知识图谱

在知识表示和推理中，知识图谱是使用图结构的数据模型或拓扑来集成数据的知识库。 知识图谱通常用于存储实体（对象、事件、情况或抽象概念）的相互关联的描述，同时还对所用术语的语义进行编码。

自语义网发展以来，知识图谱往往与关联的开放数据项目相关联，侧重于概念与实体之间的联系。 它们还与 Google、Bing、Yext 和 Yahoo 等搜索引擎密切相关并被其使用； 知识引擎和问答服务，例如 WolframAlpha、Apple 的 Siri 和 Amazon Alexa； 和社交网络，例如 LinkedIn 和 Facebook。

早在 1972 年，奥地利语言学家埃德加·W·施耐德 (Edgar W. Schneider) 在讨论如何为课程构建模块化教学系统时就创造了该术语。 在 1980 年代后期，格罗宁根大学和特温特大学联合启动了一个名为知识图谱的项目，重点研究边缘限制在一组有限关系中的语义网络的设计，以促进图上的代数。 在随后的几十年里，语义网络和知识图谱之间的区别变得模糊。

一些早期的知识图是特定主题的。 1985 年，Wordnet 成立，捕获单词和含义之间的语义关系——将这一思想应用于语言本身。 2005 年，Marc Wirk 创立了 Geonames，以捕获不同地理名称和区域设置以及关联实体之间的关系。 1998 年，英国 Science in Finance Ltd 的 Andrew Edmonds 创建了一个名为 ThinkBase 的系统，该系统在图形环境中提供基于模糊逻辑的推理。

2007 年，DBpedia 和 Freebase 作为通用知识的基于图的知识库成立。 DBpedia 专注于从维基百科中提取的数据，而 Freebase 还包括一系列公共数据集。 他们都没有将自己描述为“知识图谱”，而是发展和描述了相关概念。

2012 年，谷歌推出了他们的知识图，建立在 DBpedia 和 Freebase 等来源之上。 他们后来合并了从索引网页中提取的 RDFa、微数据和 JSON-LD 内容，包括 CIA World Factbook、Wikidata 和 Wikipedia。 使用 schema.org 词汇表中的术语进一步组织了与此知识图关联的实体和关系类型。 谷歌知识图成为谷歌内部基于字符串的搜索的成功补充，它在网上的流行使该术语得到更广泛的使用。

从那时起，几家大型跨国公司宣传了他们的知识图谱用途，进一步普及了该术语。 其中包括 Facebook、LinkedIn、Airbnb、Microsoft、Amazon、Uber 和 eBay。

2019年，IEEE将每年一度的大知识与数据挖掘和智能计算国际会议合并为知识图谱国际会议。

知识图谱没有一个普遍接受的定义。 大多数定义通过语义 Web 镜头查看主题并包括以下功能：

• 主题领域知识之间的灵活关系：知识图谱 (i) 定义模式中实体的抽象类和关系，(ii) 主要描述现实世界中的实体及其相互关系，在图中组织，(iii) 允许 可能将任意实体相互关联，并且 (iv) 涵盖各种主题领域。
• 一般结构：实体网络、它们的语义类型、属性和关系。
• 支持对推断本体的推理：知识图谱获取信息并将其整合到本体中，并应用推理器推导出新知识。

然而，有许多知识图表示与其中一些特征不相关。 对于那些知识图，这个更简单的定义可能更有用：

• 一种数字结构，将知识表示为概念以及它们之间的关系（事实）。 知识图可以包含一个本体，让人类和机器都能理解和推理其内容。

除了上面的例子，这个词还被用来描述开放知识项目，比如 YAGO 和维基数据； 联合开放数据云等联盟； 一系列商业搜索工具，包括雅虎的语义搜索助手 Spark、谷歌的知识图谱和微软的 Satori； 以及 LinkedIn 和 Facebook 实体图。

该术语还用于允许用户构建个人知识图谱的笔记软件应用程序的上下文中。

知识图谱通过描述实体及其关系正式表示语义。