Ⅰ 知識圖譜概念是什麼
知識圖譜的概念是：知識圖譜是自頂向下(top-down)的構建方式。自頂向下指的是先為知識圖譜定義好本體與數據模式，再將實體加入到知識庫。
該構建方式需要利用一些現有的結構化知識庫作為其基礎知識庫，例如 Freebase 項目就是採用這種方式，它的絕大部分數據是從維基網路中得到的。
然而目前，大多數知識圖譜都採用自底向上(bottom-up)的構建方式。自底向上指的是從一些開放連接數據（也就是 「信息」）中提取出實體，選擇其中置信度較高的加入到知識庫，再構建實體與實體之間的聯系。
知識圖譜的體系架構是：
知識圖譜的架構主要包括自身的邏輯結構以及體系架構。
知識圖譜在邏輯結構上可分為模式層與數據層兩個層次，數據層主要是由一系列的事實組成，而知識將以事實為單位進行存儲。
如果用（實體1，關系，實體2）、（實體、屬性，屬性值）這樣的三元組來表達事實，可選擇圖資料庫作為存儲介質，例如開源的 Neo4j、Twitter 的 FlockDB、JanusGraph 等。
模式層構建在數據層之上，主要是通過本體庫來規范數據層的一系列事實表達。本體是結構化知識庫的概念模板，通過本體庫而形成的知識庫不僅層次結構較強，並且冗餘程度較小。
大規模知識庫的構建與應用需要多種智能信息處理技術的支持。通過知識抽取技術，可以從一些公開的半結構化、非結構化的數據中提取出實體、關系、屬性等知識要素。通過知識融合，可消除實體、關系、屬性等指稱項與事實對象之間的歧義，形成高質量的知識庫。
知識推理則是在已有的知識庫基礎上進一步挖掘隱含的知識，從而豐富、擴展知識庫。分布式的知識表示形成的綜合向量對知識庫的構建、推理、融合以及應用均具有重要的意義。
Ⅱ 知識圖譜的商業價值有哪些
知識圖譜是用節點和關系所組成的圖譜，為真實世界的各個場景直觀地建模，運用「圖」這種基礎性、通用性的「語言」，「高保真」地表達這個多姿多彩世界的各種關系，並且非常直觀、自然、直接和高效，不需要中間過程的轉換和處理。
目前知識圖譜產品的客戶行業，分類主要集中在：社交網路、人力資源與招聘、金融、保險、零售、廣告、物流、通信、IT、製造業、傳媒、醫療、電子商務和物流等領域。
相比傳統數據存儲和計算方式，知識圖譜的優勢顯現在以下幾個方面：
（1）關系的表達能力強
傳統資料庫通常通過表格、欄位等方式進行讀取，而關系的層級及表達方式多種多樣，且基於圖論和概率圖模型，可以處理復雜多樣的關聯分析，滿足企業各種角色關系的分析和管理需要。
（2）像人類思考一樣去做分析
基於知識圖譜的交互探索式分析，可以模擬人的思考過程去發現、求證、推理，業務人員自己就可以完成全部過程，不需要專業人員的協助。
（3）知識學習
利用互動式機器學習技術，支持根據推理、糾錯、標注等交互動作的學習功能，不斷沉澱知識邏輯和模型，提高系統智能性，將知識沉澱在企業內部，降低對經驗的依賴。
（4）高速反饋
圖式的數據存儲方式，相比傳統存儲方式，數據調取速度更快，圖庫可計算超過百萬潛在的實體的屬性分布，可實現秒級返回結果，真正實現人機互動的實時響應，讓用戶可以做到即時決策。
Ⅲ 知識圖譜有什麼用處
知識圖譜 (Knowledge Graph) 是當前的研究熱點。自從2012年Google推出自己第一版知識圖譜以來，它在學術界和工業界掀起了一股熱潮。各大互聯網企業在之後的短短一年內紛紛推出了自己的知識圖譜產品以作為回應。比如在國內，互聯網巨頭網路和搜狗分別推出」知心「和」知立方」來改進其搜索質量。那麼與這些傳統的互聯網公司相比，對處於當今風口浪尖上的行業 - 互聯網金融， 知識圖譜可以有哪方面的應用呢？
目錄
1. 什麼是知識圖譜？
2. 知識圖譜的表示
3. 知識圖譜的存儲
4. 應用
5. 挑戰
6. 結語
1. 什麼是知識圖譜？
知識圖譜本質上是語義網路，是一種基於圖的數據結構，由節點(Point)和邊(Edge)組成。在知識圖譜里，每個節點表示現實世界中存在的「實體」，每條邊為實體與實體之間的「關系」。知識圖譜是關系的最有效的表示方式。通俗地講，知識圖譜就是把所有不同種類的信息（Heterogeneous Information）連接在一起而得到的一個關系網路。知識圖譜提供了從「關系」的角度去分析問題的能力。
知識推理
