知识图谱在人工智能中的作用数十年来，表示知识和得出结论的推理一直是人工智能 (AI) 的基石。 知识图 (KG) 是一种强大的数据结构，以图形格式表示信息。 DBpedia 是一个开源知识图谱，将知识图谱定义为“一种特殊的数据库，它以机器可读的形式存储知识，并提供一种收集、组织、共享、搜索和利用信息的方式”。 最重要的是，知识图谱（也可称为图形数据库）促进了其任何数据点之间的关系推理。
形式上，KG 是表示数据点之间关系的有向标记图。 KG 的一个节点代表一个数据点。 这个数据点的实体可以是一个人，一个地方或者一个网页，一条边代表一对数据点之间的关系（比如两个人的伙伴关系或者网页之间的链接）。
这样，KG 非常类似于关系数据库，因为两者都存储显示数据点（例如实体）之间关系的数据。 然而，这两种技术在推理目标方面可以说是截然不同的； 关系数据库以数据点的属性（即数据表的列）进行推理为中心，而 KG 则侧重于数据点的推理。
知识图谱简史
1956 年，作为 KGs 众所周知的祖先的语义网络首次被开发为自然语言机器翻译的“interlingua”。 80 年代后期，格罗宁根和二十所荷兰大学联合发起了一个名为“知识图谱”的项目。 这些知识图谱主要是语义网络，带有额外的约束以支持代数运算。 2012 年，Google 将他们的知识库命名为 Google Knowledge Graph。
幼稚园的主要用途
在过去十年左右的时间里，谷歌、亚马逊和 Facebook 等大型科技公司花费了数百万美元来构建他们的 KG，以丰富他们的搜索引擎并了解查询的上下文并了解特定的用户意图。
Google 使用 KG 来为其搜索引擎结果提供从不同来源收集的信息。 来自 KG 的信息以搜索结果旁边的知识面板的形式呈现给用户。 当您执行搜索时，Google 会使用 KG 将您查询的先前结果与其他人可能找到的结果相结合，以更好地为您的查询提供服务。
Facebook 使用 KG 来监控人际网络和社交相关实体之间的链接，例如用户最常谈论的话题。 除了使用 KG 来发现用户之间的社交联系并为用户提供有关社交兴趣的建议外，Facebook 的图形搜索功能还使用 KG 来回答用户的自然语言查询。 KG 变得如此重要的一个重要原因是认识到数据点之间的关系与数据点本身一样有价值，尤其是当我们想要建立社交网络时。
Netflix 使用 KG 来安排关于其庞大内容目录的信息，推断电视节目、电影与导演、制片人和演员之间的联系，或将他们联系起来的人。 KG 然后帮助推断用户接下来可能喜欢看什么，并培育“狂看”商业模式。
西门子使用 KG 构建其生成和存储的数据模型； 并将其用于风险管理和过程监控应用程序。 他们还使用 KG 构建“数字双胞胎”，这是真实世界系统的模拟形式，并使用图形进行设计、原型制作和训练。 KG 还被用于金融部门，以监控欺诈交易以及执行投资分析和营销等任务。
然而，由于规模迅速扩大，现实世界中大多数 KG 的存储和维护正成为一项具有挑战性的任务。 今天可用的 KG 规模空前。 例如，最新版本的维基数据拥有超过 8000 万个对象和超过 10 亿个关系。 一些行业知识图甚至更大，例如，最近版本的谷歌知识图有超过 5.7 亿个实体和超过 180 亿个关系。 这种大规模的知识图使得图算法的效率和可扩展性变得至关重要。
知识图的例子
除了上面提到的特殊用途的KGs，一些常用的KGs还有：
WordNet 是成对的英语词典和同义词库单词的集合，这些单词在关系方面相关，例如：type_of 和 part_of 以及 has_part 等。它通常用于提高 NLP 相关任务的性能。
DBPedia 涵盖了地点、人物、书籍、电影、组织、疾病、物种等实体的百科全书。KG 利用维基百科信息框的内置结构构建了一个包含 458 万事物的本体。
Geonames 是一个包含 2500 万个地理实体和特征的 KG。
KG 和机器学习
为了处理大规模 KG，AI 社区一直在使用机器学习 (ML)，不仅可以快速构建和构建 KG，还可以推断数据点之间的联系，否则不会被注意到。 然而，这并不是一件单方面的事情，因为 ML 也从知识图谱中受益，可以更深入地理解文本、视频和音频等数据，而这些数据无法很好地适合关系数据库。
KGs 和 ML 之间的这种结合由于其许多显着的优势而成为当今人们关注的焦点。 基于知识图谱的词嵌入方法已经成为符号数据的标准输入表示方法。 KG 已被用于机器学习模型之上，以使 AI 系统更加透明和可解释。 KGs 还带来了对事物进行推理的能力，这对于培养回答问题、理解图像和检索信息的能力至关重要。 （另请阅读：为什么可解释的 AI 很重要？）
结合 KGs 和 ML 仍有巨大的未开发潜力。 例如，在互联网（例如维基百科）上呈现的大量知识（例如资源描述框架 RDF）基本上是免费提供的，并且当前的 AI 系统没有利用这些知识。 混合 KG 和 ML 系统可以从这些知识中获益匪浅，以更好地理解世界，组织和推断缺失的知识。
