知識圖：從圖和資料庫中獲取知識
知識圖：從圖和資料庫中獲取知識
知識圖到底是什麼，以及關於它們的所有炒作是什麼？如果想成為世界各地的Airbnbs，Amazon，Google和LinkedIn，那麼學會區分真實的炒作，定義不同型別的圖以及為用例選擇合適的工具和資料庫至關重要。
知識圖被炒作。現在可以正式地說這句話，因為。儘管不必等待Gartner-將其。像在該領域活躍的任何人一樣，看到了機遇和威脅：伴隨著炒作而來的是混亂。
知識圖是真實的。至少已經過去了20年。知識圖在其原始定義和化身中一直與知識表示和推理有關。諸如受控詞彙表，分類法，模式和本體之類的東西都是基於標準和實踐的語義Web基礎構建的。
為什麼這樣的人，，，，和在其核心業務的運動知識圖？和如何通過最新產品加入圖資料庫供應商的組織？以及如何運營這項工作？
知識圖很酷之前
知識圖聽起來很酷。但是到底是什麼呢？這聽起來像是一個幼稚的問題，但實際上正確定義定義是如何構建知識圖。從分類法到本體-本質上是複雜性各異的方案和規則-多年來人們一直在這樣做。
RDF是用於編碼這些模式的標準，具有圖結構。因此，將編碼在圖結構頂部的知識稱為“知識圖”聽起來很自然。從事這種工作的人，即資料建模人員，被稱為知識工程師或本體專家。
此外：。
那麼，有什麼變化？為什麼這樣的人，，，，和在其核心業務的運動知識圖？和如何通過最新產品加入圖資料庫供應商的人群？以及如何使這項工作？
通過基礎架構規劃避免5G部署陷阱
5G將對的資料基礎架構產生越來越多的新需求，因此現在是規劃部署的時候了。
由Vertiv贊助
這些知識圖可能有許多應用程式-從分類專案到資料整合和在Web上釋出，再到複雜的推理。對於一些最著名的網站，可以檢視schema.org，Airbnb，Amazon，Diffbot，Google，LinkedIn，Uber和Zalando。
因此，知識圖現在處於新興技術的炒作週期中。對於擁有20多年曆史的技術來說還不錯。
圖片：Gartner）
像任何資料建模一樣，這是艱鉅而複雜的工作。它必須考慮到許多利益相關者和世界觀，管理出處和架構漂移等。加上混合推理和Web擴充套件，事情很容易失控，這也許可以解釋為什麼直到最近，這種方法在現實世界中還不是最流行。
另一方面，無模式已經很流行了。無需模式即可快速入門。它至少在一定程度上更簡單，更靈活。不過，不使用模式的簡單性可能會讓人感到欺騙。因為最後，無論使用哪個域，都將存在一個架構。閱讀模式？精細。但是根本沒有架構嗎？
可能對先驗知識不夠了解。它可能很複雜，並且可能會演變。但是它將存在。因此，忽略或淡化架構並不能解決任何問題，只會使情況變得更糟。問題將潛伏，並浪費時間和金錢，因為它們將。
那時的重點不是拋棄模式，而是使其具有功能性，靈活性和可互換性。RDF非常擅長此操作，因為它也是資料交換的標準化格式（例如JSON-LD）的基礎。順便說一句，以及。
將知識納入圖表
那麼，炒作是什麼？已有20年曆史的技術如何在臭名昭著的炒作週期中嶄露頭角？炒作也是真實的，這就是原因。這與AI宣傳的飛速發展是同一回事：方法的變化並沒有太大變化，更多的是資料和計算能力可以使之大規模執行。
另外，AI本身也有幫助。或者，更確切地說，是這種自下而上的基於機器學習的AI，如今已經大肆宣傳。知識圖本質上也是AI。只是另一種。不是一些現在大肆宣傳的AI，而是象徵性，自上而下，基於規則的AI。迄今為止不受歡迎的那種。
並不是說這種方法沒有侷限性。很難以一種功能性的方式來編碼有關複雜域的知識，並很難對其進行大規模推理。因此，機器學習的工作方式就像無模式的方式一樣流行。而且也有很好的理由。
知識圖起初可能很難，但不要放棄。實踐使之完美。
隨著，其他事情也開始發生。非RDF圖的工具和資料庫出現在市場上，並開始獲得成功。這些具有標記屬性型別（LPG）的圖更簡單，更省力。與RDF相比，它們要麼缺少架構，要麼具有基本的架構功能。
而且它們通常在表現更好。最近，。這些都是非常有用的東西。
