数据从哪里来

• 是手动提取关系吗？
• 数据很多，关系确难
• 涉及大量NLP技术
• 关系做的准确才可靠

为什么通常将知识图谱划分到NLP领域？

主要因为知识图谱中涉及文本数据较多，如何从文中提取有效信息称为关键

常用NLP技术点分析

• 命名实体识别
  • 给词打上标签
  • 有标签才好查找
  • 将标签与意图转换成sql

• 基于实体与关系构建知识图谱网络图（关系抽取）

• 实体统一
• 指代消解

只是NLP任务吗？

如果可以进行特征编码，那么就能让计算机进行训练和推理任务

embedding这件事是AI最核心的内容，如何让计算机读懂咱们得数据。

graph embedding

• 风控模型中对接点进行编码：

• 根据用户关系（通讯录）建立算法模型（Deep walk），获得用户向量

• 有了特征编码能做的事情就多了，预测，分析等一些ML任务都能干活了

• 难点在于如何编码（算法）才能更准确体现这个用户的情况

• 特征表达尤为重要：

• 数据/视频数据，例如卷积模型：

知识融合

• 知识就是力量
• 特征进行融合
• 得到最终的向量
• 数据多就全用上

业务还是算法？

• 都重要，但是业务决定了算法的选择和数据需求以及模型的建立。
• 非常熟悉业务才能设计出实用的知识图谱，业务的设计起着决定性作用。
• 不同场景业务的设计是完全不同，需具体分析。
• 算法很多都是通用的（命名实体识别，graph embedding等）

知识图谱组成