第一部分 知识图谱概述
从链接文本到链接数据
事物的类型很多
一个人、一本书、一个抽象的概念。都可以是作为事物。
事物之间有多种类型的连接
一个节点代表实体，边表示实体的属性或者实体与实体间的关系。
知识图谱的发展
知识图谱在2012年由Google提出。其前身称之为语义网络。
知识图谱的应用
- 辅助搜索
Web的理想是万物的链接，搜索的理想是事物的搜索。基本知识图像，去实现从网页的搜索到语义的搜索。
- 辅助问答
机器人及IOT设备的智能化：给万物都链接一个背景知识库。
- 辅助决策
美国公司Palantir ：提出动态本体。
金融领域：Kensho ，构建各种各样的金融本体。
- 辅助AI：常识推理
知识图谱的本质
第二部分 知识图谱项目
CYC 是用于创建一个常识知识库。
Wordnet 主要用于词义消歧。
ConceptNet 也是创建一个常识知识库。
Wididata 期望构建全球最大的免费知识库。
YAGO 具有更加丰富的实体分类体系。并考虑了时间和空间知识，增加了时间和空间的属性描述。
Babelnet 是为了支持多语种，解决非英语语种中数据缺乏的问题，
NELL 是卡内基梅隆大学开发的知识库，期望是能够从web自动抽取三元组知识。
Concept Graph 是以概念层次体系为中心的知识图谱。
Zhishi.me 初衷是期望利用百度百科、维基百科、互动百科三个知识库做成类似于DBpedia 的中文百科知识图谱。
第三部分 知识图谱技术概览
数据来源：文本数据、结构化数据库、多媒体与传感器、众包
1.Standford CoreNLP 自然语言处理工具包,
实现对自然语言文本的文本分析，包括词形还原，词性标注、命名实体标注、共指消解、句法分析以及依存分析等功能。
2.自然语言工具包（Natural Language Tookit,NLTK）
基于脚本语言Python的自然语言处理工具包，该工具包集成了一些文本处理技术，例如中文分词、词形还原、文本分类等，并涉及50多种语料和字典的交互界面。
3.OpenCCG
指开放式自然语言CCG文库，基于Java的开源自然语言处理文库，能够实现基于Mark Steedman的组合的范畴语法形式为主的文本解析，包括句法分析和依存分析。
RDF：三元组
三元组即主谓宾，在知识图谱中主语和宾语是节点，关系是边。
RDF 图：有向标记图
RDFS：基于RDF的模式
由很少的一个词汇集组成。
RDF 的序列化格式
RDF表示形式可以用XML或者Json-LD
OWL：扩展了RDF模式
SPARQL :RDF的查询语言
知识图谱的分布式表示
知识抽取
知识抽取的主要方法
知识存储
知识问答
基于知识图谱形成的一个知识库。
KBQA的实现流程
首先基于问题，进行语义解析。然后由创立的知识库转换为问题的语义表示（语义表示可以用多种方式表示）。
知识推理
基于已知事实推出未知事实的计算过程。
知识融合：不同数据集中找出同一个实体
基于Python的知识融合的工具Dedupe
提供了很多相似度计算的方法，支持对大规模的数据库进行处理。工具使用可以参考openkg中的链接。
LIMES
不要求两个数据集由相似的结构，对Dedupe 是一种补充。
Wikibase
开源软件。可以学习一下，有助于项目快速上线。
第四部分 典型案例讲解