推理能力是人類智能的重要特徵，使得我們可以從已有的知識中發現隱含的知識， 一般的推理往往需要一些規則的支持【3】。例如「朋友」的「朋友」，可以推理出「朋友」關系，「父親」的「父親」可以推理出「祖父」的關系。再比如張三的朋友很多也是李四的朋友，那我們可以推測張三和李四也很有可能是朋友關系。當然，這里會涉及到概率的問題。當信息量特別多的時候，怎麼把這些信息（side information）有效地與推理演算法結合在一起才是最關鍵的。常用的推理演算法包括基於邏輯（Logic） 的推理和基於分布式表示方法（Distributed Representation）的推理。隨著深度學習在人工智慧領域的地位變得越來越重要，基於分布式表示方法的推理也成為目前研究的熱點。如果有興趣可以參考一下這方面目前的工作進展【4,5,6,7】。
大數據、小樣本、構建有效的生態閉環是關鍵
雖然現在能獲取的數據量非常龐大，我們仍然面臨著小樣本問題，也就是樣本數量少。假設我們需要搭建一個基於機器學習的反欺詐評分系統，我們首先需要一些欺詐樣本。但實際上，我們能拿到的欺詐樣本數量不多，即便有幾百萬個貸款申請，最後被我們標記為欺詐的樣本很可能也就幾萬個而已。這對機器學習的建模提出了更高的挑戰。每一個欺詐樣本我們都是以很高昂的「代價」得到的。隨著時間的推移，我們必然會收集到更多的樣本，但樣本的增長空間還是有局限的。這有區別於傳統的機器學習系統，比如圖像識別，不難拿到好幾十萬甚至幾百萬的樣本。
在這種小樣本條件下，構建有效的生態閉環尤其的重要。所謂的生態閉環，指的是構建有效的自反饋系統使其能夠實時地反饋給我們的模型，並使得模型不斷地自優化從而提升准確率。為了搭建這種自學習系統，我們不僅要完善已有的數據流系統，而且要深入到各個業務線，並對相應的流程進行優化。這也是整個反欺詐環節必要的過程，我們要知道整個過程都充滿著博弈。所以我們需要不斷地通過反饋信號來調整我們的策略。
6. 結語
知識圖譜在學術界和工業界受到越來越多的關注。除了本文中所提到的應用，知識圖譜還可以應用在許可權管理，人力資源管理等不同的領域。在後續的文章中會詳細地講到這方面的應用。
參考文獻
【1】De Abreu, D., Flores, A., Palma, G., Pestana, V., Pinero, J., Queipo, J., ... & Vidal, M. E. (2013). Choosing Between Graph Databases and RDF Engines for Consuming and Mining Linked Data. In COLD.
【2】User Behavior Tutorial
【3】劉知遠 知識圖譜——機器大腦中的知識庫 第二章 知識圖譜——機器大腦中的知識庫
【4】Nickel, M., Murphy, K., Tresp, V., & Gabrilovich, E. A Review of Relational Machine Learning for Knowledge Graphs.
【5】Socher, R., Chen, D., Manning, C. D., & Ng, A. (2013). Reasoning with neural tensor networks for knowledge base completion. In Advances in Neural Information Processing Systems (pp. 926-934).
【6】Bordes, A., Usunier, N., Garcia-Duran, A., Weston, J., & Yakhnenko, O. (2013). Translating embeddings for modeling multi-relational data. In Advances in Neural Information Processing Systems (pp. 2787-2795).
【7】Jenatton, R., Roux, N. L., Bordes, A., & Obozinski, G. R. (2012). A latent factor model for highly multi-relational data. In Advances in Neural Information Processing Systems(pp. 3167-3175).
