从人工智能到知识图谱

知识表示

基于离散符号的知识表示：

RDF（Directed Labeled Graph-有向标记图）, OWL（Web Ontology Language-网页本体语言）,各种Rule Language 等
显式知识，强逻辑约束，易于解释，推理不易扩展

基于连续向量的知识表示：

Tensor（张量）,各种Embedding(嵌入)，神经网络表示等
隐式知识，弱逻辑约束，不易解释，对接神经网络

知识图谱的起源

KG的本质

KG辅助搜索问答：

VQA.png MR.png

KG的构建和获取(一般会寻求开放社区和外部数据的帮助)

Freebase
WikiData
Schema.Org - 搜索引擎优化 （在网页代码种嵌入 Semantic Markup 语义标记）
ConcepNet- CC BY SA

数据版权 常用知识库许可协议 关于OpenKG

知识问答工具

Protege- 知识建模工具 （知识可视化，知识推理）
DeepDive-知识抽取
gStore-知识存储
YodaQA - 开源QA工具
Limes-知识融合工具 （Limes:实体链接发现框架）

一些百科KG

zhishi.me
xlore
CN-DBPedia
PKUBase
清华大学科技知识图谱
ConceptGraph
文因互联
上海图书馆名人手稿档案关联开放数据
荷兰阿姆斯特丹自有大学医学知识图谱
华东理工大学的中文症状库
广州索达菜谱

下面是知识图谱的常见技术

知识抽取NLP+KR：

知识存储

知识问答

知识推理

知识融合

知识众包

关于schema.org

实体链接，查询和任务补全 用于web数据的抽取和融合 用于KG数据建模与推理

以上资料来源于小象学院的“从人工智能到开放知识图谱”的免费公开课，如有侵权，请联系本人删除