业务创新驱动力

业务创新不是数字驱动的，而是基于对各业务环节之间关系的深入分析，做出相应的业务变革，从而带来业务创新。因此，关系是行为最强的预测因素。

比如，零售商可以通过分析客户与产品的关系来推荐产品，通过分析商品店与供应商的关系来优化供应链。这些是分析关系驱动业务的实际案例。图数据库的优势在于善于处理间接关系，构建知识网络。关系数据库具有分类帐式的结构。外键可以将信息从一个表连接到另一个表。数据库可以轻松处理直接关系，而间接关系涉及到缓慢的多级连接。但是间接关系在关系数据库中很难处理。图形数据库仅由点和线组成。它可以快速跨越多种类型的实体，处理间接关系。间接关系：一个特殊查询场景：找出开发商是XXX的房子，小区绿化率30%以上，周边200米有大型超市，500米外有地铁，1000米外有三甲医院，2000米外有升学率60%以上的高中，房价不到800W，最近被中介看的次数最多。为什么mysql和es不合适？MySQL一次关联几十个表。ES需要有一个很宽的清单表，但是不可能搜索到这个清单周围200米的大型超市。

数据库应用(13个场景)-地理导航通过构建路网实现智能导航。

二、社交网络社交服务是高度关联的，比如好朋友、用户1、关注、用户2。

(3)搜索引擎中的信息检索，实体信息的精准聚合和匹配，关键词的理解和搜索意图的语义分析等。

语义搜索通过识别用户语义来获取搜索结果。

5.自然语言理解：知识图谱中的知识作为理解自然语言中实体和关系的背景信息；6.问答系统：匹配知识图谱中问答模式与知识子图的映射；智能问答类似于语义搜索。对于问题的内容，计算机首先分析问题的语义，然后将语义转化为查询句，搜索知识图谱，提供与提问者最接近的答案。

七。推荐系统：将知识图谱作为辅助信息整合到推荐系统中，提供更精准的推荐选项，知识图谱推荐系统；推荐系统首先要收集用户的需求，分析用户的过往数据，提取共性特征，然后按照一定的规则向用户提供推荐产品。淘宝就是典型的例子。

传统推荐系统的主要类型包括流行推荐、人工推荐、相关推荐和个性化推荐。1.热点推荐：当前热点事件，具有广泛的社会关注度，以达到“广而告之”的效果。比如知乎和新浪微博的“热榜”等。2.人工推荐：由编辑或内容运营人员人工推荐的优秀内容/文章。3.相关推荐：根据当前浏览的内容，按照一定的信息或关联规则进行内容推荐，主要起到“丰富和拓展”的作用。比如看完《快乐大本营》第四期，会推荐第一期和第三期。4.个性化推荐：根据用户的历史记录。

8.电商构建商品知识图谱，精准匹配用户购买意向和商品候选集，知识图谱推荐系统；

9.财务风险控制利用实体之间的关系来分析财务活动的风险，以在风险被触发后提供补救措施(如反欺诈等。);当事件产生负面影响时，可以根据知识图谱的相关信息快速控制受其影响的人或事件，将损失降到最低。

10.公安刑侦分析实体间的关系，获取案件线索等。

11.司法协助法律条款的结构化表示和查询用于协助案件判决等。

教育和医疗保健为药物分析、疾病诊断

十三。辅助决策。建设与决策课题相关的知识库、政策分析模型库和信息研究方法库，构建并不断完善辅助决策系统，为决策课题提供全方位、多层次的决策支持和知识服务。其中，知识图谱是关系最密切的图形数据库和最广泛的场景的应用方向。知识图谱以图形数据库为存储引擎，智能处理海量信息，形成大规模知识库，进而支持业务应用。

准备结构化、半结构化和非结构化的知识数据

一般来说，有三种类型的原始数据。

结构化数据：关系数据库等半结构化数据：XML、JSON、百科等非结构化数据：图片、音频、视频、文本实体。

实体可以简单的理解为对象，是图的最基本单位。实体是指现实世界中的事物如人、地名、概念、药物、公司等。

属性

一个实体包含几个属性，比如一个人的名字、年龄等。使用属性三元组，例如(人的ID、类型名称、实际名称)。

属性图

关系

它是相关实体之间的连接。表达图中的“边缘”。比如人——“住在”——北京，张三和李四是“朋友”。用一般的三连词来表达关系。注意，关系也有属性。关系的属性也用三元组表示。

关系图

三个一组

三元组(主语、谓语、宾语)

三元是指形状为((x，y)，z)的集合。三元是计算机专业公共基础课——《数据结构》中的一个概念。

它是一种压缩方法，主要用于存储稀疏矩阵，也称为三元表。假设三元组表用顺序存储结构表示，得到了稀疏矩阵的一种压缩存储方式，即三元组顺序表。

简单三元组

多关系图

什么是多关系图？

数据结构图。图由节点(顶点)和边(边)组成，但这些图通常只包含一种类型的节点和边。

多图：一般包含多种类型的节点和多种类型的边。例如，左图显示了一个经典的图结构，而右图显示了一个多关系图，因为该图包含许多类型的节点和边。这些类型用不同的颜色来标记。

