作为一个知识图谱的觉悟就是全世界的猫猫联合起来-1
初衷
全世界猫猫，联合起来！消灭大瓜皮！忙里偷闲写个关于知识图谱的学习记录~
知识是没有穷尽的，坚持学习让人始终处于不败之地
Tags: 知识图谱
[toc]
🌙 什么是知识图谱
当我们从经验中学习到知识的时候，知识存在我们的脑海里，无数的神经元相互连接的轴突和树突相互连接形成我们的认知，这是以生理学的方式存储的知识。
那么什么是知识图谱呢？
知识图谱其实就是一种知识的表示方式，就是为了解决“知识传递”的问题。
知识表示就是说：我们需要用怎样的方法，把自己的知识表示出来，像老师一样传道授业，传递给他人，或者传递给计算机呢？
经典知识表示
古往今来，知识图谱的演变已经有了多种形式，先让我们身临其境体验一下学术界对知识表示的演变过程：
- 命题逻辑：
搞一搞复杂的逻辑分析 - 框架系统：
简化简化再简化~ - 语义网络：
既简单又复杂~
假设现在有以下3条常识性知识要用来表述给计算机：
每一天儿，太阳从东方升起，并且从西方落下2008年北京奥运会，2008年8月8日晚上8时整在中华人民共和国的首都北京举办20世纪50年代初，美国生物化学家Chargaff提出了关于DNA中四种碱基组成的Chargaff规则:
（···省略···）对于一特定组织的DNA，其碱基组分不随其年龄、营养状态和环境变化对于一组特定的生物体而言，腺嘌呤（A）与胸腺嘧啶（T）摩尔数相等，鸟嘌呤（G）和胞嘧啶（C）摩尔数相等
命题逻辑
先介绍一下命题逻辑的知识表示法
对于每一天儿，太阳从东方升起，并且从西方落下这个命题（proposition）
我们先定义俩一阶谓词：
- ，表示从升起
- ，表示从落下
命题符号化为，
再介绍一下两个逻辑连接词 （logical connective）
- 析取：表示“或”关系
- 合取：表示“且”关系
再再介绍一下两个量词（quantifier）：
- 全称量词：表示“任意”
- 存在量词：表示“存在”
综上，这个命题的逻辑表示为
框架系统
就是用框架将所有事物进行抽取，用来表示事物各方面的属性以及事物之间的类属关系
就和图上类似，像一个Excel表格记录了句子中的所有信息。对于2008年奥运会在北京举办这种常识性知识，我们可以这样表示（像百科一样就非常的直观）：
语义网络
就是以网络的形式去表示知识，看起来像思维导图一样
优点：
- 容易理解和展示，直观的把事物的属性及其语义联系表示出来
- 相关概念容易聚类，是一种结构化的知识表示方法
缺点：
- 节点和边的值没有标准，完全是由用户自己定义
- 多源数据融合比较困难，因为没有统一标准
- 无法区分概念节点和对象节点
- 无法对节点的边的标签进行定义
✨ 为什么需要知识图谱
我们知道，最近这些年人工智能的研究态势简直突飞猛进，论文数量指数上升，但是现在的深度学习代表的一类方法存在一些无法克服的“硬伤”，简单来说就是：
- 缺乏可解释性：
训练模型是个黑盒子，不明白模型是通过什么样的缘由做出的决策 - 常识（Common Sense）缺失：
大名鼎鼎的GTP-3也会翻车，人：太阳有几只眼睛？GPT-3：太阳有一只眼睛 - 缺乏语义理解：
人类的语言还是太丰富了 - 依赖大量样本数据：
人类小宝宝第一眼看出自行车之后就能再次识别自行车，不需要大量样本就能学习
为什么需要知识图谱呢，除了深度学习为代表的方法的固有硬伤，还有一个原因就是：
- 认知智能的理解、推理、解释任务不仅需要数据，更需要知识背景
所以说人工智能（特别是认知智能）的实现依赖要知识图谱。
📖 知识图谱都有啥类型儿
先看看知识图谱的类型
知识的分类
这些我们不用了解的太过详细~
- ==陈述==性知识和==过程==性知识：
就像是实验结论和实验过程报告 - ==事实==性（或客观性）知识和==主观==性知识：
比如说历史知识就是客观的，但是我们对历史的评判是主观的 - ==静态==知识和==动态==知识：
历史知识是已经确定的，还有的知识随着研究的进行不断改变的 - ==百科==知识、==领域==知识、==场景==知识、==语言==知识、==常识==知识
知识图谱的类型
-
语言知识图谱
存储人类语言方面的知识
-
常识知识图谱
主要有
Cyc和ConceptNet等 -
语言认知知识图谱
中文知网词库
HowNet -
领域知识图谱
针对特定领域构建的知识图谱，专门为特定的领域服务
-
百科知识图谱
主要以
Linked Open Data（LOD）项目支持的开放知识图谱为核心
知识图谱的生命周期
先行落幕~明天更新下文
