书: https://pan.baidu.com/s/1A6ZLSPMbCiZ-L4eRucUvXQ?pwd=kt7i
一些笔记分享给大家：
一、知识图谱基础
- “知识图谱的本质是结构化语义网络，节点表示实体/概念，边表示关系，三元组（Subject, Predicate, Object）是其基本单元。”
- “知识表示的两大范式：符号主义（如RDF、OWL）与向量主义（如知识嵌入），前者可解释性强，后者适合计算。”
二、知识获取与构建
- “实体识别（NER）与关系抽取（RE）是知识抽取的核心任务，远程监督（Distant Supervision）解决标注数据稀缺问题。”
- “知识融合的关键：实体对齐（Entity Alignment）消歧同名异义，关系对齐解决异构图谱的语义冲突。”
三、存储与查询
- “图数据库（如Neo4j）原生支持关联查询，相比关系数据库的JOIN操作性能提升百倍。”
- “SPARQL是RDF图谱的标准查询语言，支持图模式匹配与推理。”
四、知识推理
- “规则推理（如SWRL规则）与统计推理（如Path Ranking）互补，前者依赖专家经验，后者依赖数据规律。”
- “知识嵌入（如TransE）将实体和关系映射为低维向量，通过‘h + r ≈ t’建模关系路径。”
五、行业应用
- “金融风控中，知识图谱挖掘隐性关联（如担保圈、实际控制人），识别复杂欺诈模式。”
- “医疗知识图谱整合疾病、药品、基因等实体，辅助临床决策支持（CDSS）。”
六、动态图谱与事件推理
- “时序知识图谱引入时间戳（如四元组），建模‘特朗普2017-2021任美国总统’类动态事实。”
七、质量评估
- “知识质量评估指标：准确性（人工校验）、覆盖率（实体/关系完备性）、新鲜度（更新频率）。”
八、构建工具链
- **“开源工具栈：
- 抽取：DeepDive、StanfordNLP；
- 存储：JanusGraph、Nebula；
- 可视化：Gephi、Cytoscape。”**
九、与大模型结合
- “LLM（如GPT）辅助知识图谱构建：生成候选三元组，但需人工校验避免幻觉。”
- “知识图谱增强LLM：提供结构化背景知识，缓解大模型的胡说八道（Hallucination）。”
十、挑战与未来
- “多模态知识图谱融合文本、图像、视频，但跨模态对齐（如图文语义一致）仍是难题。”
- “自动化构建的瓶颈：低资源领域（如古汉语）缺乏标注数据和预训练模型。”
附：经典问题表述
- “知识图谱补全（Link Prediction）任务：给定(h, r, ?)，预测缺失的尾实体t。”
- “本体（Ontology）是知识的‘宪法’，定义概念层级与关系约束（如‘人 is-a 哺乳动物’）。”
- “知识图谱的未来是‘认知智能’——将人类常识与领域知识注入机器，实现可解释推理。”