我要投稿

知识图谱技术体系(一)|知识表示与知识建模

发布日期：2024-06-17 20:02:28 浏览次数： 1771

本系列将会围绕知识图谱的整体技术体系进行阐述，具体分为四个主要部分：知识表示与知识建模、知识抽取与知识挖掘、知识存储与知识融合、知识检索与知识推理，本文主要讲解知识表示与知识建模

到目前为止，人工智能技术的发展速度之快已远远超出了所有人的想象，因此总会有人不断将现有人工智能的表现与人类相比较，总会提出诸如人工智能是否能够代替人类的问题。

在经过不同层面的对比之后，不难得出一个结论:目前人工智能技术在一些特定任务上有比较好的表现，但在一些开放性的任务上还不尽如人意。

也就是说，人工智能系统利用大数据和深度学习，表现的足够「聪明」，虽可以在计算密集型任务上超越人类，却远未达到「有学识」的程度，无法和人一样进行复杂的推理和联想等。

知识图谱则被认为是让人工智能系统做到「有学识」的关键，它通过诸如 RDF、图形式等存储各种各样的结构化知识，成为人工智能的「大脑」。

知识图谱并不是单一技术，而是一整套数据加工、存储及应用流程。

一、知识表示

知识表示是人工智能领域一个较为核心的问题。对于知识表示的准确定义目前仍旧没有一个完美的答案，但我们可以简单的将知识表示理解为：为了让计算机系统更高效地处理和利用知识，将知识按照一定的方法进行表示和存储称之为知识表示。

我们可以从以下几个角度去理解知识表示

1.知识表示可以看作真实世界中知识的一种抽象替代，而且这种替代是按照计算机可以理解的方法来实现的。

举例来说，当人类还处在婴儿阶段时，需要对外界进行学习和认知。人类必须将外界的实物(如汽车、苹果等)转化成大脑中一种抽象的表示，才可以真正学习到这个知识。现在如果希望计算机能够学习到真实世界中的知识，就需要在计算机中建立抽象替代。但是对现实世界的知识进行抽象表示时，无法完全做到无损。

2.本体论将真实世界中的概念和实体抽象成类和对象，从某种程度上达到了与知识表示相同的目的。将真实世界抽象成类和对象的优势在于，使用者可以只关注自己想关注的重点并仅对其进行抽象和表示，避免了知识表示作为真实世界抽象替代无法做到无损的问题。

3.知识表示还是一个不完整的智能推理理论。最初知识的概念和表示的产生都是由于智能体需要进行推理而驱使的。认知能力对判断一个物体是否智能起着至关重要的作用，而拥有认知能力即代表智能体可以储存知识，并使用其进行推理后得到新的知识。但仅仅存在知识的表示理论是不够的，需要配合推理方法等其他理论形成完整的推理理论，所以知识表示可以看作一个不完整的智能推理理论。

4.知识表示是一种高效计算的媒介。这是因为单纯从机器的角度看，计算机中的推理是一种计算过程。如果想要得到推理结果，必须对已有的表示进行高效的计算，而知识表示抽象整合了真实世界当中的知识，在推理时可以对知识进行直接利用，达到高效计算的目的。

5.知识表示同样可以看作一种知识的中间体。根据字面意思，知识表示代表了我们对真实世界的描述，人类可以将已有的知识作为中间体来传播和表达知识(向机器或人类)。这种表示可以反映在现实生活中的很多方面，最浅显的如书本就是一种对知识的表示，而书本正是人类传播和描述知识的中间体。

综合以上五种知识表示的理解，我们可以将知识表示理解为对真实世界的一种不完整的抽象描述，只包含人类或计算机想要关注的方面，同时也可以把它作为计算和推理的中间件。

二、知识建模

知识建模是指构建计算机可解释的知识模型的过程。这些模型可以是一些通用领域的知识模型，也可以是对于某种产品的解释或规范。知识建模的重点在于建立一个计算机可存储并且可解释的知识模型。知识建模的主要过程分析如下。

1)知识获取:根据知识系统的要求从结构化、半结构化、非结构化等多个来源使用不同方法获取知识，然后对获取到的知识进行判别并分类保存。

2)知识结构化:使用不同方法(比如基于本体的建模方法)对非结构化的知识进行表示和存储，以达到建模的目的。然后通过已经建立的知识库，实现知识建模后的标准化和规范化。

在任何情况下，没有一种绝对「好」的建模方案，只有相对适合的方案。所以根据不同场景进行实践得到的结论，是对知识建模最好的经验。

知识获取是通过多种数据源以及人类专家，为知识库系统获取和组织需要的知识的过程。

在知识获取阶段，首先需要明确建立知识模型的目的，根据目的来确定其中的知识所覆盖的领域与范围。当发现需要建立的知识模型覆盖的领域与范围过大时，也可以先从其中一部分入手，如对某个领域的子领域进行建模，再对子领域的模型进行集成，最终达到知识模型所要完成的目标。

在选择领域与覆盖范围时，尽可能地选择整体知识结构相对稳定的领域，一个不稳定的领域会造成大量数据的删减和重构，增加知识模型的维护成本。

53AI，企业落地应用大模型首选服务商

产品：大模型应用平台+智能体定制开发+落地咨询服务

承诺：先做场景POC验证，看到效果再签署服务协议。零风险落地应用大模型，已交付160+中大型企业

160+中大型企业正在使用53AI

立即咨询预约演示

百度智能云邀53AI：共创AI新纪元，启航智能新时代

2024-05-27

钉钉恒星计划：53AI与百余位企业家及钉钉生态伙伴，共议“AI 浪潮下的新机遇”

2024-05-22

热点资讯

GraphRAG+Ollama 本地部署，保姆教程，踩坑无数，闭坑大法

2024-07-18

Coze教程之;知识库的奥秘

2024-07-18

喂饭教程！全网首发Neo4J可视化GraphRAG索引

2024-07-17

基于graphRAG和gpt4omini的知识库与目前主流RAG的对比实验记录

2024-07-22

手把手教你构建基于知识图谱的GraphRAG之结构化数据篇【LangChain+Neo4j】

2024-07-11

Storm AI：4.9k 星星！斯坦福开源免费AI工具可以将主题转换为长篇文章（Perplexity Pages平替）

2024-07-11

重磅 - 微软官宣正式在GitHub开源GraphRAG

2024-07-03

大语言模型和知识图谱结合的知识库（开篇）

2024-07-13

GraphRAG+Ollama 结合上市公司知识图谱的LLM分析

2024-07-19

Graph Maker：轻松使用开源大模型将文本转为知识图谱，发现新知识！

2024-06-06

大家都在问

什么是矢量数据库(VectorDB)？为什么它对大语言模型(LLM)很重要？

2024-09-08

什么是 Neo4j LLM 知识图谱构建器？

2024-09-05

Neo4j + LangChain：如何构建基于知识图谱的最强RAG系统？

2024-08-27

政务大模型应用产业链剖析和各省市典型案例

2024-08-26

向量数据库有什么不同，企业应该怎么选择？

2024-08-24

【下】深入Microsoft GraphRAG之查询阶段：基于Neo4j自定义实现检索与生成

2024-08-22

从原理到实践，GraphRAG 如何提升 LLM 的摘要总结能力？

2024-08-19

HybridRAG: 融合知识图谱和向量检索的新型信息提取方法

2024-08-18

开箱即用的企业大模型应用平台

工作+AI

业务+AI

AIx业务

大模型咨询

大模型定制

相关资讯