Ⅳ 知識圖譜基礎（一）-什麼是知識圖譜
筆者是一隻已經離職的AI產品經理，主要擅長的方向是知識圖譜與自然語言處理，寫這些文章是為了總結歸納目前已經搭建的知識體系，也在於科普。如有不對，請指正。
知識圖譜在國內屬於一個比較新興的概念，國內目前paper都比較少，應用方主要集中在BAT這類手握海量數據的企業，這個概念是google在2012年提出的，當時主要是為了將傳統的keyword-base搜索模型向基於語義的搜索升級。知識圖譜可以用來更好的查詢復雜的關聯信息，從語義層面理解用戶意圖，改進搜索質量。
個人認為，知識圖譜最大的優勢是在於對數據的描述能力非常強大，各種機器學習演算法雖然在預測能力上很不錯，但是在描述能力上非常弱，知識圖譜剛好填補了這部分空缺。
知識圖譜的定義非常多，我這里提供一部分我自己的理解：
1.知識圖譜主要目標是用來描述真實世界中存在的各種實體和概念，以及他們之間的強關系，我們用關系去描述兩個實體之間的關聯，例如姚明和火箭隊之間的關系，他們的屬性，我們就用「屬性--值對「來刻畫它的內在特性，比如說我們的人物，他有年齡、身高、體重屬性。
2.知識圖譜可以通過人為構建與定義，去描述各種概念之間的弱關系，例如：「忘了訂單號」和「找回訂單號」之間的關系
知識庫目前可以分為兩種類型：Curated KBs 和 Extracted KBs
Curated KBs ：以yago2和freebase為代表，他們從維基網路和WordNet等知識庫抽取了大量的實體及實體關系，可以把它理解城一種結構化的維基網路。
Extracted KBs ：主要是以Open Information Extraction (Open IE), Never-Ending Language Learning (NELL)為代表，他們直接從上億個網頁中抽取實體關系三元組。與freebase相比，這樣得到的實體知識更具有多樣性，而它們的實體關系和實體更多的則是自然語言的形式，如「姚明出生於上海。」 可以被表示為(「Yao Ming」, 「was also born in」, 「Shanghai」)。直接從網頁中抽取出來的知識，也會存在一定的雜訊，其精確度低於Curated KBs。
a)「姚明出生於上海」
b)「姚明是籃球運動員」
c)「姚明是現任中國籃協主席」
以上就是一條條知識，把大量的知識匯聚起來就成為了知識庫（Knowledge Base）。我們可以從wikipedia，網路等網路全書獲取到大量的知識。但是，這些網路全書的知識是由非結構化的自然語言組建而成的，這樣的組織方式很適合人們閱讀但並不適合計算機處理。
為了方便計算機的處理和理解，我們需要更加形式化、簡潔化的方式去表示知識，那就是三元組（triple）。
「姚明出生於中國上海」 可以用三元組表示為(Yao Ming, PlaceOfBirth, Shanghai)[1]。這里我們可以簡單的把三元組理解為(實體entity,實體關系relation,實體entity)。如果我們把實體看作是結點，把實體關系（包括屬性，類別等等）看作是一條邊，那麼包含了大量三元組的知識庫就成為了一個龐大的知識圖。
有些時候會將實體稱為topic，如Justin Bieber。實體關系也可分為兩種，一種是屬性property，一種是關系relation。如下圖所示，屬性和關系的最大區別在於，屬性所在的三元組對應的兩個實體，常常是一個topic和一個字元串，如屬性Type/Gender，對應的三元組（Justin Bieber, Type, Person），而關系所在的三元組所對應的兩個實體，常常是兩個topic。如關系PlaceOfBrith，對應的三元組（Justin Bieber, PlaceOfBrith, London）。
（圖中藍色方塊表示topic，橙色橢圓包括屬性值，它們都屬於知識庫的實體；藍色直線表示關系，橙色直線表示屬性，它們都統稱為知識庫的實體關系，都可以用三元組刻畫實體和實體關系）
這里只是簡單介紹一下數據結構，知識表達這一塊會在《知識圖譜基礎（二）-知識圖譜的知識表達系統》中詳細講解。
讀者只要記住，freebase的基礎知識表達形式：(實體)-[關系]-(實體)，(實體)-[關系]-(值)即可，參考圖3，姚明和葉莉的關系。
通過知識圖譜，不僅可以將互聯網的信息表達成更接近人類認知世界的形式，而且提供了一種更好的組織、管理和利用海量信息的方式。下圖是筆者整理的知識圖譜有關的應用，接下來的一些文章筆者會對下面的應用進行剖析。
