北京中医治疗白癜风 http://m.39.net/pf/a_4782760.html 作者
国双数据科学团队 策划
刘燕 本文将从知识抽取、知识融合、知识推理的角度探索过去一年知识图谱在自动构建领域的技术突破，并结合图机器学习、图数据库探讨相关领域的技术发展。在应用方面，知识图谱在年与产业互联的结合更加紧密
本文是InfoQ“解读”年终技术盘点系列文章之一。
对比和年Gartner发布的人工智能领域的技术“成熟度曲线”(HypeCycle)，在短短1年时间，知识图谱的成熟度由创新触发阶段一跃达到预期膨胀高峰阶段且非常接近最高点。
知识图谱逐渐成为人工智能应用的强大助力。
曲线表示，知识图谱的发展还需要5-10年时间才能到达成熟的阶段，知识图谱依然有很大的发展空间。
本文将从知识抽取、知识融合、知识推理的角度探索过去一年知识图谱在自动构建领域的技术突破，并结合图机器学习、图数据库探讨相关领域的技术发展。
而在应用上，知识图谱在年与产业互联的结合更加紧密，除了在数据治理、搜索与推荐、问答等通用领域有所突破之外，在智能生产、智慧城市、智能管理、智能运维等众多领域，以及工业、金融、司法、公安、医疗、教育等众多行业也都有进一步的场景化落地的突破。
一、重要的技术发展 知识图谱构建
年，利用自然语言处理、机器学习等技术从多源异构的数据资源中自动构建知识图谱的技术取得长足进展。
主要涉及到两种方法：一种是基于语言规则的方法，另一种是基于统计分析的机器学习方法。自动构建的过程中，如果数据是结构化的(例如图表数据)，已知属性名称、属性间的层次结构等，构建知识图谱相对较为容易。
如果缺乏以上信息，则只能通过文本信息等非结构化数据中提炼知识构建知识图谱，技术上将面临很多挑战。
下面，我们从知识抽取、知识融合、知识推理这三方面来说明。
1.知识抽取
年以来，更多知识抽取的研究工作被用来支撑更加复杂的应用场景。多学科多领域交叉研究成为一个新的特点。小样本学习在业界逐渐为人所
