科技猎产品经理入门知识图谱指南
人工智能技术分为感知智能和认知智能两类，当前历史阶段，人工智能还处于感知智能阶段，人工智能擅长分类和识别，但不擅长推理、分析等认知智能所包含的能力。知识图谱被称为新一代人工智能的基础设施，基于知识图谱可实现各种上层的知识应用，使机器具备推理、预测、分析等能力，对于想提供更佳用户体验和服务的产品经理来讲，了解和学习知识图谱十分必要。本篇谈谈产品经理如何入门知识图谱。
获取知识的痛点
大众通常获取知识有多种渠道来源，而且日常存在获取知识效率的问题。
拿产品经理学习知识图谱知识来讲，可以在诸如简书、知乎、DataFun阅读知识图谱文章，也可以阅读《知识图谱》相关图书，还可以向朋友请教知识图谱的实践。但由于知识图谱技术栈比较长，知识点较多，往往抓不住重点，导致入门就花费大量时间，效率是比较低的。
再拿日常办公获取内部或外部相关信息为例，有海量页面，但需要花费大量时间一个个甄别，哪个是真正需要的。可见在获取知识方面，存在由于信息分散而导致获取效率低下的问题。
假设做市场调研，研究市场规模或发展情况，可以一键查到答案，而非拿到一堆网页再一个个浏览和互相印证，那么前者的解决方案，就可以大大提升知识获取效率。
解决以上问题的关键就是知识图谱，2012年知识图谱被谷歌引入推荐引擎中，可以根据查询关键词一键生成答案，大大提升了用户的体验和搜索效率，成功引领了技术风潮，被国内搜索引擎厂商争相效仿，也拉开了知识图谱应用的序幕。
知识图谱是什么
维基百科给知识图谱的定义是「谷歌公司用来支持从语义角度组织网络数据，从而提供智能搜索服务的知识库」。定义比较抽象，需要层层剥离。
首先需要理解什么是知识，知识是人类认知实践的成果，分为经验知识和系统科学理论。一条条结构化的知识构成知识库。
语义角度组织网络数据，则是相对于传统web链接方式组织数据方式。传统搜索引擎通过网页之间的链接组织网页之间关系，并通过关键词匹配展示哪些网页，本身并不需要对网页内容做理解，更多是从统计学角度提供搜索服务。而从语义角度组织网络数据，就需要从语义角度出发，将网页中内容提取出语义形成一条条知识，并以语义网络形式存储知识。
到了应用层搜索的服务，搜索引擎能够从语义层理解用户意图，并将最终结果直接展示给用户，而非一堆网页，大大改善了搜索体验。
知识的表示
知识图谱中一条条知识通常表示为（实体，关系，实体）或（实体，关系，属性）。如（姚明，妻子，叶莉），（姚明，性别，男）。即知识图谱描述了实体与实体之间的关系和实体与属性之间的关系。这种表示方式既对机器友好，也便于人的理解。不同知识之间形成关联，构成知识图谱。
上例中是一个最小化知识图谱案例。谢霆锋、张柏芝、王菲为三个实体，每个实体与其他实体形成关系，每个实体自身也有一些属性。实体与实体、实体与属性之间关系，共同构成知识图谱。
从这个角度来讲，知识是认知和需要存储的内容，图谱则是如何存储知识的载体，数据库则是具体存储的实现。也即知识图谱是在数据库系统上，利用图谱这种抽象载体，表示知识这种认知内容。
知识图谱的构建
以上对知识图谱解决问题、定义及表示做了描述，在实际落地知识图谱中，则需要考虑知识图谱如何构建的问题。通常知识图谱的构建分为：知识图谱体系的构建、知识获取、知识融合、知识存储、知识推理。
知识图谱体系的构建也叫知识建模，顾名思义就是就是搭建一个抽象的框架，用于后续数据实例的填充。具体来讲，就是要定义清楚有哪些类别知识图谱，每个类别下有哪些实体、属性，并且定义清楚实体与实体，实体与属性之间的相互关系。这个阶段是需要业务人员和产品经理核心做的工作，也即通过定义需求明确所需的知识模型。
知识获取则是在知识建模的基础上，根据业务需要和知识模型框架，在结构化、半结构化、非结构化数据中，获取实体与实体、实体与属性的具体数据。在非结构化数据处理中，需要用到实体识别、实体消歧、关系提取等步骤。此阶段也需要产品经理深度参与，获得知识图谱可用的数据。
知识融合则是对不同来源、不同语言、不同结构的知识图谱做融合，从而对已有知识图谱做能力增强。
经过以上步骤，知识图谱初步构建完成，接下来则是对知识图谱做存储，通常有两种存储方式：按三元组方式一条条存储在数据库、采用图数据库做存储。
知识推理则是要解决已有知识图谱实体或属性缺失的问题，通过推理手段补齐缺失。当然在实际的上层应用中，也可以直接应用推理能力获取结果。
知识图谱的应用
经过上面知识图谱构建和存储完成后，就可以将知识图谱应用在具体业务上了。常见的应用有搜索、问答机器人（本质也是搜索）、推荐、推理等，其本质都是利用已经构建好的知识库，快速查询生成精准的结果，从而带给终端用户更为高效便捷的体验。
