知识图谱 产品经理(产品经理的思维)

因为工作中参与了一个智能问答相关的项目，所以需要了解“知识图谱”的相关知识。作为一个非技术类的B端产品经理，刚涉足AI领域，有些陌生和不习惯。

于是我看了很多文献和技术科普，也咨询了身边都是AI的技术生，从中大致了解了“知识图谱”的一些原理，整理了以下文章。

希望我的文章能帮助非技术产品经理，或者其他岗位的同学，更简单快捷的理解什么是“知识图谱”。

在介绍知识地图之前，先说一下知识地图在日常生活中的应用。

再比如，在线医疗行业，患者想挂号却不知道挂哪个科室的时候，可以通过预诊助手获取科室信息。预诊助手基于专业医疗知识图谱，采用多种算法模型和多轮智能沟通了解患者病情，根据患者病情精准匹配就诊科室。

以支付宝为例。在支付场景下，利用知识图谱将票据诈骗、信用卡套现等行为扼杀在摇篮里。通过知识图谱的图谱数据库，针对不同的个体和群体进行关联分析，从人物在指定时间内的行为来判断用户，比如去过的地方的IP地址，使用过的MAC地址(包括手机、PC、WIFI等。)，社交网络的关联度分析，银行账户之间是否有历史交易信息。

在描述定义之前，我们先来看看知识图谱3354 [E-R图]的表现形式：

从上图可以发现，无论E-R图变换成什么形状，外观如何不同，都是由多个点和线连接而成的关系网络。

我们称之为点[实体]和线[关系]，每个实体可能与一个或多个实体有关系。基于此，要形成最简单的关系网络，只需要三个要素：两个实体和一个关系。这种结构，我们称之为“三元组”，多个三元组形成一个知识图谱。

(三倍)

比如：“小方和小明是同事，两人都是因为工作需要买笔记本。小明觉得用苹果笔记本会更有说服力，于是下手了，而小方觉得联想笔记本更便宜，所以选择了联想。后来小方发现，同事安利过的软件sketch，只有苹果电脑才有。它比Axure更智能、更容易使用。”从这句话中，我们可以拆解出多个三元组：

知识地图三元组不仅可以表达实体间的关系以外，还能表示实体的某种属性。比如“小明”是实体，他的“性别、出生日期、籍贯”等可划为属性。

事物被定义为实体的“属性”，有两个基本原则：

同时值得注意的是，根据实际情况，实体有时可以是属性，属性也可以是实体。

下图是一个例子：“员工”是一个实体，“员工编号、姓名、年龄”是员工的属性。如果“职称”没有与“工资、岗位津贴、福利”挂钩，换句话说，它没有可以进一步描述的特征，那么根据准则1，它可以作为员工实体的一个属性。

但是，如果不同的职称有不同的工资、岗位津贴和不同的附加福利，那么把职称作为一个实体来对待就更合适了。

说了这么多，你应该能更好的理解【知识地图】的定义了：知识地图是一个结构化的语义知识库，用来以符号的形式描述物理世界中的概念及其关系。它的基本构成单位是“实体-关系-实体”三元组，以及实体及其相关的属性-值对。实体通过关系相互连接，形成网络知识结构。

了解知识地图的构建可以帮助我们更好地理解知识地图的应用原理。

知识地图的构建过程可以概括为三种方式：

为了介绍每一步及其意义，我编制了下表：

非商业转载请注明出处。

下图是知识地图的技术框架，可以帮助你更好的理解知识地图构建的过程。虚线框中的部分是知识地图构建的过程，也是知识地图更新的过程。

1）要构建知识图谱，需要怎样的数据呢？

答案是：结构化数据。

一般来说，知识地图的原始数据有三种类型：结构化数据、非结构化数据

所谓结构化数据，是指高度组织化、格式整齐的数据，是一种可以放入电子表格的数据类型。典型的结构化数据包括：信用卡号、日期、财务金额、电话号码、地址、产品名称等。

相比之下，非结构化数据是指不容易组织或格式化的数据。它没有预定义的数据模型，不方便使用数据库的二维逻辑表来表示数据。它可以是文本的或非文本的，人工的或机器生成的。

简单来说，非结构化数据就是具有可变字段的数据，主要是一些文档、文档等。比如一些合同文件、文章、PDF文档等。

而半结构化数据是非关系型的，具有基本的固定结构模式，如日志文件、XML文档、JSON文档等。

对于非结构化数据和半结构化数据，我们需要确认可以从中提取哪些可用信息，并制定信息录入规则。借助NLP等技术，可以将有效信息生成结构化数据，进而纳入知识地图。

2）图数据库及关系型数据库的差别

知识地图是基于图数据库存储数据的。所谓图数据库，不是指存储图片、图像的数据库，而是指存储图这种数据结构的数据库。之前我们说的E-R图，就是图数据的可视化展示。的

与传统的关系数据库使用二维表存储数据不同，图数据库传统上被归类为NoSQ。