從圖4上看，知識圖譜的應用主要集中在搜索與推薦領域，robot（客服機器人，私人助理）是問答系統，本質上也是搜索與推薦的延伸。可能是因為知識圖譜這項技術（特指freebase）誕生之初就是為了解決搜索問題的。知識存儲這一塊可能是企查查和啟信寶這些企業發現使用圖結構的數據比較好清洗加工。
在語義搜索這一塊，知識圖譜的搜索不同於常規的搜索，常規的搜索是根據keyword找到對應的網頁集合，然後通過page rank等演算法去給網頁集合內的網頁進行排名，然後展示給用戶；基於知識圖譜的搜索是在已有的圖譜知識庫中遍歷知識，然後將查詢到的知識返回給用戶，通常如果路徑正確，查詢出來的知識只有1個或幾個，相當精準。
問答系統這一塊，系統同樣會首先在知識圖譜的幫助下對用戶使用自然語言提出的問題進行語義分析和語法分析，進而將其轉化成結構化形式的查詢語句，然後在知識圖譜中查詢答案。
Ⅳ 知識圖譜一般存儲在什麼資料庫中
專家推薦用圖資料庫。
Ⅵ 知識圖譜是什麼有哪些應用價值
知識圖譜 (Knowledge Graph) 是當前的研究熱點。自從2012年Google推出自己第一版知識圖譜以來，它在學術界和工業界掀起了一股熱潮。各大互聯網企業在之後的短短一年內紛紛推出了自己的知識圖譜產品以作為回應。比如在國內，互聯網巨頭網路和搜狗分別推出」知心「和」知立方」來改進其搜索質量。那麼與這些傳統的互聯網公司相比，對處於當今風口浪尖上的行業 - 互聯網金融， 知識圖譜可以有哪方面的應用呢？
目錄
1. 什麼是知識圖譜？
2. 知識圖譜的表示
3. 知識圖譜的存儲
4. 應用
5. 挑戰
6. 結語
1. 什麼是知識圖譜？
知識圖譜本質上是語義網路，是一種基於圖的數據結構，由節點(Point)和邊(Edge)組成。在知識圖譜里，每個節點表示現實世界中存在的「實體」，每條邊為實體與實體之間的「關系」。知識圖譜是關系的最有效的表示方式。通俗地講，知識圖譜就是把所有不同種類的信息（Heterogeneous Information）連接在一起而得到的一個關系網路。知識圖譜提供了從「關系」的角度去分析問題的能力。
知識推理
推理能力是人類智能的重要特徵，使得我們可以從已有的知識中發現隱含的知識， 一般的推理往往需要一些規則的支持【3】。例如「朋友」的「朋友」，可以推理出「朋友」關系，「父親」的「父親」可以推理出「祖父」的關系。再比如張三的朋友很多也是李四的朋友，那我們可以推測張三和李四也很有可能是朋友關系。當然，這里會涉及到概率的問題。當信息量特別多的時候，怎麼把這些信息（side information）有效地與推理演算法結合在一起才是最關鍵的。常用的推理演算法包括基於邏輯（Logic） 的推理和基於分布式表示方法（Distributed Representation）的推理。隨著深度學習在人工智慧領域的地位變得越來越重要，基於分布式表示方法的推理也成為目前研究的熱點。如果有興趣可以參考一下這方面目前的工作進展【4,5,6,7】。
大數據、小樣本、構建有效的生態閉環是關鍵
雖然現在能獲取的數據量非常龐大，我們仍然面臨著小樣本問題，也就是樣本數量少。假設我們需要搭建一個基於機器學習的反欺詐評分系統，我們首先需要一些欺詐樣本。但實際上，我們能拿到的欺詐樣本數量不多，即便有幾百萬個貸款申請，最後被我們標記為欺詐的樣本很可能也就幾萬個而已。這對機器學習的建模提出了更高的挑戰。每一個欺詐樣本我們都是以很高昂的「代價」得到的。隨著時間的推移，我們必然會收集到更多的樣本，但樣本的增長空間還是有局限的。這有區別於傳統的機器學習系統，比如圖像識別，不難拿到好幾十萬甚至幾百萬的樣本。
在這種小樣本條件下，構建有效的生態閉環尤其的重要。所謂的生態閉環，指的是構建有效的自反饋系統使其能夠實時地反饋給我們的模型，並使得模型不斷地自優化從而提升准確率。為了搭建這種自學習系統，我們不僅要完善已有的數據流系統，而且要深入到各個業務線，並對相應的流程進行優化。這也是整個反欺詐環節必要的過程，我們要知道整個過程都充滿著博弈。所以我們需要不斷地通過反饋信號來調整我們的策略。
6. 結語
知識圖譜在學術界和工業界受到越來越多的關注。除了本文中所提到的應用，知識圖譜還可以應用在許可權管理，人力資源管理等不同的領域。在後續的文章中會詳細地講到這方面的應用。
參考文獻
【1】De Abreu, D., Flores, A., Palma, G., Pestana, V., Pinero, J., Queipo, J., ... & Vidal, M. E. (2013). Choosing Between Graph Databases and RDF Engines for Consuming and Mining Linked Data. In COLD.
