知識(shí)圖譜ppt(知識(shí)圖譜怎樣入門(mén))
1.知識(shí)圖譜怎樣入門(mén)
知識(shí)圖譜作為一門(mén)學(xué)問(wèn)，絕不是用個(gè)圖數(shù)據(jù)庫(kù)寫(xiě)幾條查詢(xún)，或者用規(guī)則寫(xiě)一個(gè)表格的提取，就可以稱(chēng)為成功的運(yùn)用的。和所有的學(xué)科一樣，都需要長(zhǎng)期的艱苦的努力，在充分了解前人成果的基礎(chǔ)上，才有可能做出一點(diǎn)點(diǎn)成績(jī)。
知識(shí)圖譜作為人工智能（AI）的一個(gè)分支，和AI的其他分支一樣，它的成功運(yùn)用，都是需要知道它的所長(zhǎng)，更需要知道它的所短的。特別是AI各個(gè)學(xué)派林立，經(jīng)驗(yàn)主義（機(jī)器學(xué)習(xí)）、連接主義（神經(jīng)網(wǎng)絡(luò)）、理性主義（知識(shí)工程）、行為主義（機(jī)器人）各個(gè)方法的優(yōu)劣，倘若不能有縱覽的理解，也難以做正確的技術(shù)選型，往往盲目相信或者排斥一種技術(shù)。AI是一個(gè)極端需要廣闊視野的學(xué)科。
知識(shí)圖譜涉及知識(shí)提取、表達(dá)、存儲(chǔ)、檢索一系列技術(shù)，即使想有小成，也需要幾年的功夫探索。如下所列，應(yīng)該是每個(gè)知識(shí)圖譜從業(yè)者都應(yīng)該了解的一些基本功：
知道Web的發(fā)展史，了解為什么互聯(lián)和開(kāi)放是知識(shí)結(jié)構(gòu)形成最關(guān)鍵的一件事。（我把這個(gè)列第一條，是我的偏見(jiàn)——但我認(rèn)為這是最重要的一個(gè)insights）
知道RDF,OWL,SPARQL這些W3C技術(shù)堆棧，知道它們的長(zhǎng)處和局限。會(huì)使用RDF數(shù)據(jù)庫(kù)和推理機(jī)。
了解一點(diǎn)描述邏輯基礎(chǔ)，知道描述邏輯和一階邏輯的關(guān)系。知道模型論，不然完全沒(méi)法理解RDF和OWL。
了解圖靈機(jī)和基本的算法復(fù)雜性。知道什么是決策問(wèn)題、可判定性、完備性和一致性、P、NP、NExpTime。
最好再知道一點(diǎn)邏輯程序（Logic Programming），涉獵一點(diǎn)答集程序（Answer Set Programming），知道LP和ASP的一些小工具。這些東西是規(guī)則引擎的核心。如果不滿(mǎn)足于正則表達(dá)式和if-then-else，最好學(xué)一點(diǎn)這些。
2.知識(shí)圖譜怎樣入門(mén)
知識(shí)圖譜作為一門(mén)學(xué)問(wèn)，絕不是用個(gè)圖數(shù)據(jù)庫(kù)寫(xiě)幾條查詢(xún)，或者用規(guī)則寫(xiě)一個(gè)表格的提取，就可以稱(chēng)為成功的運(yùn)用的。
和所有的學(xué)科一樣，都需要長(zhǎng)期的艱苦的努力，在充分了解前人成果的基礎(chǔ)上，才有可能做出一點(diǎn)點(diǎn)成績(jī)。知識(shí)圖譜作為人工智能（AI）的一個(gè)分支，和AI的其他分支一樣，它的成功運(yùn)用，都是需要知道它的所長(zhǎng)，更需要知道它的所短的。
特別是AI各個(gè)學(xué)派林立，經(jīng)驗(yàn)主義（機(jī)器學(xué)習(xí)）、連接主義（神經(jīng)網(wǎng)絡(luò)）、理性主義（知識(shí)工程）、行為主義（機(jī)器人）各個(gè)方法的優(yōu)劣，倘若不能有縱覽的理解，也難以做正確的技術(shù)選型，往往盲目相信或者排斥一種技術(shù)。AI是一個(gè)極端需要廣闊視野的學(xué)科。
