今天和大家聊一聊知识图谱，NLP领域相对独立的方向。
过去，有同学把它视为AI的“天坑”之一，因为知识图谱技术栈比较长，如果要掌握所有技术，入门时间会很长，而且往往抓不住重点。
下面我分享一下自己对图谱的理解，以及一些实用的入门资料，希望能对你的学习有帮助！
1 什么是知识图谱？
通俗地讲，知识图谱就是把所有不同种类的信息（Heterogeneous Information）连接在一起而得到的一个关系网络。
比如我想去买车，往往会对比品牌、价格、性能、排量等各方面因素。假如我现在看中了奥迪，想知道“奥迪A4、A5、A6分别多少钱？”
人工客服很难24h响应消费者需求，这时机器人会根据后台存储的结构化数据自动识别。简化版的结构化表格如下所示：
如果没有图谱，用传统的分类、匹配等意图识别方法，首先很难一次回答两种以上车型的价格，其次这些相似问都很接近，直接通过语义区分难度很大。
A4多少钱？/ A5多少钱？/ A6多少钱？
三句话只差一个数字，句向量相似度98%，意图相同（咨询车价）。而图谱首先定位句中实体A4、A5、A6，然后识别出属性“价格”，最后通过“实体-属性-价格”三元组找到正确答案。
知识图谱网络具备以下3种特性：
1.1 由节点(Point)和边(Edge)组成
1.2 每个节点表示现实世界存在的“实体”，每条边为实体与实体之间的“关系”
1.3 知识图谱是关系的最有效的表示方式
所以，知识图谱本质上就是语义网络，是一种基于图的数据结构。
2 知识图谱能干什么？
知识图谱的应用主要分为两大类：
一是通用知识图谱，通俗讲就是大众版，没有特别深的行业知识及专业内容，一般是解决科普类、常识类等问题。
二是行业知识图谱，通俗讲就是专业版，根据对某个行业或垂域的深入研究而定制的版本，主要是解决当前行业或细分领域的专业问题。
2.1 通用知识图谱
我们日常见到的都是通用知识图谱，主要应用于面向互联网的搜索、推荐、问答等业务场景；
先列举3个通用知识图谱的案例：
2.1.1 百度知识图谱
2.1.2 搜狗搜索（sogou.com/）
2.1.3 360搜索（so.com）
2.2 行业知识图谱
行业知识图谱指面向特定领域的知识图谱，用户目标对象需要考虑行业中各级别的人员，不同人员对应的操作和业务场景不同，因而需要一定的深度与完备性。
行业知识图谱对准确度要求非常高，通常用于辅助各种复杂的分析应用或决策支持，有严格与丰富的数据模式，行业知识图谱中的实体通常属性比较多且具有行业意义。
2.2.1 人脉路径查询
基于两个用户之间的关联实体（比如：所在单位、同事、同学、朋友、家人等）找到两者之间的关联路径。
2.2.2 企业社交图谱查询
基于投资、任职、专利、招投标、涉诉关系以目标企业为核心心向外层层扩散，形成一个网络关系图，直观立体展现企业关联。
2.2.3 企业最终控股人查询
基于股权投资关系寻找持股比例最大的股东，最终追溯至自然人或国有资源管理部门。
2.2.4 辅助信贷审核
基于知识图谱数据的统一查询，全面掌握客户信息；避免由于系统、数据孤立、信息不一致造成信用重复使用、信息不完整等问题。
2.2.5 反欺诈之组团骗贷
同一个人利用多个身份去申请贷款，详细见下图：虽然贷款人A、贷款人B、贷款人C之间没有直接的关系，但通过知识图谱可以看出三者之间都共享某一部分信息，存在一定的组团骗贷风险。
建设一个知识图谱系统，需要包括：知识建模、知识获取、知识融合、知识存储和知识应用5大部分：
1、知识建模：构建多层级知识体系，将抽象的知识、属性、关联联关系等信息，进行定义、组织、管理，转化成现实的数据库。
2、知识获取：将不同来源、不同结构的数据转化成图谱数据，包括结构化数据、半结构化数据（解析）、知识标引、知识推理等，保障数据的有效性和完整性。
3、知识融合：将多个来源、重复的知识信息进行融合，包括融合计算、融合计算引擎、手动操作融合等。
4、知识存储：根据业务场景提供合理的知识存储方案，存储方案具备灵活、多样化、可拓展特性。
5、知识应用：为已构建知识图谱提供图谱检索、知识计算、图谱可视化等分析与应用能力。并提供各类知识计算的SDK，包含图谱基础应用类、图结构分析类、图谱语义应用类、自然语言处理类、图数据获取类、图谱统计类、数据集数据获取类、数据集统计类。
最后送大家一些我收藏的知识图谱入门资料。
为了了解如何做一个知识图谱，可以先读一下DBpedia的论文：
Zhishi.me - Weaving Chinese Linking Open Data
如果有时间，最好能动手实践做一个百科知识图谱，比如做一个佛学百科知识图谱：
KG-Buddhism: The Chinese Knowledge Graph on Buddhism
知识图谱构建，开发者还需要掌握D2R技术，这里有一个非常好的教程，做一下应该很有帮助：
https://github.com/ryotayamanaka/jist2018-tutorial/wiki
对于知识抽取，包括关系抽取，槽填充，语义角色标注这些，先简单写模板，就够了，如果还想了解更多技术，需要学习word2vec技术，斯坦福NLP网站有很全的资料。
知识推理比较复杂，初学者可以略过，或者了解一下RDFS即可。
知识存储学一下neo4j和MongoDB就可以了，可以试着把自己构建的图谱导入到neo4j做一个可视化效果看看。
推荐阅读：
我的2022届互联网校招分享
我的2021总结
浅谈算法岗和开发岗的区别
互联网校招研发薪资汇总
2022届互联网求职现状，金9银10快变成铜9铁10！！
公众号：AI蜗牛车
保持谦逊、保持自律、保持进步
发送【蜗牛】获取一份《手把手AI项目》（AI蜗牛车著）
发送【1222】获取一份不错的leetcode刷题笔记
发送【AI四大名著】获取四本经典AI电子书