人工智能之知识图谱实战系列

一.知识图谱介绍和应用领域分析

(1)知识图谱通俗解读

图模型把所有信息都连接起来了。把实体与实体(点)的关系与逻辑处理好就能把图模型建立好，这样就可做多种应用了(例检索，推理等)

(2).知识图谱在检索引擎中的应用

例百度中输入某些内容去检索，好像输入王菲与李亚鹏的女儿是谁来查，他会把王菲与李亚鹏都解释成实体，然后发现这二实体中有女儿这个属性，这时就按这属性对应结果返回。

实体中是有很多属性，实体可想像成一个类。

又例如输入今天离元旦还有几天？它会先得到今天与元旦这二个实体的日期，然后做计算得到多少天数。

(3)知识图谱在医疗领域应用实例

1)方便查询，例如智能问答助手。

例如有一个人看了某种疾病，那就以这疾病为中心实体往周边扩散关系，例看过那些科室，做过那些检查，开过什么药，疾病症状，风险情况等等构成简单基本的图模型结构。那到时候有人输入与这疾病症状内容来查询，就可返回得这种疾病的可能性给用户参考。同时吃什么药又可以与药品这个实体进行关取起来，例这个药与其它药一起吃有没有副作用，这药的不良反映等属性。

2)图模型能帮我们快速检索，只要有数据就能搭建图模型

3)知识图谱还可在医疗中不仅可做检索，还可做辅助决策。例诊前：小孩发烧与咳嗽，可按这二个实体(结合边的权重值)推出可能发烧引起咳嗽，也可能感染引起咳嗽，初步判断为上呼吸道感染或急性支气管炎。诊中(诊断辅助):上呼吸道感染或急性支气管炎这二个实体(节点)出发首先要听诊与血常规检查(当然可直接做这检查判断出这二种疾病，上呼吸道感染也许不用验血)；治疗(诊断辅助):假设诊断出是急性支气管炎，那么从这实体出发可知它吃阿莫西林等药，而这药的副作用又关联出来，然后急性支气管炎并发症就可由概率角度来说，例5%可能转肺炎，呼吸衰竭可能性是0.5%等等。最后急性支气管炎最大特点是白细胞升高。

这里就运用到实体与实体间的边的权重与概率大小来判断了。

(4)金融与推荐领域的应用

1)反欺诈，风控模型是知识图谱在金融领域的经典应用。例如用借款app从这个人手机中获得它的个人信息，从这个人的基本信息出发判断，然后结合这个人的行为(例手机上安装很多借款软件或过期不还钱),又然后与它关系密切的人的情况分析，等等相关实体来综合分析，最后判断是否可借钱给他。

2)推荐系统。基本上所有互联网的产品都会涉及。

(5)数据获取分析

1)数据一般是非结构化数据，例如对这些文本数据的抽取一般要用nlp技术，所以知识图谱一般归于nlp。从文本中创建出点(标签)与关系出来。当然是结构化数据就更好，直接拿来用。

2)非结构化数据一般包括文本数据，音频，视频，图片等。音频与视频都一般先转成图像，再从图像中用ocr技术提取出文本数据出来。

二.知识图谱涉及的技术点分析

(1)数据关系抽取分析

1)数据从那里来？数据很多，关系却难，关系做得准确才可靠。涉及大量nlp技术。2025年可以通过大模型来生成出结构化数据。

(2)常用nlp技术点分析

(3)graph-embedding的作用与效果

1)embedding是能够把各种数据映射到低维的向量空间中，使它能让计算机读懂这些数据。

2)graph-embedding可以把每个实体构建编码成不同的向量，然后把这些向量放入深度学习算法(例神经网络算法)中进行计算与推测(这里还包括各个实体(向量)间的关系)。而普通的图像经过神经网络预测出分类，它也许就是这张图像，不用与其它对象找关联关系。

(4)金融领域图编码实例

凡用图模型，那肯定要做特征，做embedding。

(5)视觉领域图编码实例

图像/视频数据，用图卷积模型。例一张图像中的人，可对人的头，肩膀，手，脚分别做特征编码，最后把这些实体联系起来构成图模型。

知识图谱中节点对应的是实体，边是实体之间的关系。

三.Neo4j数据库实战

四.使用python操作Neo4j实例

五.基于知识图谱的医药问答系统实战

六.文本关系抽取实战

七.金融平台风控模型实战