数据结构图和多关系图

图形存储

学术RDF方法：

RDF方法

工业图形数据库方法：

图形数据库

HDT(Header，Dictionary，Triples)是一种紧凑的数据结构和二进制图标序列化格式的RDF。它可以压缩大型数据集以节省空间，同时保持搜索和浏览操作，而无需事先解压缩。这使得它成为在Web上存储和共享RDF数据集的理想格式。

图形与人工智能融合

知识驱动

通过图表构建简单的架构基础设施

数据采购

结构化数据是指在关系数据库中表示和存储的二维数据。这类数据可以通过模式融合、实体对齐等技术直接提取到图中。

半结构化数据主要是指用相关标记分隔语义元素的强定义数据，但没有数据库形式。如网页中的表格数据、维基百科中的信息框等。这类数据可以通过爬虫、网页解析等技术转换成结构化数据。

非结构化数据主要从明文数据中获取知识，包括实体识别、实体分类、关系抽取、实体链接等技术。知识抽取

从各类数据源中提取实体、属性以及实体间的关系，并在此基础上形成本体知识表达；实体提取

实体提取，也称为命名实体识别，是图的核心单元。从文本中抽取实体是知识获取的关键技术。实体抽取的质量(准确率和召回率)对后续知识获取的效率和质量有很大的影响，因此它是信息抽取中最基础和最关键的部分。

通常，识别文本中的实体可以作为序列标记问题来解决。传统的实体识别方法以统计模型为主，如HMM、CRF等。随着深度学习的兴起，BiLSTM CRF模型备受青睐。该模型避免了传统CRF特征模板的构建，同时双向LSTM可以更好地利用前后的语义信息，效果明显提高识别效果。关系抽取

关系抽取是从文本中自动抽取实体之间的特定语义关系，以补充图谱中缺失的关系。方法包括人工构建规则和模板来识别实体关系。

按实体抽取文本语料，得到一系列离散的命名实体。为了获取语义信息，还需要从相关语料库中提取实体之间的相关性，通过相关性将实体(概念)联系起来，从而形成一个网状的知识结构。

案例：芝士鱼，食材，奶酪都是从“芝士鱼本来就是用奶酪做的”中提炼出来的。

其实大致可以归为一个分类问题。为什么？因为你最不需要的就是食材的关系，多分类训练一个模型是可以的。属性提取

属性抽取是从不同的信息源中收集特定实体的属性信息。比如，对于一个公众人物，你可以从网上的公开信息中获取他的昵称、生日、国籍、学历等信息。属性提取技术可以从各种数据源中收集这些信息，实现实体属性的完整勾画。

属性提取可以转化为实体提取和分类，因为实体的属性可以看作是实体和属性值之间的一种名称关系。知识融合

知识融合是将多个知识库中的知识整合形成一个知识库的过程。知识融合要解决的问题是实体对齐。

不同数据源的实体对知识收集的侧重点不同，可能指向现实世界中的同一个对象。例如，一些知识库可能侧重于自身某些方面的描述，而另一些可能侧重于实体与其他实体之间关系的描述。通过实体对齐进行知识融合，可以对不同知识库中的知识进行补充和融合，形成全面、准确、完整的实体描述。

案例：在百度百科、互动百科、维基百科等不同知识库中，对曹操这一历史人物的描述存在一定差异。

实体对齐有两个主要关键：

实体消歧指的是实体消歧

在文本中，同一个实体可能有不同的写法。例如，“天使宝宝”是杨颖的另一个名字，所以“杨颖”和“天使宝宝”指的是同一个实体。

功能是区分同名实体。比如两个人同名，会用性别、工作、爱好等其他属性来区分。引用歧义消除

指称消歧类似于实体消歧，处理的是同一个实体。比如黄晓明案中的“他”，其实就是指“黄晓明”。所以我们要做的就是找出这些代词所指的是哪个实体。知识处理

对于整合后的新知识，需要进行质量评估(有些需要人工筛选)，合格的部分才能加入知识库，保证知识库的质量。本体抽取

本体比较抽象，简单理解就是一系列概念。这一系列概念集可以描述特定领域中一切事物的共同特征，概念之间存在一定的关系，构成层次结构。

比如足球场就是一个本体。

本体抽取过程包括三个阶段：

实体间并列关系的相似度计算；提取上下级实体关系的本体生成实例；

当你拿到“阿里巴巴”、“腾讯”、“手机”这三个实体的时候，你可能会觉得它们之间没有区别。

第一步，计算三个实体的相似度后，会发现阿里巴巴和腾讯可能更像，和手机不同，但实际上还是没有上下级的概念。还是判断阿里巴巴和手机不属于一个类型，无法比较。

第二步，提取实体的上下位关系来完成这项工作，从而生成第三步的本体。

第三步结束后，就明确了“阿里巴巴和腾讯都是公司本体下的细分实体，和手机不在一个范畴。”知识推理

知识推理是指从实体关系的现有数据中，通过计算机推理，建立实体间新的关系，从而扩展和丰富知识网络。知识推理是构建知识地图的重要手段和关键环节。通过知识推理，可以从已有的知识中发现新的知识。质量评估

量化知识的可信度，保留可信度高的，舍弃可信度低的，从而有效保证知识的质量。

参考https://m.toutiao.com/is/rrqTL9V