知識(shí)圖譜涉及知識(shí)提取、表達(dá)、存儲(chǔ)、檢索一系列技術(shù)，即使想有小成，也需要幾年的功夫探索。如下所列，應(yīng)該是每個(gè)知識(shí)圖譜從業(yè)者都應(yīng)該了解的一些基本功：知道Web的發(fā)展史，了解為什么互聯(lián)和開(kāi)放是知識(shí)結(jié)構(gòu)形成最關(guān)鍵的一件事。
（我把這個(gè)列第一條，是我的偏見(jiàn)——但我認(rèn)為這是最重要的一個(gè)insights）知道RDF,OWL,SPARQL這些W3C技術(shù)堆棧，知道它們的長(zhǎng)處和局限。會(huì)使用RDF數(shù)據(jù)庫(kù)和推理機(jī)。
了解一點(diǎn)描述邏輯基礎(chǔ)，知道描述邏輯和一階邏輯的關(guān)系。知道模型論，不然完全沒(méi)法理解RDF和OWL。
了解圖靈機(jī)和基本的算法復(fù)雜性。知道什么是決策問(wèn)題、可判定性、完備性和一致性、P、NP、NExpTime。
最好再知道一點(diǎn)邏輯程序（Logic Programming），涉獵一點(diǎn)答集程序（Answer Set Programming），知道LP和ASP的一些小工具。這些東西是規(guī)則引擎的核心。
如果不滿(mǎn)足于正則表達(dá)式和if-then-else，最好學(xué)一點(diǎn)這些。
3.知識(shí)圖譜的簡(jiǎn)介
知識(shí)圖譜（Mapping Knowledge Domain）也被稱(chēng)為科學(xué)知識(shí)圖譜，在圖書(shū)情報(bào)界稱(chēng)為知識(shí)域可視化或知識(shí)領(lǐng)域映射地圖，是顯示知識(shí)發(fā)展進(jìn)程與結(jié)構(gòu)關(guān)系的一系列各種不同的圖形，用可視化技術(shù)描述知識(shí)資源及其載體，挖掘、分析、構(gòu)建、繪制和顯示知識(shí)及它們之間的相互聯(lián)系。
具體來(lái)說(shuō)，知識(shí)圖譜是通過(guò)將應(yīng)用數(shù)學(xué)、圖形學(xué)、信息可視化技術(shù)、信息科學(xué)等學(xué)科的理論與方法與計(jì)量學(xué)引文分析、共現(xiàn)分析等方法結(jié)合，并利用可視化的圖譜形象地展示學(xué)科的核心結(jié)構(gòu)、發(fā)展歷史、前沿領(lǐng)域以及整體知識(shí)架構(gòu)達(dá)到多學(xué)科融合目的的現(xiàn)代理論。它把復(fù)雜的知識(shí)領(lǐng)域通過(guò)數(shù)據(jù)挖掘、信息處理、知識(shí)計(jì)量和圖形繪制而顯示出來(lái)，揭示知識(shí)領(lǐng)域的動(dòng)態(tài)發(fā)展規(guī)律，為學(xué)科研究提供切實(shí)的、有價(jià)值的參考。迄今為止，其實(shí)際應(yīng)用在發(fā)達(dá)國(guó)家已經(jīng)逐步拓展并取得了較好的效果，但它在我國(guó)仍屬研究的起步階段。
4.知識(shí)圖譜的簡(jiǎn)介
知識(shí)圖譜（Mapping Knowledge Domain）也被稱(chēng)為科學(xué)知識(shí)圖譜，在圖書(shū)情報(bào)界稱(chēng)為知識(shí)域可視化或知識(shí)領(lǐng)域映射地圖，是顯示知識(shí)發(fā)展進(jìn)程與結(jié)構(gòu)關(guān)系的一系列各種不同的圖形，用可視化技術(shù)描述知識(shí)資源及其載體，挖掘、分析、構(gòu)建、繪制和顯示知識(shí)及它們之間的相互聯(lián)系。
