知识图谱

知识图谱（Knowledge Graph，KG）是一种揭示实体之间关系的语义网络，可以对现实世界的事物及其相互关系进行形式化地描述。知识图谱于2012年5月17日被Google正式提出，其初衷是为了提高搜索引擎的能力，增强用户的搜索质量以及搜索体验。知识图谱可以将Web从网页链接转向概念链接，支持用户按照主题来检索，实现语义检索。[heading2]关键技术[content]1.知识抽取：通过自动化的技术抽取出可用的知识单元实体抽取：命名实体识别（Named Entity Recognition，NER）从数据源中自动识别命名实体；关系抽取（Relation Extraction）：从数据源中提取实体之间的关联关系，形成网状的知识结构；属性抽取：从数据源中采集特定实体的属性信息。2.知识表示属性图三元组3.知识融合：在同一框架规范下进行异构数据整合、消歧、加工、推理验证、更新等，达到数据、信息、方法、经验等知识的融合，形成高质量知识库实体对齐（Entity Alignment）：消除异构数据中的实体冲突、指向不明等不一致性问题；知识加工：对知识统一管理，形成大规模的知识体系本体构建：以形式化方式明确定义概念之间的联系；质量评估：计算知识的置信度，提高知识的质量。知识更新：不断迭代更新，扩展现有知识，增加新的知识4.知识推理：在已有的知识库基础上挖掘隐含的知识

第二种知识类型是外置知识，它由外部数据库提供，与内置知识相比，其特点是能够进行动态更新和调整。当我们深入探讨外置知识时，通常会涉及到多种数据存储和组织方式，包括向量数据库、关系型数据库，以及知识图谱。这些数据库和图谱构成了智能体的知识库，它们可以是：向量数据库：优化了向量检索操作，常用于处理和索引非结构化数据，如图像和文本。关系型数据库：通过表格形式存储结构化数据，支持复杂的查询，适用于事务性数据存储。知识图谱：以图的形式组织数据，强调实体之间的关系，适合于复杂的语义分析和知识推理。在实际应用中，外置知识的集成和管理常常采用RAG（Retrieval-Augmented Generation）架构。RAG架构是一种结合了检索（Retrieval）和生成（Generation）的模型，它通过检索外部知识源来增强模型的生成能力。这种架构允许智能体在生成响应或执行任务时，不仅依赖于内置知识，还能够实时地检索和整合最新的外部信息。

符号人工智能的一个重要概念是知识（knowledge）。必须将知识与信息（information）或数据（data）区分开来。例如，我们可以说书籍包含了知识，因为我们可以通过阅读书籍成为专家。然而，书籍所包含的内容实际上被称为数据，通过阅读书籍将这些数据整合进我们的世界模型中，我们就将这些数据转换成了知识。✅知识是存在于我们脑海中的东西，代表着我们对世界的理解。知识是通过活跃的学习过程获得的，它将我们接收到的信息碎片整合到我们对世界的活跃模型中。在大多数情况下，我们并不严格定义知识，而是使用[DIKW金字塔](https://en.wikipedia.org/wiki/DIKW_pyramid)将知识与其他相关概念进行整合。该金字塔包含以下概念：数据（Data）是以书面文字或口头语言等物理介质表示的东西。数据独立于人类而存在，可以在人与人之间传递。信息（Information）我们在头脑中解释数据的方式。例如，当我们听到“计算机”这个词时，会对它有一定的了解。知识（Knowledge）融入我们世界模型的信息。例如，一旦我们知道了计算机是什么，我们就会开始对它的工作原理、价格以及用途有一些概念。这个相互关联的概念网络构成了我们的知识。智慧（Wisdom）是我们理解世界的更高一个层次，它象征着元知识（meta-knowledge），例如关于如何以及何时使用知识的一些概念。因此，知识表示的问题是找到某种有效的方法，以数据的形式在计算机中表示知识，使其能够自动化使用。这可以看作是一个连续谱：在左侧，有几种非常简单的知识表示可以被计算机有效利用。最简单的是算法，即用计算机程序来表示知识。然而，这并不是表示知识的最佳方式，因为它并不灵活。我们头脑中的知识往往是非算法性的。右边是自然语言等知识表示方式。它的功能最强大，但不能用于自动化推理。✅想一想，你是如何在头脑中呈现知识并将其转化为笔记的。是否有一种特定的格式对你来说非常有效，有助于记忆？