當前，人工智能技術的發展速度之快已經超出了所有人的想象，以至于總會有人不斷將現有人工智能的表現與人類相比較。然而，在經過不同層面的對比之后，不難得出一個結論：盡管目前人工智能技術在一些特定任務上有比較好的表現，但在一些開放性的任務上往往不盡如人意。換言之，利用深度學習和大數據，目前的人工智能系統足夠“聰明”，雖可以在計算密集型任務上超越人類，卻遠未達到“有學識”的程度，無法和人一樣進行復雜的推理和聯想等。而知識圖譜被認為是讓人工智能系統做到“有學識”的關鍵，它通過諸如 RDF、圖形式等存儲各種各樣的結構化知識，成為人工智能的“大腦”。

然而知識圖譜并不是單一技術，而是一整套數據加工、存儲及應用流程。本章將會圍繞知識圖譜的整體技術體系進行闡述，具體分為四個主要部分：知識表示與知識建模、知識抽取與知識挖掘、知識存儲與知識融合、知識檢索與知識推理。通過閱讀本章，讀者能夠建立對知識圖譜技術棧的整體認知。

一、知識表示與知識建模

對現有知識進行表示和建模是構建知識圖譜的基礎和準備工作，也是完整構建有價值的知識圖譜的前提。本節將對知識表示與知識建模的概念及常用方法進行詳細介紹。

1、知識表示

通過將知識按照一定的方法進行表示和存儲，才能讓計算機系統更高效地處理和利用知識。實際上，知識表示是人工智能領域一個較為核心的問題。對于知識表示的準確定義目前仍舊沒有一個完美的答案。Davis 等人在論文“ What is knowledge representation”[1] 中給出了知識表示的五種角色，具體如下所示。

• 真實世界中知識的抽象替代
• 本體論的集合
• 不完整的智能推理理論
• 高效計算的媒介
• 知識的中間體

以上內容可以看作是對

總結

以上是生活随笔為你收集整理的从零构建知识图谱(技术、方法与案例)-第二章：知识图谱技术体系的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。