具體來(lái)說(shuō)，知識(shí)圖譜是通過(guò)將應(yīng)用數(shù)學(xué)、圖形學(xué)、信息可視化技術(shù)、信息科學(xué)等學(xué)科的理論與方法與計(jì)量學(xué)引文分析、共現(xiàn)分析等方法結(jié)合，并利用可視化的圖譜形象地展示學(xué)科的核心結(jié)構(gòu)、發(fā)展歷史、前沿領(lǐng)域以及整體知識(shí)架構(gòu)達(dá)到多學(xué)科融合目的的現(xiàn)代理論。它把復(fù)雜的知識(shí)領(lǐng)域通過(guò)數(shù)據(jù)挖掘、信息處理、知識(shí)計(jì)量和圖形繪制而顯示出來(lái)，揭示知識(shí)領(lǐng)域的動(dòng)態(tài)發(fā)展規(guī)律，為學(xué)科研究提供切實(shí)的、有價(jià)值的參考。迄今為止，其實(shí)際應(yīng)用在發(fā)達(dá)國(guó)家已經(jīng)逐步拓展并取得了較好的效果，但它在我國(guó)仍屬研究的起步階段。
5.如何構(gòu)建知識(shí)圖譜
自己建嗎可以下載圖譜軟件構(gòu)建可以參考一下這個(gè)SPSS： 大型統(tǒng)計(jì)分析軟件，商用軟件。
具有完整的數(shù)據(jù)輸入、編輯、統(tǒng)計(jì)分析、報(bào)表、圖形繪制等功能。常用于多元統(tǒng)計(jì)分析、數(shù)據(jù)挖掘和數(shù)據(jù)可視化。
Bibexcel： 瑞典科學(xué)計(jì)量學(xué)家Persoon開(kāi)發(fā)的科學(xué)計(jì)量學(xué)軟件，用于科學(xué)研究免費(fèi)軟件。具有文獻(xiàn)計(jì)量分析、引文分析、共引分析、耦合分析、聚類(lèi)分析和數(shù)據(jù)可視化等功能。
可用于分析ISI的SCI、SSCI和A&HCI文獻(xiàn)數(shù)據(jù)庫(kù)。HistCite: Eugene Garfield等人于2001年開(kāi)發(fā)的科學(xué)文獻(xiàn)引文鏈接分析和可視化系統(tǒng)，免費(fèi)軟件。
可對(duì)ISI的SCI、SSCI和SA&HCI等文獻(xiàn)數(shù)據(jù)庫(kù)的引文數(shù)據(jù)進(jìn)行計(jì)量分析，生成文獻(xiàn)、作者和期刊的引文矩陣和實(shí)時(shí)動(dòng)態(tài)引文編年圖。直觀的反映文獻(xiàn)之間的引用關(guān)系、主題的宗譜關(guān)系、作者歷史傳承關(guān)系、科學(xué)知識(shí)發(fā)展演進(jìn)等。
CiteSpace： 陳超美博士開(kāi)發(fā)的專(zhuān)門(mén)用于科學(xué)知識(shí)圖譜繪制的免費(fèi)軟件。國(guó)內(nèi)使用最多知識(shí)圖譜繪制軟件。
可用于追蹤研究領(lǐng)域熱點(diǎn)和發(fā)展趨勢(shì)，了解研究領(lǐng)域的研究前沿及演進(jìn)關(guān)鍵路徑，重要的文獻(xiàn)、作者及機(jī)構(gòu)。可用于對(duì)ISI、CSSCI和CNKI等多種文獻(xiàn)數(shù)據(jù)庫(kù)進(jìn)行分析。
TDA: Thomson Data Analyzer(TDA)是Thomson集團(tuán)基于VantagePoint開(kāi)發(fā)文獻(xiàn)分析工具。商用軟件。
具有去重、分段等數(shù)據(jù)預(yù)處理功能；可形成共現(xiàn)矩陣、因子矩陣等多種分析矩陣；可使用Pearson、Cosine等多種算法進(jìn)行數(shù)據(jù)標(biāo)準(zhǔn)化；可進(jìn)行知識(shí)圖譜可視化展示。Sci2 Tools： 印第安納大學(xué)開(kāi)發(fā)的用于研究科學(xué)結(jié)構(gòu)的模塊化工具可從時(shí)間、空間、主題、網(wǎng)絡(luò)分析和可視化等多角度，分析個(gè)體、局部和整體水平的知識(shí)單元。
