知识图谱

核心理念

知识图谱由节点（代表实体或概念）和边（代表连接这些节点的关系或谓词）组成。例如，一个节点可能是Ultralytics YOLO"，另一个节点可能是 "Object Detection"；一条标有 "is a type of "的边可以将它们连接起来。这种结构允许查询复杂的关系和执行推理任务，例如从现有的连接数据中推断出新的事实。关键技术是 KGs 的基础：资源描述框架（RDF）等标准为数据表示提供了通用模型，而SPARQL等查询语言可根据图模式进行信息检索。构建 KG 通常涉及从不同来源中提取信息，包括结构化数据（如数据库）和非结构化文本，经常使用自然语言处理（NLP）技术和潜在的复杂推理系统。数据质量和数据管理对于维护可靠的 KG 至关重要。

知识图谱与其他概念的对比

虽然知识图谱与其他数据组织方法有关，但它具有独特的特点：

• 本体：本体：本体正式定义了特定领域内实体的类型、属性和相互关系（模式或蓝图）。KG 通常使用本体作为其结构基础，但也包含实际的实例数据（具体事实和实体）。网络本体语言（OWL）等语言可用于定义本体。
• 分类学：分类法是一种分级分类系统（例如，按界、门、类对动物进行分类）。KG 更为灵活，它代表的是复杂的多关系网络，并非严格意义上的等级划分。
• 矢量数据库：这些数据库以数字嵌入的形式存储数据，并针对相似性搜索（矢量搜索）进行了优化。反之，KG 则表示实体之间明确的符号关系。KG 可以为通过向量搜索获取的信息提供结构化的上下文。

人工智能/移动语言的应用

知识图谱是众多智能应用不可或缺的一部分：

• 语义搜索： Google 等搜索引擎使用知识图谱（如Google 知识图谱）来了解查询背后的意图，并在简单的关键词匹配之外提供更相关的上下文结果。
• 推荐系统：通过对用户、物品及其属性之间的关系进行建模，KG 可在电子商务（零售业中的人工智能）和内容流等领域提供更复杂、更个性化的推荐。
• 问题解答和聊天机器人：KG 提供结构化知识，使人工智能系统能够通过浏览实体关系来回答复杂问题，从而增强人工智能对话能力。
• 数据整合：KG 可以统一来自不同来源的数据，为整个组织创建一致且相互关联的信息视图。这对大数据分析至关重要。
• 增强其他人工智能模型：KG可以为其他人工智能任务提供上下文背景知识。例如，在计算机视觉（CV）中，KG 可以将以下模型检测到的物体联系起来 Ultralytics YOLOv8等模型检测到的物体与其属性、功能或相互作用的相关信息联系起来，从而实现更丰富的场景理解。Ultralytics HUB等平台管理着可能填充或利用 KG 的数据集和模型。

真实案例

1. 电子商务个性化：一家在线零售商利用知识图谱将客户、产品、品牌、类别、浏览历史、购买数据和产品评论联系起来。当用户搜索 "跑步鞋 "时，知识图谱会帮助系统理解相关概念（如 "马拉松"、"越野跑"、特定品牌）和用户偏好（过去的购买记录、查看过的商品），从而提供高度个性化的搜索结果，并推荐服装或配件等配套产品。这将提升客户体验。
2. 医疗保健领域的人工智能解决方案：一家医疗研究机构建立了一个知识图谱，将疾病、症状、基因、蛋白质、药物、临床试验和研究出版物（如 PubMed 中的索引）联系起来。这样，研究人员和临床医生就可以查询复杂的关系，如 "查找靶向蛋白质 X 并用于治疗疾病 Y 的药物"，从而加速药物发现，并根据相互关联的症状和患者数据为诊断提供决策支持，从而改进医学影像分析。