類視圖和分散視圖。
[4]陳悅, 劉則淵, 陳勁等. 科學知識圖譜的發展歷程[J]. 科學學研究, 2008, (03): 449-460.
[5]Shiffrin, R.M., and Katy Börner. Mapping Knowledge Domains[C]. Proc. Proceedings of the National Academy of Sciences of the United States of America pp. 5183-5185.
[6]Börner, K., Chen, C.和Boyack, K.W. Visualizing knowledge domains[J]. Annual review of information science and technology, 2003, 37, (1): 179-255.
[7]CM, C. CiteSpace II: Detecting and visualizing emerging trends and transient patterns in scientific literature[J]. Journal of the American Society for Information Science and Technology, 2006, 57, (3): 359-377.
[8]陳悅和劉則淵. 悄然興起的科學知識圖譜[J]. 科學學研究, 2005, (02): 149-154.
[9]邱均平. 信息計量學[M]. (武漢大學出版社, 2007. 2007).
[10]沙勇忠和牛春華. 信息分析[M]. (科學出版社, 2009. 2009).
[11]塞沃爾, 建軍和煦. 鏈接分析: 信息科學的研究方法[M]. (東南大學出版社, 2009. 2009).
[12]Egghe, L.和Rousseau, R. Introction to informetrics: Quantitative methods in library, documentation and information science[J]. 1990
[13]韓家煒, 坎伯, 裴健等. 數據挖掘: 概念與技術[M]. (機械工業出版社, 2007. 2007).
[14]Wasserman, S. Social network analysis: Methods and applications[M]. (Cambridge university press, 1994. 1994).
[15]Persson, O., R. Danell, J. Wiborg Schneider. How to use Bibexcel for various types of bibliometric analysis[C]. Proc. International Society for Scientometrics and Informetrics., Leuven, Belgium2009 pp. 9–24.
[16]Yang, Y., Akers, L., Klose, T.等. Text mining and visualization tools–impressions of emerging capabilities[J]. World Patent Information, 2008, 30, (4): 280-293.
[17]Börner, K., Huang, W., Linnemeier, M.等. Rete-netzwerk-red: analyzing and visualizing scholarly networks using the Network Workbench Tool[J]. Scientometrics, 2010, 83, (3): 863-876.
[18]廖勝姣. 科學知識圖譜繪制工具:SPSS和TDA的比較研究[J]. 圖書館學研究, 2011, (05): 46-49.
[19]Scott, M. WordSmith tools[M]. (Oxford: Oxford University Press, 1996. 1996).
[20]Batagelj, V.和Mrvar, A. Pajek - Program for Large Network Analysis[M]. (1998. 1998).
[21]Borgatti, S.P., Everett, M.G.和Freeman, L.C. Ucinet for Windows: Software for social network analysis[J]. 2002
[22]Van Eck, N.J.和Waltman, L. VOSviewer: A computer program for bibliometric mapping[J]. 2009
⑽ 知識圖譜概念是什麼
知識圖譜的概念是：知識圖譜是自頂向下(top-down)的構建方式。自頂向下指的是先為知識圖譜定義好本體與數據模式，再將實體加入到知識庫。
該構建方式需要利用一些現有的結構化知識庫作為其基礎知識庫，例如 Freebase 項目就是採用這種方式，它的絕大部分數據是從維基網路中得到的。
然而目前，大多數知識圖譜都採用自底向上(bottom-up)的構建方式。自底向上指的是從一些開放連接數據（也就是 「信息」）中提取出實體，選擇其中置信度較高的加入到知識庫，再構建實體與實體之間的聯系。
知識圖譜的體系架構是：
知識圖譜的架構主要包括自身的邏輯結構以及體系架構。
知識圖譜在邏輯結構上可分為模式層與數據層兩個層次，數據層主要是由一系列的事實組成，而知識將以事實為單位進行存儲。
如果用（實體1，關系，實體2）、（實體、屬性，屬性值）這樣的三元組來表達事實，可選擇圖資料庫作為存儲介質，例如開源的 Neo4j、Twitter 的 FlockDB、JanusGraph 等。
模式層構建在數據層之上，主要是通過本體庫來規范數據層的一系列事實表達。本體是結構化知識庫的概念模板，通過本體庫而形成的知識庫不僅層次結構較強，並且冗餘程度較小。
大規模知識庫的構建與應用需要多種智能信息處理技術的支持。通過知識抽取技術，可以從一些公開的半結構化、非結構化的數據中提取出實體、關系、屬性等知識要素。通過知識融合，可消除實體、關系、屬性等指稱項與事實對象之間的歧義，形成高質量的知識庫。
知識推理則是在已有的知識庫基礎上進一步挖掘隱含的知識，從而豐富、擴展知識庫。分布式的知識表示形成的綜合向量對知識庫的構建、推理、融合以及應用均具有重要的意義。