知识图谱
简介
知识图谱（Knowledge Graph）是Google 于2012年提出了的概念，初衷是为了优化搜索引擎返回的结果，增强用户搜索质量及体验。
知识图谱本质上是一种揭示实体之间关系的语义网络，广泛应用于智能搜索，智能问答，个性化推荐等领域。
知识图谱是由一条条知识组成，每条知识表示为一个SPO三元组(Subject-Predicate-Object)。
体系架构
知识图谱的架构主要包括自身的逻辑结构以及体系架构
逻辑结构上可分为模式层与数据层两个层次，
数据层：主要是由一系列的事实组成，而知识将以事实为单位进行存储。如果用（实体1，关系，实体2）、（实体、属性，属性值）这样的三元组来表达事实，可选择图数据库作为存储介质，例如开源的 Neo4j、Twitter 的 FlockDB、JanusGraph 等。
模式层：构建在数据层之上，主要是通过本体库来规范数据层的一系列事实表达。本体是结构化知识库的概念模板，通过本体库而形成的知识库不仅层次结构较强，并且冗余程度较小。
体系架构是指其构建模式的结构，如下图所示：
优点
关系的表达能力强
像人类思考一样去做分析
知识学习
高速反馈
图数据库
知识图谱的图存储在图数据库（Graph Database）中，图数据库以图论为理论基础，图论中图的基本元素是节点和边，在图数据库中对应的就是节点和关系。
主要技术
知识建模
为知识和数据进行抽象建模，主要包括以下5个步骤：
以节点为主体目标，实现对不同来源的数据进行映射与合并。（确定节点）
利用属性来表示不同数据源中针对节点的描述，形成对节点的全方位描述。（确定节点属性、标签）
利用关系来描述各类抽象建模成节点的数据之间的关联关系，从而支持关联分析。（图设计）
通过节点链接技术，实现围绕节点的多种类型数据的关联存储。（节点链接）
使用事件机制描述客观世界中动态发展，体现事件与节点间的关联，并利用时序描述事件的发展状况。（动态事件描述）
知识获取
知识融合
知识存储
知识计算
知识计算主要是在知识图谱中知识和数据的基础上，通过各种算法，发现其中显式的或隐含的知识、模式或规则等，知识计算的范畴非常大，这里主要讲三个方面：
- 图挖掘计算: 基于图论的相关算法，实现对图谱的探索和挖掘。
- 本体推理: 使用本体推理进行新知识发现或冲突检测。
- 基于规则的推理: 使用规则引擎，编写相应的业务规则，通过推理辅助业务决策。
图挖掘和图计算
知识图谱之上的图挖掘和计算主要分以下6类：
- 图遍历，知识图谱构建完之后可以理解为是一张很大的图，怎么去查询遍历这个图，要根据图的特点和应用的场景进行遍历；
- 图经典的算法，如最短路径；
- 路径的探寻，即给定两个实体或多个实体去发现他们之间的关系；
- 权威节点的分析，这在社交网络分析中用的比较多；
- 族群分析；
- 相似节点的发现。