【说在前面】本人博客新手一枚，象牙塔的老白，职业场的小白。以下内容仅为个人见解，欢迎批评指正，不喜勿喷！[认真看图][认真看图]
①大规模简单知识表示
②知识获取
③基于知识图谱的简单推理
①语言表达鸿沟
②缺失的因果链条
③碎片化数据的关联与融合
④深化行业数据的理解与洞察
⑤显著提升了机器的自然语言理解水平
⑥基于知识图谱的大规模知识服务
⑦知识图谱可视化已大量应用
⑧大数据知识工程理论体系日趋完善
①繁杂的应用场景
②深度的知识应用
③密集的专家知识
④有限的数据资源
知识表示方面：
①与其他知识表示的协同表示与推理
②知识图谱的多模态表示
③知识图谱的个性化表示
知识获取方面：
①发展低成本知识获取方法
②注重多粒度知识获取
③发展大规模常识知识获取
④复杂知识获取机制与方法
知识应用方面：
①知识图谱应用透明化
②基于知识图谱的可解释人工智能
③发展符号知识指导下的机器学习模型
▌总结
知识图谱结构拓扑图如图所示：
企业全量数据应用挑战及应对策略：
（1）多源异构数据难以融合
使用知识图谱（本体）对各类数据建模，基于可动态变化的数据模型（概念-实体-属性-关系），实现统一建模。
（2）数据模式动态变迁困难
使用可支持数据模式动态变化的知识图谱的数据存储。
（3）非结构化数据计算机难以理解
利用信息抽取技术。
（4）数据使用专业程度过高
（5）分散的数据难以统一消费利用
在知识融合的基础上，基于语义检索、知识问答、图计算、推理、可视化等技术，提供数据检索/分析/利用，统一平台。
（2）利用属性来表示不同数据源中针对实体的描述，形成对实体的全方位描述。（属性映射与归并）
（3）利用关系来描述各类抽象建模成实体的数据之间的关联关系，从而支持关联分析。（关系抽取）
（4）通过实体链接技术，实现围绕实体的多种类型数据的关联存储。（实体链接）
（5）使用事件机制描述客观世界中动态发展，体现事件与实体间的关联；并利用时序描述事件的发展状况。（动态事件描述）
知识建模工具：Protégé（本体编辑器，较局限）
知识抽取的主要策略如图所示（针对结构化、半结构化、非结构化数据的处理方式不同）：
知识抽取中的文本信息抽取，主要包括：实体识别、关系抽取、事件抽取、概念抽取。信息抽取主要有两大类工具：
非结构化文本数据的处理包括以下步骤：
其中，事件抽取可以分为预定义事件抽取和开放域事件抽取，行业知识图谱中主要为预定义事件抽取。采用模式匹配方法，包括三个步骤：
还有基于机器学习模型的抽取：SVM、逻辑回归、CRF、LSTM等：
（1）数据层融合：实体链接技术
即等同性判断：给定不同数据源中的实体，判断其是否指向同一个真实世界实体（实体属性与关系的合并）。
实体链接工具：WikipediaMiner、DBpediaSpotlight等，大部分都是针对百科类的知识库工作的，基本不支持中文的处理。
（2）语义描述层融合：SchemaMapping
当然还有一些别的需要考虑，例如多源知识融合、冲突检测与解决、跨语言融合、知识验证等。
例如，通过人机交互接口对错误信息进行人工纠正，并以此作为种子案例，通过强化学习加强模型的识别精度和鲁棒性。
知识图谱是基于图的数据结构，其存储方式主要有两种方式：RDF存储和图数据库。
下面展示各大图数据库的对比：
（2）本体推理：使用本体推理进行新知识发现或冲突检测。
本体知识推理工具：RDFox。
（3）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。
基于规则推理工具：Drools规则定义。
智能问答（基于语义解析的方法+基于信息检索的方法）、语义搜索（基于实体链接）、可视化决策支持（D3.js、ECharts）等。
举例金融业的基于知识图谱的风险管理：
可构建的图谱：例如公司图谱、产品图谱、物图谱、智能预警等。在行业应用中使用知识图谱，大致有如下几种方式：