通过以上内容，产品经理可以对知识图谱有个大致入门了解，如需进一步学习和深入，可入手《知识图谱》（赵军版）更为成体系的详细学习知识图谱各个知识点，加速知识图谱落地应用进程。
以上就是“产品经理入门知识图谱指南”的内容了，如果你还想了解其他相关内容，可以来 产品壹佰 官方网站。
获取知识的痛点
大众通常获取知识有多种渠道来源，而且日常存在获取知识效率的问题。
拿产品经理学习知识图谱知识来讲，可以在诸如简书、知乎、DataFun阅读知识图谱文章，也可以阅读《知识图谱》相关图书，还可以向朋友请教知识图谱的实践。但由于知识图谱技术栈比较长，知识点较多，往往抓不住重点，导致入门就花费大量时间，效率是比较低的。
再拿日常办公获取内部或外部相关信息为例，有海量页面，但需要花费大量时间一个个甄别，哪个是真正需要的。可见在获取知识方面，存在由于信息分散而导致获取效率低下的问题。
假设做市场调研，研究市场规模或发展情况，可以一键查到答案，而非拿到一堆网页再一个个浏览和互相印证，那么前者的解决方案，就可以大大提升知识获取效率。
解决以上问题的关键就是知识图谱，2012年知识图谱被谷歌引入推荐引擎中，可以根据查询关键词一键生成答案，大大提升了用户的体验和搜索效率，成功引领了技术风潮，被国内搜索引擎厂商争相效仿，也拉开了知识图谱应用的序幕。
知识图谱是什么
维基百科给知识图谱的定义是「谷歌公司用来支持从语义角度组织网络数据，从而提供智能搜索服务的知识库」。定义比较抽象，需要层层剥离。
首先需要理解什么是知识，知识是人类认知实践的成果，分为经验知识和系统科学理论。一条条结构化的知识构成知识库。
语义角度组织网络数据，则是相对于传统web链接方式组织数据方式。传统搜索引擎通过网页之间的链接组织网页之间关系，并通过关键词匹配展示哪些网页，本身并不需要对网页内容做理解，更多是从统计学角度提供搜索服务。而从语义角度组织网络数据，就需要从语义角度出发，将网页中内容提取出语义形成一条条知识，并以语义网络形式存储知识。
到了应用层搜索的服务，搜索引擎能够从语义层理解用户意图，并将最终结果直接展示给用户，而非一堆网页，大大改善了搜索体验。
知识的表示
知识图谱中一条条知识通常表示为（实体，关系，实体）或（实体，关系，属性）。如（姚明，妻子，叶莉），（姚明，性别，男）。即知识图谱描述了实体与实体之间的关系和实体与属性之间的关系。这种表示方式既对机器友好，也便于人的理解。不同知识之间形成关联，构成知识图谱。
上例中是一个最小化知识图谱案例。谢霆锋、张柏芝、王菲为三个实体，每个实体与其他实体形成关系，每个实体自身也有一些属性。实体与实体、实体与属性之间关系，共同构成知识图谱。
从这个角度来讲，知识是认知和需要存储的内容，图谱则是如何存储知识的载体，数据库则是具体存储的实现。也即知识图谱是在数据库系统上，利用图谱这种抽象载体，表示知识这种认知内容。
知识图谱的构建
以上对知识图谱解决问题、定义及表示做了描述，在实际落地知识图谱中，则需要考虑知识图谱如何构建的问题。通常知识图谱的构建分为：知识图谱体系的构建、知识获取、知识融合、知识存储、知识推理。
知识图谱体系的构建也叫知识建模，顾名思义就是就是搭建一个抽象的框架，用于后续数据实例的填充。具体来讲，就是要定义清楚有哪些类别知识图谱，每个类别下有哪些实体、属性，并且定义清楚实体与实体，实体与属性之间的相互关系。这个阶段是需要业务人员和产品经理核心做的工作，也即通过定义需求明确所需的知识模型。
知识获取则是在知识建模的基础上，根据业务需要和知识模型框架，在结构化、半结构化、非结构化数据中，获取实体与实体、实体与属性的具体数据。在非结构化数据处理中，需要用到实体识别、实体消歧、关系提取等步骤。此阶段也需要产品经理深度参与，获得知识图谱可用的数据。
知识融合则是对不同来源、不同语言、不同结构的知识图谱做融合，从而对已有知识图谱做能力增强。
经过以上步骤，知识图谱初步构建完成，接下来则是对知识图谱做存储，通常有两种存储方式：按三元组方式一条条存储在数据库、采用图数据库做存储。
知识推理则是要解决已有知识图谱实体或属性缺失的问题，通过推理手段补齐缺失。当然在实际的上层应用中，也可以直接应用推理能力获取结果。
知识图谱的应用
经过上面知识图谱构建和存储完成后，就可以将知识图谱应用在具体业务上了。常见的应用有搜索、问答机器人（本质也是搜索）、推荐、推理等，其本质都是利用已经构建好的知识库，快速查询生成精准的结果，从而带给终端用户更为高效便捷的体验。
通过以上内容，产品经理可以对知识图谱有个大致入门了解，如需进一步学习和深入，可入手《知识图谱》（赵军版）更为成体系的详细学习知识图谱各个知识点，加速知识图谱落地应用进程。
以上就是“产品经理入门知识图谱指南”的内容了，如果你还想了解其他相关内容，可以来 产品壹佰 官方网站。