ColPalRed: Gradnada大學(xué)開(kāi)發(fā)的共詞單元文獻(xiàn)分析軟件。商用軟件。
結(jié)構(gòu)分析，在主題網(wǎng)絡(luò)中展現(xiàn)知識(shí)（詞語(yǔ)及其關(guān)系）；戰(zhàn)略分析，通過(guò)中心度和密度，在主題網(wǎng)絡(luò)中為主題定位；動(dòng)態(tài)分析，分析主題網(wǎng)絡(luò)演變，鑒定主題路徑和分支。Leydesdorff： 系類(lèi)軟件。
阿姆斯特丹大學(xué)Leydesdorff開(kāi)發(fā)的這對(duì)文獻(xiàn)計(jì)量的小程序集合。處理共詞分析、耦合分析、共引分析等知識(shí)單元體系。
使用“層疊圖”實(shí)現(xiàn)可視化知識(shí)的靜態(tài)布局和動(dòng)態(tài)變化。Word Smith： 詞頻分析軟件。
可將文本中單詞出現(xiàn)頻率排序和找出單詞的搭配詞組。NWB Tools： 印第安納大學(xué)開(kāi)發(fā)的對(duì)大規(guī)模知識(shí)網(wǎng)絡(luò)進(jìn)行建模、分析和可視化工具. 數(shù)據(jù)預(yù)處理；構(gòu)建共引、共詞、耦合等多種網(wǎng)絡(luò)；可用多種方法進(jìn)行網(wǎng)絡(luò)分析；可進(jìn)行可視化展示.Ucinet NetDraw: Ucinet是社會(huì)網(wǎng)絡(luò)分析工具。
包括網(wǎng)絡(luò)可視化工具Net Draw。用于處理多種關(guān)系數(shù)據(jù)，可通過(guò)節(jié)點(diǎn)屬性對(duì)節(jié)點(diǎn)的顏色、形狀和大小等進(jìn)行設(shè)置。
用于社交網(wǎng)絡(luò)分析和網(wǎng)絡(luò)可視化。Pajek： 來(lái)自斯洛文尼亞的分析大型網(wǎng)絡(luò)的社會(huì)網(wǎng)絡(luò)分析免費(fèi)軟件。
Pajek基于圖論、網(wǎng)絡(luò)分析和可視化技術(shù)，主要用于大型網(wǎng)絡(luò)分解，網(wǎng)絡(luò)關(guān)系展示，科研作者合作網(wǎng)絡(luò)圖譜的繪制。VOSviewer： 荷蘭萊頓大學(xué)開(kāi)發(fā)的文獻(xiàn)可視化分析工具。
使用基于VOS聚類(lèi)技術(shù)技術(shù)實(shí)現(xiàn)知識(shí)單元可視化工具。突出特點(diǎn)可視化能力強(qiáng)，適合于大規(guī)模樣本數(shù)據(jù)。
四種視圖瀏覽：標(biāo)簽視圖、密度視圖、聚類(lèi)視圖和分散視圖。[4]陳悅， 劉則淵， 陳勁等. 科學(xué)知識(shí)圖譜的發(fā)展歷程[J]. 科學(xué)學(xué)研究， 2008, (03): 449-460.[5]Shiffrin, R.M., and Katy B?rner. Mapping Knowledge Domains[C]. Proc. Proceedings of the National Academy of Sciences of the United States of America pp. 5183-5185.[6]B?rner, K., Chen, C.和Boyack, K.W. Visualizing knowledge domains[J]. Annual review of information science and technology, 2003, 37, (1): 179-255.