记知识图谱前沿技术课程（武汉大学站）
这周一（4月28日）参加了知识图谱前沿技术课程暨学术研讨会（武汉大学站）。本次研讨会邀请了很多著名学者和企业代表，结合知识图谱学界研究与业界应用的进展，系统地讲解知识图谱前沿技术及智能应用。
我之前对知识图谱了解甚少，但经过一整天的讲座学习，也接触到了知识图谱的理论知识和产业实际应用，感受到了其独特的魅力。在八场主题各异的讲座中，我认为复旦大学知识工场实验室的肖仰华教授所带来的《领域知识图谱落地实践中的问题与对策》既有对知识图谱技术的概述，也有足够的深度和思考空间。因此，我基于这场讲座的内容笔记，结合自己查找的其他资料做一个整理。
注：本文涉及的图片及资料均整理自肖仰华教授的讲座内容，版权归其所有。
知识图谱的概念
顾名思义，领域知识图谱（Domain-specific Knowledge Graph）即是特定领域的知识图谱。而知识图谱（Knowledge Graph）是以实体/概念为点、它们之间的语义关系为边的大规模语义网络。
传统的知识工程需要专家构建，代价高昂，规模有限；并且知识边界易于突破，难以适应大数据时代开放应用到规模化需求。而知识图谱富含实体、概念、属性、关系等信息，使得机器理解和解释成为可能。最重要的是，知识图谱可以满足大规模开放应用。
尽管肖教授表示“知识图谱引领知识工程复兴”，他也同时提出了NoKG（Not only KG）一词，以表示解决问题的知识表示不只是知识图谱，因为知识图谱不好处理过程知识、决策知识等。
领域知识图谱（DKG）与 通用知识图谱（GKG）的关系与区别
两者在知识表示、获取与应用等方面有着显著的差异：
一个问题是，行业应用中的知识需求难以封闭于预设的领域知识边界内。因此，在做领域知识图谱时不可避免的需要通用知识图谱的支撑，为其提供高质量的事实和基本的领域纲要；反过来，领域知识图谱又对通用知识图谱有补充和完善。
知识表示方式
符号表示和分布式表示是两种重要的知识表示方式。符号化表示的特点是可解释、可推理、面向人；分布式表示则难解释、难推理、面向机器，这是因为它是用数值表示的（和自然语言处理中的词嵌入有些类似）。
为何需要领域知识图谱？
- 将零碎的数据整合为聚合的知识，助力挖掘数据价值
- 将领域知识赋予机器，解放人类脑力，实现知识工作自动化
- 领域知识的积累和沉淀是未来智能化的必经之路
DKG 中知识如何表示
- 三元组（SPO）表示：<七里香，填词，方文山>
- 时空语义扩展：从时间角度和空间角度进行表示
- 跨媒体表示：文本、图片、视频
领域知识图谱构建的基本流程
领域知识图谱的评价指标
质量（准）、规模（全）、实时（新）
领域知识图谱的数据库选型
进行数据库选型时，一般要考虑操作复杂度（是否包含全局计算、多步遍历和复杂子图）和知识库规模（节点、关系、密度）。当规模极高、操作极复杂时，由于知识图谱先天适用于图表示，因此一般使用 Graph DB（图数据库）。其他情境下，也可以选用 NoSQL DB 或者 MySQL 等 Relational DB。
领域知识图谱的查询方式
进行 DKG 的查询时，一般有 SPARQL 和 SQL 语句两种选择。SQL 的优点是简单且普及性高，但是表达能力相对较弱；而 SPARQL 表达能力强、可推理，但是较为复杂、难以书写，并且执行复杂查询的代价高昂。
领域知识图谱如何应用？
- 智慧搜索：精准理解搜索意图、复杂多元对象搜索、多粒度（篇章、段落、语句）搜索、跨媒体搜索；
- 智能推荐：精确感知任务与场景；
- 智能问答：更自然的对话式人机交互取代关键词搜索；
- 智能解释：提高事实、关系、过程、结果的可解释性；
- 决策分析：隐层关系发现、深层关系推理助力智能系统决策。
领域知识图谱落地有哪些最佳实践？
- 应用引领：不要盲目建立知识图谱，否则易成“烂尾楼”
- 避难就简：结构化 -> 半结构化 -> 非结构化，用最简单的开始实现
- 避免从零开始：以通用图谱中的领域图谱作为种子
- 跨领域迁移：从临近领域迁移
领域知识图谱还存在哪些挑战？
- 如何增强知识图谱的语义表示能力？：知识图谱只能表达简单关联事件，对于时空语义、跨媒体语义支撑力度不够；
- 如何实现稀疏样本下的图谱自动构建？：领域样本缺失现象严重，手工构建代价高昂；稀疏样本下的高质量自动化构建缺乏有效手段；
- 如何深化基于领域知识图谱智能应用？：领域知识图谱在行业的深入应用中仍缺乏有效手段，特别是推荐、推理与解释。
结语
可以看到，本场讲座的内容真的非常详尽。在听完讲座后，我个人还是非常看好知识图谱的发展前景的。
如果想要进一步了解知识图谱，也可以看以下资料：