📚 知识工程与知识获取：从零到进阶的实用指南！📚

💡 什么是知识工程？
知识工程是通过计算机技术对人类知识进行建模、管理和应用的一门交叉学科。
它不仅仅是编写代码，更是通过构建知识库、实现智能问答、推荐系统等应用，让技术真正服务于人类！💡

🔥 什么是知识获取？
知识获取是从现有数据、文本、图像等多种来源中提取有价值的知识，构建知识表示的过程。
它包括自然语言处理、数据挖掘、机器学习等多种技术！🔥

🔧 知识工程与知识获取的关系
知识工程依赖知识获取，而知识获取又是知识工程的基础。两者相辅相成，共同推动人工智能技术的发展！🔧

💡 知识工程的构建步骤
1️⃣ 需求分析：明确应用场景，确定知识库的范围和目标。
2️⃣ 数据收集：从文本、图像、音频等多种来源获取数据。
3️⃣ 知识表示：选择合适的表示方式，构建知识图谱或实体关系图。
4️⃣ 知识推理：通过逻辑推理或机器学习，扩展知识库。
5️⃣ 知识应用：将知识用于智能问答、推荐系统、决策支持等场景。💡

🔥 知识获取的挑战
1️⃣ 数据质量：如何处理噪声数据和不完整数据？
2️⃣ 语义理解：如何让计算机真正理解人类语言？
3️⃣ 效率问题：如何在大规模数据中高效提取知识？
4️⃣ 模型泛化：如何让模型在不同场景下表现良好？🔥

快来加入我们，一起探索知识工程与知识获取的奥秘！📚
#知识工程 #知识获取 #自然语言处理 #机器学习 #深度学习

---

最简单的知识图谱实战教程，浙大教授带你快速入门（附课件）学习视频

知识工程

发展阶段

知识工程的发展历史可以追溯到20世纪60年代，随着人工智能和计算机技术的快速发展，逐渐成为一门独立的学科。

以下是知识工程发展历史的几个关键阶段和重要发展：

1. 早期阶段：专家系统

• 时间范围：20世纪60年代
• 特点：
  • 早期知识工程主要集中在专家系统领域。
  • 通过模拟人类专家的决策过程，解决复杂问题。
  • 依赖于预定义的规则和知识库，利用逻辑推理进行决策。
• 代表技术：
  • MYCIN（医疗诊断）
  • DENDREX（化学反应分析）
  • 智能Shell（如NARS）

---

2. 符号主义方法

• 时间范围：20世纪70年代到80年代
• 特点：
  • 强调符号表示和逻辑推理。
  • 将知识表示为符号形式（如逻辑命题、规则、框架等），并通过形式逻辑进行推理。
• 代表理论：
  • 框架理论（Frames）：由John McCarthy提出，用于表示事物的状态和行为。
  • 语义网络（Semantic Networks）：一种基于图的表示方法，用于表示概念之间的关系。
• 工具与系统：
  • NOLOGIC
  • Production Systems（如MYCIN）
  • KL-ONE

---

3. 知识工程循环

• 时间范围：20世纪90年代**
• 特点：
  • 强调知识工程的完整过程，从需求分析到知识实现和应用。
  • 强调与业务流程的结合，注重知识系统的实用性和可扩展性。
• 核心步骤：
  • 需求分析：明确知识需求。
  • 知识获取：从文档、数据中提取知识。
  • 知识表示：将知识符号化。
  • 知识建模：构建知识模型。
  • 知识实现：将知识转化为系统或工具。
  • 知识应用：在实际场景中应用知识系统。
• 代表工具与方法：
  • Kee
  • DAME
  • KRB方法论

---

4. 现代阶段：数据驱动与智能化

• 时间范围：20世纪90年代到21世纪**
• 特点：
  • 随着人工智能（AI）和大数据技术的发展，知识工程更加注重数据驱动的知识获取和知识表示。
  • 强调智能化，结合机器学习和深度学习技术，提升知识系统的自动构建和优化能力。
• 代表技术：
  • 知识图谱（Knowledge Graphs）：通过图数据库和知识抽取技术，构建大规模的知识库。
  • 自然语言处理（NLP）：通过NLP技术提取知识。
  • 深度学习：用于知识表示和推理优化。
• 应用领域：
  • 电商（推荐系统）
  • 教育（智能学习系统）
  • 医疗（知识辅助诊断）
  • 金融（风险评估）

---

知识汤

** 知识汤”（Knowledge Soup）** 是一种比喻性的概念，用来描述一种通过整合和组织大量知识，形成一个统一、易于使用的知识平台或系统。
它类似于将分散的知识“煮”成一个统一的知识“汤”，方便人们理解和利用这些知识。

在知识工程中，“知识汤” 可以理解为一种整合、管理和应用知识的方法。

它强调将零散的知识点、规则、数据等通过某种方式组织起来，形成一个易于访问和应用的知识体系。这种知识体系可以是基于数据库、语义网络、图数据库或其他技术实现的。

关键点：

1. 整合性：将分散的知识点整合到一个统一的系统中。
2. 易用性：提供一个方便的知识获取和应用方式。
3. 统一性：通过某种结构化的方式，使知识易于管理和扩展。

需要人工整理知识，到知识系统中‘知识汤’

存在如下问题

人类获取知识的瓶颈

挑战机器自主获取知识的极限

实现机器的感知层面，进而是认知层面

让机器更能深层次理解世界深层次的知识。
机器自动化获取知识，还是任重道远。

现在机器还远远无法达到人类预期的效果。自动化理解，认知并获取全世界的所有知识。
进而：简化的知识工程来进行知识获取

知识图谱工程：简化的知识工程

知识图谱 是 简化了的知识工程。

知识图谱工程 是一种利用 知识图谱 技术进行大规模知识抽取、存储和管理的系统工程。知识图谱是一种基于 图结构 的知识表示方法，能够有效整合和表达各种类型的知识。知识图谱工程的核心目标是通过系统化的知识抽取、存储和优化，构建一个高效的知识管理系统，支持知识管理和知识应用。

更加注重依靠大数据自动化的提取知识。
更加注重知识的规模

知识抽取技术

• 概念抽取
• 实体抽取
• 关系抽取
• 事件抽取
• 规则抽取

知识的来源

1. 结构化数据
2. 半结构化数据
3. 非结构化数据

.

主要：从文本中获取知识

一个事件抽取的过程，可以看成是一组三元组提取的过程

总结

知识图谱 ≠ 专家系统