从零构建知识图谱(技术、方法与案例)-第二章:知识图谱技术体系
2023-09-27 14:20:37 时间
当前,人工智能技术的发展速度之快已经超出了所有人的想象,以至于总会有人不断将现有人工智能的表现与人类相比较。然而,在经过不同层面的对比之后,不难得出一个结论:尽管目前人工智能技术在一些特定任务上有比较好的表现,但在一些开放性的任务上往往不尽如人意。换言之,利用深度学习和大数据,目前的人工智能系统足够“聪明”,虽可以在计算密集型任务上超越人类,却远未达到“有学识”的程度,无法和人一样进行复杂的推理和联想等。而知识图谱被认为是让人工智能系统做到“有学识”的关键,它通过诸如 RDF、图形式等存储各种各样的结构化知识,成为人工智能的“大脑”。
然而知识图谱并不是单一技术,而是一整套数据加工、存储及应用流程。本章将会围绕知识图谱的整体技术体系进行阐述,具体分为四个主要部分:知识表示与知识建模、知识抽取与知识挖掘、知识存储与知识融合、知识检索与知识推理。通过阅读本章,读者能够建立对知识图谱技术栈的整体认知。
一、知识表示与知识建模
对现有知识进行表示和建模是构建知识图谱的基础和准备工作,也是完整构建有价值的知识图谱的前提。本节将对知识表示与知识建模的概念及常用方法进行详细介绍。
1、知识表示
通过将知识按照一定的方法进行表示和存储,才能让计算机系统更高效地处理和利用知识。实际上,知识表示是人工智能领域一个较为核心的问题。对于知识表示的准确定义目前仍旧没有一个完美的答案。Davis 等人在论文“ What is knowledge representation”[1] 中给出了知识表示的五种角色,具体如下所示。
- 真实世界中知识的抽象替代
- 本体论的集合
- 不完整的智能推理理论
- 高效计算的媒介
- 知识的中间体
以上内容可以看作是对
相关文章
- 【Vue 快速入门系列】todoList案例小总结
- 大数据-Flume(三):案例、配置文件编写【案例①:netcat-->logger】【案例②:taildir-->hdfs】
- 大数据-案例-离线数仓-电商:【MySQL(业务)-ETL(Kettle)】+【前端JS埋点->日志->Flume->HDFS->ETL(SparkRDD)】->Hive数仓->MySQL->可视化
- 三个案例透析大数据思维的核心
- 数据分析-day06-pandas-dataFrame案例分析1(方法二):获取title字段中包含物流运输业名称作为分类,统计各个分类的条数,
- 数据分析-day06-pandas-dataFrame案例分析1(方法一):获取title字段中包含物流运输业名称作为分类,统计各个分类的条数
- flume 学习四:各种执行案例二
- 拯救 Out Of Memory,8个案例带你飞!
- JavaScript:队列的封装及面试题击鼓传花队列方法实现案例
- python:re常用的方法以及结合request综合案例
- JavaScript中Math介绍、Math常用方法、常用案例(随机数,随机颜色等)
- 使用Hadoop分析数据——简单案例java语言编程之MaxTemperature
- 严谨的程序案例Api
- css案例学习之盒子模型
- Redis用户添加、分页、登录、注册、加关注案例
- awk案例学习
- 一起绕过双因子验证的实际入侵案例
- 第8.5节 Python类中的__new__方法和构造方法__init__关系深入剖析:执行顺序及参数关系案例详解
- 第8.2节 Python类的__init__方法深入剖析:构造方法案例详解
- 第7.27节 Python案例详解: @property装饰器定义属性访问方法getter、setter、deleter
- Echarts5.3.2可视化案例-布局篇
- 函数可导的证明方法(有普通案例)
- 【原创 Hadoop&Spark 动手实践 6】Spark 编程实例与案例演示
- UE5运行第三人称案例,角色不受控的解决方法
- 大数据必学Java基础(八十八):通过案例和概念体会反射的好处
- SpringBoot综合案例-员工CRUD
- python学习之爬虫(六)--selenium: 无头浏览器、selenium的基本使用、selenium元素定位的方法、selenium爬虫案例练习