1樓：網感至察
網感至察：TML KnowledgeCloud如何實現「小知識+大資料=大知識」
網感至察：網感至察發布「認知雲」新產品——提供一站式知識圖譜服務
2樓：
剛開始接觸知識圖譜構建，目前要搞乙個KBQA，主要針對領域資料，最開始看到本體那一套，打算用Stanford Protege+Apache Jena去弄，發現有點弄不懂，構建本體也聽複雜的，乾脆先來簡單的，人工抽取出實體關係後匯入Neo4j，直接基於圖進行檢索，也不知道行不行得通～～～
3樓：
1.知識圖譜不能簡單的理解為乙個類似知識庫，更多的是指乙個範疇。
2.大規模的知識圖譜的構建很不現實。
3.可以考慮從知識的提取、儲存或表現下的乙個細分入手。
4樓：索答-杜銳
中文知識圖譜的構建一般要有幾種方式：1、本體。這種方式構建起來需要設計本體中類、屬性、以及資料型別，然後根據設計的本體模型填充例項資料，最後形成本體檔案，供後續模組使用。
特殊情況下還需要根據本體設計一些推理規則，一般推理的時間複雜度比較大，建議將規則轉換成例項資料儲存在本體中。2、三元組的形式。這種建法比較靈活，可以以subject、predicate、object的形式建，儲存在RDF,或者ttl中，規模比較大的還需要儲存在TDB或者其他的圖資料庫中，這種方式不需要設計複雜的類以及屬性，只需要根據實際的資料填充主謂賓就OK了。
而對於知識圖譜的使用當然回歸到搜尋上，一般使用SPARQL進行搜尋，這種方式比傳統的搜尋有比較大的提公升。
5樓：運動碼農
Quora上的答案還是挺詳細的，還可以順便看看鏈結頁面里列的周邊近似的問題
6樓：鮑捷
方法的是清晰的，沒有什麼秘密。樓上各位都說的很清楚了：實體提取，關係提取，圖譜儲存和檢索。
知識圖譜實踐坑太多了，絕不是看看教科書就能學會的。這是很年輕的學科，目前還沒有好的教材。
關鍵是專案的目標控制和路徑設計。科研專案，工程專案，大公司專案，小公司專案，大公司裝逼專案，大公司現有產品改進專案，搶資金專案，預研試驗專案。To B專案，To C專案，To VC專案，To G專案。
那做法都是完全不同的。
關鍵是成本控制，回報週期控制，和出錢的大爺的預期管理。在技術上做好演進的，可容忍低結構、高雜訊、低質量資料，充分理解沒有神奇的銀彈。在團隊上充分考慮到知識圖譜人才稀缺性，盡量用現有的技術人才漸進推進。
在資金管理上充分理解大爺們耐心是有限的，要快速迭代，快速出活。
7樓：李曉喆
常規：先做知識定義即建模，然後依此填充具體知識資料，可以資料轉換，也可以UGC。
快速：定向抓取。比如從豆瓣上抓書籍，或者從豆瓣/imdb上抓電影，從微博上抓名人之間的關係等等。
自薦：楚辭 -- 讓知識融入你的生活/作品
8樓：李小瀚
其實並沒有什麼太大區別啊…所謂知識圖譜聽起來很高大上號稱給計算機裝上了大腦…其實無非就是從各種結構化/半結構化/非結構化資料中抽取實體/實體屬性/實體之間的關係，構成一張圖，這張圖能夠反映真實世界的相關資訊，因為真實的世界在人類的認知當中就是由實體、屬性和實體間的關係構成的
獲取這些東西的最大挑戰無非就是實體識別、消歧（重名，別名）、實體關係挖掘等，這些歸根到底都屬於nlp的問題
所以說如果中文知識圖譜的構建和英文的有什麼區別的話，只能是中文和英文在自然語言處理技術上的差別
比如處理語料時中文和英文分詞的差別，這點中文更難，很多實體的指代直接被分成多個詞，後面再想救回來又得另想辦法；比如消歧的時候英文中有大量的縮寫指代，同乙個縮寫對應很多可能的實體，這點英文比中文難；再比如關係挖掘的時候，個人感覺中文要更難一些，因為表述更豐富更不規律
綜上，中文知識圖譜的構建和英文的所謂區別，歸根結底只在nlp這一塊，其他的諸如步驟流程框架等等確實沒啥差
當然，英文方面現成的東西更多一點，可以直接拿來用，中文就苦逼呵呵了…這會導致實施起來有所不同，在我看來這也算是乙個很大的差別吧…
知識圖譜的構建流程？
想想想財務自由 你好。我的專欄除了github示例，還有構建知識圖譜常用的工具平台，以及學習資源。望參考。想想想財務自由 Github 知識圖譜的應用示例想想想財務自由 持續更新 知識圖譜相關工具平台整理想想想財務自由 知識圖譜學習資源 持續更新 王大力 知乎首答，想認真寫一寫。本科211，碩士美國...
構建知識圖譜的軟體？
雲悠水澈 有人說腦圖是網狀結構圖，有人說是樹形圖，好像沒有標準定義。如果是專業的 全面 系統的研究和表示，可能網狀結構圖為好。但evernote 是乙個筆記，你是想找個樹形結構筆記嗎？如果是的話，可以試試小筑筆記，樹形結構，無限分層。如果不是必須要個有連線的圖的話，這個就更利於積累 梳理 利用知識，...
小領域知識圖譜應該怎麼構建？
禾雀花開 首先，需要清楚，建知識圖譜的目標是什麼？面向什麼應用場景，典型的場景包括 1 查詢類，例如問答 搜尋 推薦等，也包括對資訊抽取的支援 2 分析類，例如 自動分類 分析檢視 類結構分析檢視 類多維分析檢視 實體 例項關係分析檢視 等 3 知識自動化類，用於推理決策等 4 知識管理類，自動標籤...