知识图谱的初步探索
目录
一、有监督、半监督、无监督
二、知识图谱
1、定义
2、分类
3、如何构建？
数据来源
构建步骤
4、应用场景
（1）智能搜索与推荐
（2）智能问答系统（QA）
（3）辅助医疗与金融分析
（4）人工智能模型的知识增强（KGC、K-BERT）
参考链接：
一、有监督、半监督、无监督
有监督：训练数据是带有标签的【图像分类（猫 vs 狗）、垃圾邮件识别（是否为垃圾邮件）】
半监督：训练数据中只有一部分是带标签的，剩下的大量数据是无标签的。用少量标注数据+大量未标注数据进行训练，提高泛化能力。
无监督：训练数据完全没有标签，模型从中自行发现结构或规律。【用户画像分析、市场细分（将客户聚类）、商品推荐系统中的相似商品识别】
二、知识图谱
1、定义
识图谱是一种结构化表示知识的方式。它以“实体-关系-实体”的三元组形式，构建出一个模拟现实世界的语义网络。
用图结构（节点+关系）组织知识，其中：
-
**节点（实体）**表示“知识点”
-
**边（关系）**表示“知识点之间的逻辑联系”
2、分类
| 类型 | 说明 | 例子 |
|---|---|---|
| 通用知识图谱 | 包含多个领域、面向开放世界的知识 | 百度知识图谱、Wikidata、Freebase |
| 垂直领域知识图谱 | 聚焦某一专业领域，知识更精细、更准确 | 医疗知识图谱、法律知识图谱、金融知识图谱 |
3、如何构建？
数据来源
-
文本（百科、新闻、论文等）
-
数据库（维基百科、Freebase、医疗数据库等）
-
人工标注或众包
构建步骤
（1）信息抽取：
-
实体识别（NER）
-
关系抽取（Relation Extraction）
-
属性抽取（Attribute Extraction）
（2）知识融合：
-
消歧：识别“Apple（公司）” vs “Apple（水果）”
-
合并：整合多个数据源中重复或近似的信息
（3）知识表示：
-
RDF图结构
-
向量表示（用于下游AI模型）
（4）知识补全（可选）：
-
利用图神经网络、嵌入模型自动补全缺失知识
4、应用场景
（1）智能搜索与推荐
搜索引擎中的“知识卡片”、人物关系图谱、基于兴趣的推荐系统，背后都离不开知识图谱的支持。
（2）智能问答系统（QA）
让机器真正“理解”你的问题，并给出语义层面的答案。
例：
用户问：“爱因斯坦是哪国人？”
系统查询知识图谱中“（爱因斯坦, 国籍, 德国）”，直接返回“德国”。
（3）辅助医疗与金融分析
医疗图谱帮助诊断和药物推荐，金融图谱用于反洗钱、关联公司分析、舆情监测等。
（4）人工智能模型的知识增强（KGC、K-BERT）
知识图谱提供“常识”与“世界知识”，补足大模型的短期记忆能力。
参考链接：
知识图谱入门——认识知识图谱 - 知乎
1. 通俗易懂解释知识图谱（Knowledge Graph） - hyc339408769 - 博客园