[7]CM, C. CiteSpace II: Detecting and visualizing emerging trends and transient patterns in scientific literature[J]. Journal of the American Society for Information Science and Technology, 2006, 57, (3): 359-377.[8]陳悅和劉則淵. 悄然興起的科學(xué)知識(shí)圖譜[J]. 科學(xué)學(xué)研究， 2005, (02): 149-154.[9]邱均平. 信息計(jì)量學(xué)[M]. （武漢大學(xué)出版社， 2007. 2007）.[10]沙勇忠和牛春華. 信息分析[M]. （科學(xué)出版社， 2009. 2009）.[11]塞沃爾， 建軍和煦. 鏈接分析： 信息科學(xué)的研究方法[M]. （東南大學(xué)出版社， 2009. 2009）.[12]Egghe, L.和Rousseau, R. Introduction to informetrics: Quantitative methods in library, documentation and information science[J]. 1990[13]韓家煒， 坎伯， 裴健等. 數(shù)據(jù)挖掘： 概念與技術(shù)[M]. （機(jī)械工業(yè)出版社， 2007. 2007）.[14]Wasserman, S. Social network analysis: Methods and applications[M]. (Cambridge university press, 1994. 1994).[15]Persson, O., R. Danell, J. Wiborg Schneider. How to use Bibexcel for various types of bibliometric analysis[C]. Proc. International Society for Scientometrics and Informetrics., Leuven, Belgium2009 pp. 9–24.[16]Yang, Y., Akers, L., Klose, T.等. Text mining and visualization tools–impressions of emerging capabilities[J]. World Patent Information, 2008, 30, (4): 280-293.[17]B?rner, K., Huang, W., Linnemeier, M.等. Rete-netzwerk-red: analyzing and visualizing scholarly networks using the Netwo。
6.知識(shí)圖譜有什么用處
知識(shí)圖譜 （Knowledge Graph） 是當(dāng)前的研究熱點(diǎn)。
自從2012年Google推出自己第一版知識(shí)圖譜以來(lái)，它在學(xué)術(shù)界和工業(yè)界掀起了一股熱潮。各大互聯(lián)網(wǎng)企業(yè)在之后的短短一年內(nèi)紛紛推出了自己的知識(shí)圖譜產(chǎn)品以作為回應(yīng)。
比如在國(guó)內(nèi)，互聯(lián)網(wǎng)巨頭百度和搜狗分別推出”知心“和”知立方”來(lái)改進(jìn)其搜索質(zhì)量。那么與這些傳統(tǒng)的互聯(lián)網(wǎng)公司相比，對(duì)處于當(dāng)今風(fēng)口浪尖上的行業(yè) - 互聯(lián)網(wǎng)金融， 知識(shí)圖譜可以有哪方面的應(yīng)用呢？ 目錄1. 什么是知識(shí)圖譜？2. 知識(shí)圖譜的表示3. 知識(shí)圖譜的存儲(chǔ)4. 應(yīng)用5. 挑戰(zhàn)6. 結(jié)語(yǔ) 1. 什么是知識(shí)圖譜？ 知識(shí)圖譜本質(zhì)上是語(yǔ)義網(wǎng)絡(luò)，是一種基于圖的數(shù)據(jù)結(jié)構(gòu)，由節(jié)點(diǎn)（Point）和邊（Edge）組成。
