百度知识图谱

知识图谱的应用

知识图谱的应用场景如下：一、语义搜索知识图谱这个概念是谷歌提出的，谷歌做知识图谱自然是跟搜索引擎相关，即提供语义搜索。这里语义搜索跟传统搜索引擎的区别在于搜索的结果不是展示网页，而是展示结构化知识。二、股票投研情报分析通过知识图谱相关技术从招股书、年报、公司公告、券商研究报告、新闻等半结构化表格和非结构化文本数据中批量自动抽取公司的股东、子公司、供应商、客户、合作伙伴、竞争对手等信息，构建出公司的知识图谱。三、公安情报分析通过融合企业和个人银行资金交易明细、通话、出行、住宿、工商、税务等信息构建初步的“资金账户-人-公司”关联知识图谱。同时从案件描述、笔录等非结构化文本中抽取人（受害人、嫌疑人、报案人）、事、物、组织、卡号、时间、地点等信息，链接并补充到原有的知识图谱中形成一个完整的证据链。四、反欺诈情报分析通过融合来自不同数据源的信息构成知识图谱，同时引入领域专家建立业务专家规则。我们通过数据不一致性检测，利用绘制出的知识图谱可以识别潜在的欺诈风险。五、面向多源异构关系数据的自然语言问答现在很多企业都有自己的数据库，而且这些数据库因为不是同一批人构建的，所以维护数据库的成本很高，访问数据库也很不方便，而且数据库之间的关联也很难发现。六、面向知识图谱的智能问答最近几年，问答（Question answering）重新受到广泛的关注，主要原因还是因为有IBM Watson的出现（见The AI Behind Watson – The Technical Article）。Watson虽然号称可以做很多领域（比如说法律有ROSS ROSS and Watson tackle the law – Watson）。七、辅助判案知识图谱技术可以帮助我们快速构建一个法律知识图谱，目前还缺乏法律知识图谱的理论工作。跟其他领域的知识图谱相比，法律知识图谱需要考虑法律的逻辑。

知识图谱概念是什么?

知识图谱的概念是：知识图谱是自顶向下(top-down)的构建方式。自顶向下指的是先为知识图谱定义好本体与数据模式，再将实体加入到知识库。该构建方式需要利用一些现有的结构化知识库作为其基础知识库，例如 Freebase 项目就是采用这种方式，它的绝大部分数据是从维基百科中得到的。然而目前，大多数知识图谱都采用自底向上(bottom-up)的构建方式。自底向上指的是从一些开放连接数据（也就是 “信息”）中提取出实体，选择其中置信度较高的加入到知识库，再构建实体与实体之间的联系。知识图谱的体系架构是：知识图谱的架构主要包括自身的逻辑结构以及体系架构。知识图谱在逻辑结构上可分为模式层与数据层两个层次，数据层主要是由一系列的事实组成，而知识将以事实为单位进行存储。如果用（实体1，关系，实体2）、（实体、属性，属性值）这样的三元组来表达事实，可选择图数据库作为存储介质，例如开源的 Neo4j、Twitter 的 FlockDB、JanusGraph 等。模式层构建在数据层之上，主要是通过本体库来规范数据层的一系列事实表达。本体是结构化知识库的概念模板，通过本体库而形成的知识库不仅层次结构较强，并且冗余程度较小。大规模知识库的构建与应用需要多种智能信息处理技术的支持。通过知识抽取技术，可以从一些公开的半结构化、非结构化的数据中提取出实体、关系、属性等知识要素。通过知识融合，可消除实体、关系、属性等指称项与事实对象之间的歧义，形成高质量的知识库。知识推理则是在已有的知识库基础上进一步挖掘隐含的知识，从而丰富、扩展知识库。分布式的知识表示形成的综合向量对知识库的构建、推理、融合以及应用均具有重要的意义。