演算法，分析和機器學習可以提供有關圖的見解，其中一些常見用例是欺詐檢測或建議。因此，可以說，這種技術和應用程式是自底向上地從圖形中獲取知識的。另一方面，RDF圖可以自上而下地將知識帶到圖中。
那麼，自下而上的圖也是知識圖嗎？
此外：
正如知識工程師會說的那樣，這是語義問題。進行知識圖炒作很誘人。但最後，缺乏明確性證明服務很少。圖形演算法，圖形分析以及基於圖形的機器學習和見解都是很好的，準確的術語。而且它們也不與“傳統”知識圖互斥。
前面提到的所有突出的用例都是基於多種方法的。例如，擁有知識圖並使用填充知識圖-至少在例項方面（如果不是實體的話）。這也是。
一些舊的東西，一些新的東西，還有一些用於圖資料庫的東西
像往常一樣，用於圖形的方法和工具的選擇取決於用例。這也適用於圖資料庫，隨著它們的發展，一直對其進行密切監控，並迅速增加了新的供應商和功能。
在都是圖形資料庫：TigerGraph和Memgraph。如果需要更多證明該領域進展迅速的證據，則可以使用。順便說一下，兩家創業公司都只有不到兩年的歷史。
對於T非常活躍的一年。今天，TigerGraph宣佈了一個新版本。它有一些舊的東西，一些新的東西以及一些借來的東西-儘管無法真正發現任何藍色。
自上而下，還自下而上？掌握圖表知識？圖片：組織物理
淹沒資料與大資料不同。這是大資料的真實定義，以及如何將其用於數字化轉型的有力例證。
新事物很少。都在解決TigerGraph的現有痛點。TigerGraph增加了與流行的資料庫和資料儲存系統的整合，這些資料庫和資料儲存系統包括：RDBMS，Kafka，Amazon S3，HDFS和Spark（即將推出）。TigerGraph說，將在TigerGraph推出時託管開源聯結器。
當然，如果沒有社群，github儲存庫就不值錢了。TigerGraph正在為此進行努力，並宣佈了新的開發人員門戶和電子書。該版本還帶來了更多的部署選項，為現有的Amazon AWS添加了對Microsoft Azure的支援。跟上容器化趨勢，還添加了對Docker和Kubernetes的支援。
之前提到了圖演算法，這可能是該版本中最有趣的方面，它與查詢語言結合在一起。TigerGraph增加了對圖形演算法的支援，例如PageRank，最短路徑，連線的元件和社群檢測。有趣的是，這些都是通過TigerGraph自己的查詢語言GSQL支援的。
已經提到。最近，，在思維共享方面領先的圖形資料庫供應商Neo4j提出。與SPARQL的RDF相比，LPG領域中不存在此功能。
TigerGraph最初響應Neo4j。但是現在，情況正在發生變化。TigerGraph剛剛釋出了Neo4j遷移工具包，該工具包主要基於將Neo4j的查詢語言Cypher轉換為GSQL。這是與TigerGraph討論的重點。
TigerGraph這樣做很有意義，因為必須遷移Neo4j的查詢語言Cypher中的現有查詢主體，這將是一個障礙。有趣的部分是TigerGraph如何選擇實現此目標：作為一次性的，成批的翻譯過程，而不是以互動方式進行。
這是一個戰略選擇。TigerGraph希望人們改用GSQL，而不是在TigerGraph之上使用Cypher。。TigerGraph上有一些故事可以分享，這對於有多大的作用，但是如何發揮作用是任何人的要求。
TigerGraph公告中的早期部分是。這些基準實際上是新基準，但是TigerGraph自隱身以來便已成為基準。對於聲稱因其MPP架構而比其他任何方法都快的解決方案，這也很有意義。該基準測試將TigerGraph與Neo4j，Amazon Neptune，JanusGraph和ArangoDB進行了比較，毫不奇怪地發現它比所有這些都更快。
借來的部分？為什麼，當然是知識圖。TigerGraph的員工還證實了客戶對此表現出的極大興趣，例如，中國的知識圖譜事件吸引了1000多人。什麼知識圖？好吧，現在你知道了。