在知識(shí)圖譜里，每個(gè)節(jié)點(diǎn)表示現(xiàn)實(shí)世界中存在的“實(shí)體”，每條邊為實(shí)體與實(shí)體之間的“關(guān)系”。知識(shí)圖譜是關(guān)系的最有效的表示方式。
通俗地講，知識(shí)圖譜就是把所有不同種類(lèi)的信息（Heterogeneous Information）連接在一起而得到的一個(gè)關(guān)系網(wǎng)絡(luò)。知識(shí)圖譜提供了從“關(guān)系”的角度去分析問(wèn)題的能力。
知識(shí)圖譜這個(gè)概念最早由Google提出，主要是用來(lái)優(yōu)化現(xiàn)有的搜索引擎。不同于基于關(guān)鍵詞搜索的傳統(tǒng)搜索引擎，知識(shí)圖譜可用來(lái)更好地查詢(xún)復(fù)雜的關(guān)聯(lián)信息，從語(yǔ)義層面理解用戶(hù)意圖，改進(jìn)搜索質(zhì)量。
比如在Google的搜索框里輸入Bill Gates的時(shí)候，搜索結(jié)果頁(yè)面的右側(cè)還會(huì)出現(xiàn)Bill Gates相關(guān)的信息比如出生年月，家庭情況等等。 另外，對(duì)于稍微復(fù)雜的搜索語(yǔ)句比如 ”Who is the wife of Bill Gates“,Google能準(zhǔn)確返回他的妻子Melinda Gates。
這就說(shuō)明搜索引擎通過(guò)知識(shí)圖譜真正理解了用戶(hù)的意圖。 上面提到的知識(shí)圖譜都是屬于比較寬泛的范疇，在通用領(lǐng)域里解決搜索引擎優(yōu)化和問(wèn)答系統(tǒng)（Question-Answering）等方面的問(wèn)題。
接下來(lái)我們看一下特定領(lǐng)域里的 （Domain-Specific） 知識(shí)圖譜表示方式和應(yīng)用，這也是工業(yè)界比較關(guān)心的話(huà)題。 2. 知識(shí)圖譜的表示 假設(shè)我們用知識(shí)圖譜來(lái)描述一個(gè)事實(shí)（Fact） - “張三是李四的父親”。
這里的實(shí)體是張三和李四，關(guān)系是“父親”（is_father_of）。當(dāng)然，張三和李四也可能會(huì)跟其他人存在著某種類(lèi)型的關(guān)系（暫時(shí)不考慮）。
當(dāng)我們把電話(huà)號(hào)碼也作為節(jié)點(diǎn)加入到知識(shí)圖譜以后（電話(huà)號(hào)碼也是實(shí)體），人和電話(huà)之間也可以定義一種關(guān)系叫 has_phone，就是說(shuō)某個(gè)電話(huà)號(hào)碼是屬于某個(gè)人。下面的圖就展示了這兩種不同的關(guān)系。
另外，我們可以把時(shí)間作為屬性（Property）添加到 has_phone 關(guān)系里來(lái)表示開(kāi)通電話(huà)號(hào)碼的時(shí)間。這種屬性不僅可以加到關(guān)系里，還可以加到實(shí)體當(dāng)中，當(dāng)我們把所有這些信息作為關(guān)系或者實(shí)體的屬性添加后，所得到的圖譜稱(chēng)之為屬性圖 （Property Graph）。
屬性圖和傳統(tǒng)的RDF格式都可以作為知識(shí)圖譜的表示和存儲(chǔ)方式，但二者還是有區(qū)別的，這將在后面章節(jié)做簡(jiǎn)單說(shuō)明。 3. 知識(shí)圖譜的存儲(chǔ) 知識(shí)圖譜是基于圖的數(shù)據(jù)結(jié)構(gòu)，它的存儲(chǔ)方式主要有兩種形式：RDF存儲(chǔ)格式和圖數(shù)據(jù)庫(kù)（Graph Database）。
