知识图谱技术与应用

讲得忒浅了... 不值得一看...

理论偏多，落地实践的不多，和另外一本有重复内容

图谱知识的应用越来越广泛，特别结合大模型做知识探索，是当前的热门应用。信通院的观察和视野确实有前瞻性！

知识图谱的概念由Google 在2012年提出，距离现在也才没多久哈哈。看完它的行业应用场景，带给人非常欣喜的感觉，目前主要是用于和搜索、问答、推荐这三个方面的结合，未来的商业价值非常值得探索。 与此同时，它也面临着很大的挑战。尤其是在知识获取 、知识融合 、知识推理 、高质量知识库的构建、 与行业的融合等方面。 就知识获取而言，它是构建知识图谱、理解深层语义的主要任务，最主要的任务就是从互联网的网页文本中抽取实体关系。然而目前知识元素抽取技术的方法可扩展性不强，在很多方面尤其在大规模开放领域的知识抽取仍面临着准确率低、覆盖率低、效率低的问题。知识抽取如何在自动化的基础上实现实用化，是亟待解决的难题。 就知识融合而言，不同来源、不同形态数据的融合， 海量数据的高效融合，新增知识的实时融合，多语言的融合，特别是中英文的融合，都是需要解决的问题;从不同数据源抽取的知识没有统一的发布规范，数据质量参差不齐，从中挖掘出的知识也会有大量噪声以及冗余。如实体通常会有多个名称，从海量的数据中找到这些名称并且将它们规约到同一个实体下非常重要。 目前的知识质量评估仍然过多地依赖人工，图谱的自动化更新以及确保动态更新的有效性也是面临的重大挑战。 就知识推理而言，通过知识推理可以推导出新的关系，这种关系的精度难以得到保证。尤其是在大规模的知识图谱中，预测准确率低、效率低的问题有待进一步研究。 专用领域知识图谱构建又是一大挑战，它的构建才刚开始。通用的知识图谱大多是英文的，如何将现有的基于英文的推理方法应用于中文知识图谱的构建，是需要努力的方向。 而且缺乏高质量的知识库，它是制约知识图谱技术发展的又一重大问题。获得高质量的训练数据极为关键，但是目前没有大量且高质量的数据集，同时由数据集到知识库的构建也有较高的技术门槛。 行业知识图谱的构建也面临着挑战，如何实现专业人员与技术人员的协调，使得行业知识图谱的质量得以提升，并真正服务于行业的实际需求，是行业知识图谱面临的问题，同时知识图谱的应用场景仍然非常受限，有些场景存在“伪需求”的可能性。 正是因为知识图谱面临着这么多的挑战，所以还有很多的可研究空间。企业应该提出更多的解决方案与最佳实践，使得知识图谱技术的知名度提升，与各行业相融合去创造更多的价值～

太泛泛而谈，应用实例少而不精。

不太确定书意图面向的读者是谁，看目录和标题像是泛普，看引用文献像是专业交流，看内容，有很多词汇假设了读者已知，但时而突地来一段产品宣传介绍。先当做概念词汇表，多读几个，需要时回来查吧。 现在谈及人工智能，说及宏大前景较多，从实际体验看，简单图像识别和语音输入的效果还不错，其他诸如智能客服，语音助手之类距离实际能用还很远，知识图谱里面，就通过自然语言处理从文字资料提取所谓的实体和关系就已经很难了，去重，统一概念也不易做，构造图谱后的查询分析和推理就更不用说了，这可能是目前的图谱应用多数基于结构化数据构造然后做个好看的图显示，然后基于明确的规则计算一些结论，或者提供一些参考信息的原因吧。

1、对于不了解知识图谱技术的人员来说，该书是一本很好的基础理论书籍，即详细说明了知识图谱的应用领域，也对图谱技术的构建过程有一个宽泛的说明。 2、第二章对于知识图谱的技术要素，概括归纳的很详细，值得反复推敲学习 3、许多行业领域中的案例，部分还包含了整个技术架构图，有很大的参考意义！甚至有一些公式的味道，如果需要用知识图谱来解决现实中某个问题难点，基于这些案例的方式，把前因后果理论清楚，举一反三，很有帮助！ 4、图谱技术虽然在2012年于Google提出确定名称，经过这么多年的发展，科学专家、学者的不懈努力，依然是困难重重，行业领域商业化还属于初级阶段，这可能也和该技术刚刚兴起以及入门门槛较高存在一定的关系，对于想深入这方面领域的企业或者个人而已，既是很好的机遇，当然也存在极大的挑战！