- 知识加工
通过实体对齐可以得到一系列基本事实表达或初步的本体雏形，然而事实并不等于知识，它只是知识的基本单位。要形成高质量的知识，还需要经过知识加工的过程，从层次上形成一个大规模的知识体系，统一对知识进行管理。知识加工主要包括本体构建与质量评估两方面的内容。
11.3 知识计算及应用
知识计算主要是根据图谱提供的信息得到更多隐含的知识，如通过本体或者规则推理技术可以获取数据中存在的隐含知识，而链接预测则可以预测实体间隐含的关系，同时使用社会计算的不同算法在知识网络上计算获取知识图谱上存在的社区，提供知识间关联的路径，通过不一致检测技术发现数据中的噪声和缺陷。通过知识计算知识图谱可以产生大量的智能应用，如可以提供精确的用户画像为精准营销系统提供潜在的客户；提供领域知识给专家系统提供决策数据，给律师、医生、公司CEO等提供辅助决策的意见；提供更智能的检索方式，使用户可以通过自然语言进行搜索；当然，知识图谱也是问答必不可少的重要组件。
11.4 企业知识图谱建设
有些用户倾向于把知识图谱简单化理解，或者等同于传统的专家库，或者认为就是知识可视化的炫酷界面。知识图谱的技术本质是高效的知识结构化和图分析能力。与传统知识库相比，知识图谱在知识构建部分除了利用专家人工力量外，还利用文本挖掘和自然语言处理等手段，也有可能使用机器学习算法构建本体，以及从大量的非结构化和半结构化数据中抽取知识。在人、企业、产品、兴趣、想法、事实存在交织的关联关系时，使用图分析这些复杂的关系效率高，可扩展。应用图遍历、最短路径、三角计数、连通分量、类中心等算法在搜寻目标实体、识别实体关联、评价关联程度、发现关键人物和特殊关系群体等方面较为有效。
从企业级信息管理的全局视角看，知识图谱无疑也是其中一种方式和手段，其中的技术组件如文本分析、语义计算等部分和传统的数据采集、清洗、整合在数据的处理方法和流程上很多都是类似的，在技术上也有互通或重合的部分。从企业级数据建设和应用的角度来看，知识图谱的建设横跨多个环节，在技术的整合方面有较高的复杂度，因此要求一定的数据基础和数据技术能力基础，比如持续的数据管理和知识管理机制、较好的基础数据质量、对数据技术能力和团队的积累等。
我们认为，在知识图谱走向行业应用的时代，可能在落地的时候不会采用从零开始建设知识图谱全技术栈的重方式，很多环节（比如图谱可视化、自然语言处理、语义计算等方面）都会出现比较成熟的技术组件，然后结合业务进行深度定制和调优。因此，我们也很有必要透过技术栈去抓住知识图谱的技术本质，一个是知识结构化，另一个是图分析，知识图谱用新的技术在这两方面提升效率。抓住了技术本质，用户方可以避免纠结于概念或技术的分歧，技术提供方则可以避免陷入同质化竞争的局面。表11-1总结了几个知识图谱库。
人工智能与大数据技术导论
384