至于它們有哪些區(qū)別，請(qǐng)參考【1】。下面的曲線表示各種數(shù)據(jù)存儲(chǔ)類(lèi)型在最近幾年的發(fā)展情況。
從這里我們可以明顯地看到基于圖的存儲(chǔ)方式在整個(gè)數(shù)據(jù)庫(kù)存儲(chǔ)領(lǐng)域的飛速發(fā)展。這幅曲線圖來(lái)源于 Graph DBMS increased their popularity by 500% within the last 2 years 下面的列表表示的是目前比較流行的基于圖存儲(chǔ)的數(shù)據(jù)庫(kù)排名。
從這個(gè)排名中可以看出neo4j在整個(gè)圖存儲(chǔ)領(lǐng)域里占據(jù)著NO.1的地位，而且在RDF領(lǐng)域里Jena還是目前為止最為流行的存儲(chǔ)框架。這部分?jǐn)?shù)據(jù)來(lái)源于 DB-Engines Ranking 當(dāng)然，如果需要設(shè)計(jì)的知識(shí)圖譜非常簡(jiǎn)單，而且查詢(xún)也不會(huì)涉及到1度以上的關(guān)聯(lián)查詢(xún)，我們也可以選擇用關(guān)系型數(shù)據(jù)存儲(chǔ)格式來(lái)保存知識(shí)圖譜。
但對(duì)那些稍微復(fù)雜的關(guān)系網(wǎng)絡(luò)（現(xiàn)實(shí)生活中的實(shí)體和關(guān)系普遍都比較復(fù)雜），知識(shí)圖譜的優(yōu)點(diǎn)還是非常明顯的。首先，在關(guān)聯(lián)查詢(xún)的效率上會(huì)比傳統(tǒng)的存儲(chǔ)方式有顯著的提高。
當(dāng)我們涉及到2,3度的關(guān)聯(lián)查詢(xún)，基于知識(shí)圖譜的查詢(xún)效率會(huì)高出幾千倍甚至幾百萬(wàn)倍。其次，基于圖的存儲(chǔ)在設(shè)計(jì)上會(huì)非常靈活，一般只需要局部的改動(dòng)即可。
比如我們有一個(gè)新的數(shù)據(jù)源，我們只需要在已有的圖譜上插入就可以。于此相反，關(guān)系型存儲(chǔ)方式靈活性方面比較差，它所有的Schema都是提前定義好的，如果后續(xù)要改變，它的代價(jià)是非常高的。
最后，把實(shí)體和關(guān)系存儲(chǔ)在圖數(shù)據(jù)結(jié)構(gòu)是一種符合整個(gè)故事邏輯的最好的方式。 4. 應(yīng)用 在本文中，我們主要討論知識(shí)圖譜在互聯(lián)網(wǎng)金融行業(yè)中的應(yīng)用。
當(dāng)然，很多應(yīng)用場(chǎng)景和想法都可以延伸到其他的各行各業(yè)。這里提到的應(yīng)用場(chǎng)景只是冰山一角， 在很多其他的應(yīng)用上，知識(shí)圖譜仍然可以發(fā)揮它潛在的價(jià)值， 我們?cè)诤罄m(xù)的文章中會(huì)繼續(xù)討論。
反欺詐 反欺詐是風(fēng)控中非常重要的一道環(huán)節(jié)?；诖髷?shù)據(jù)的反欺詐的難點(diǎn)在于如何把不同來(lái)源的數(shù)據(jù)（結(jié)構(gòu)化，非結(jié)構(gòu)）整合在一起，并構(gòu)建反欺詐引擎，從而有效地識(shí)別出欺詐案件（比如身份造假，團(tuán)體欺詐，代辦包裝等）。
而且不少欺詐案件會(huì)涉及到復(fù)雜的關(guān)系網(wǎng)絡(luò)，這也給欺詐審核帶來(lái)了新的挑戰(zhàn)。 知識(shí)圖譜，作為關(guān)系的直接表示方式，可以很好地解決這兩個(gè)問(wèn)題。
首。
