《知识图谱⽅法、实践与应⽤》读书笔记（第⼀遍）
⼀、知识图谱概述
知识图谱早期由语义⽹络（Semantic Web）发展⽽来
常见知识图谱：WordNet、ConceptNet5.0、Yago、DBpedia、Freeba、Schema、WikiData、Google and OpenKG
组织活动
知识图谱的应⽤价值：辅助搜索、辅助问答、辅助⼤数据分析、辅助语⾔理解、辅助设备互联
知识图谱技术流程：知识表⽰ -> 知识获取 -> 知识融合 -> 知识推理 -> 知识检索 -> 知识分析
⼆、知识图谱表⽰与建模
两种知识表⽰：基于离散符号的知识表⽰(RDF，OWL) VS 基于连续向量的知识表⽰(Tensor，各种Embedding)
语义⽹知识表⽰框架：RDF(三元组)、OWL(适⽤更复杂语义）、SPARQL(知识图谱查询语⾔）和JSON-LD等语义Markup表⽰语⾔知识图谱的向量表⽰⽅法：独热编码（One-Hot Encoding) 、词袋模型
笤帚怎么读（Bag-of-Words，BoW）和词向量（Word Embedding)知识图谱嵌⼊的主要⽅法：转移距离模型、语义匹配模型、考虑附加信息模型
开源知识建模⼯具：Protégé
* 知识图谱嵌⼊应⽤：
连接预测 (Link Prediction): 通过⼀个已知实体和关系预测另⼀个实体，或者通过两个实体预测关系
三元组分类 (Triple Classification): 判定三元组真假
实体对齐 (Entity Resolution): 验证两个实体是否指代或引⽤同⼀个事物或对象
问答系统 (Question Answering System): 通过三元组形式回答⾃然语⾔表达的问题
推荐系统 (Recommended system): 对⽤户和物品项⽬之间的交互进⾏建模
樱花草吉他谱三、知识存储
知识图谱数据模型：RDF 图(RDF Graph) VS 属性图(Property Graph)
知识图谱查询语⾔: SPARQL、Cypher and Gremlin
最流⾏的图数据库Neo4j脯刑
敕勒歌古诗翻译
七年级下册的古诗四、知识抽取与知识挖掘
知识抽取是构建⼤规模知识图谱的重要环节，⽽知识挖掘则是在已知知识图谱的基础上发现其隐藏的知识
知识抽取的数据源：结构化数据（如连接数据、数据库）、半结构化数据（如⽹页中的表格）、或者⾮结构化数据（即纯⽂本数据）⾮结构化数据抽取：实体抽取、关系抽取和事件抽取
增肥的方法
怎样选择奶粉结构化数据抽取：两种映射语⾔ DM(Direct Mapping) and R2RML完成从关系数据库到RDF图的映射过程