【2】User Behavior Tutorial
【3】劉知遠 知識圖譜——機器大腦中的知識庫 第二章 知識圖譜——機器大腦中的知識庫
【4】Nickel, M., Murphy, K., Tresp, V., & Gabrilovich, E. A Review of Relational Machine Learning for Knowledge Graphs.
【5】Socher, R., Chen, D., Manning, C. D., & Ng, A. (2013). Reasoning with neural tensor networks for knowledge base completion. In Advances in Neural Information Processing Systems (pp. 926-934).
【6】Bordes, A., Usunier, N., Garcia-Duran, A., Weston, J., & Yakhnenko, O. (2013). Translating embeddings for modeling multi-relational data. In Advances in Neural Information Processing Systems (pp. 2787-2795).
【7】Jenatton, R., Roux, N. L., Bordes, A., & Obozinski, G. R. (2012). A latent factor model for highly multi-relational data. In Advances in Neural Information Processing Systems(pp. 3167-3175).
Ⅶ 知識圖譜：方法、實踐與應用筆記-第2章 知識圖譜表示與建模
描述邏輯(description logic)是一簇知識表示的語言,其以結構化、形式化的方法來表示特定應用領域的知識.作為一類用於知識表示的形式化工具,描述邏輯在信息系統、軟體工程以及自然語言處理等領域得到了廣泛的應用[1].特別是在第三代Web——語義網(semantic Web)中,描述邏輯更是扮演著關鍵角色,並成為W3C推薦Web本體語言OWL的邏輯基礎 。
現代知識圖譜通常是以三元組為基礎進行簡單的知識表示，弱化了對強邏輯表示的要求。
基於向量的知識表示在現代知識圖譜中越來越收到重視，因為基於向量的知識圖譜表示可以使這些數據更易於和深度學習模型集成。
基於向量的知識表示： 知識表示學習的定義知識表示學習是將知識庫中的知識表示為低維稠密的實體向量，即Embedding。知識圖譜是由實體和關系組成，通常採用三元組的形式表示，【head(頭實體)，relation(實體的關系)，tail(尾實體)】，簡寫為(h，r，t)。知識表示學習任務就是學習h，r，t的分布式表示（也被叫做知識圖譜的嵌入表示(embedding)）。
一階謂詞邏輯 ：用變數和謂詞來表示知識。
霍恩子句 ：帶有最多一個肯定文字的子句。有且只有一個肯定文字的霍恩子句叫做 明確子句 ，沒有任何肯定文字的霍恩子句叫做 目標子句
霍恩邏輯
語義網路 ：三元組（節點1，聯想弧，節點2）
框架 ：基本單元為類（槽，側面）。基本單元表示一類事物嗎？
描述邏輯 ：一階邏輯的一個可判定子集，即每個描述邏輯中的命題都可以在有限時間內完成證明或證否，只有極少數的描述邏輯類型被認為是不可判定的。利用一階邏輯對語義網路和框架進行形式化後的產物？描述邏輯方法多數被用到涉及知識分類的應用領域，如數字圖書館和面向萬維網的信息處理。描述邏輯是當前 語義網 發展中 本體 的理論基礎。例如， OWL 網際網路 本體 語言就是一種描述邏輯 SHIOQ (D) 的語法形式。
一個描述邏輯系統中的名字可分為概念（concept），屬性（role）和個體（indivial）。例如，一個用描述邏輯描述的知識庫如下：
男人 人 （男人 是 人）
丈夫 男人 婚配於人 （丈夫是 婚配於 至少一個 人 的 男人）
男人(張三) （張三是一個男人）
其中，「男人」、「人」、「丈夫」是概念，「婚配於」是屬性，「張三」是個體
描述邏輯和一階謂詞邏輯的區別？
RDF/RDFS :DBpedia,Yago,Freebase
統一資源標識符 （英語： U niform R esource I dentifier，縮寫： URI ）在 電腦 術語中是一個用於 標識 某一 互聯網 資源 名稱的 字元串 。
該種標識允許用戶對網路中（一般指 萬維網 ）的資源通過特定的 協議 進行交互操作。URI的最常見的形式是 統一資源定位符 （URL），經常指定為非正式的網址。更罕見的用法是 統一資源名稱 （URN），其目的是通過提供一種途徑。用於在特定的 名字空間 資源的標識，以補充網址。
OWL/OWL2 : 我認為就是在RDF的基礎上再加一些約束。
OWL2QL為查詢設計的；OWL2EL提供多項式推理，專為概念屬於描述，本體的分類推理而設計，廣泛應用於生物醫療領域，如臨床醫療術語本體SNOMED CT;OWL2ET的分類復雜度是Ptime,用於推理（後兩個區別？）
查詢語言SPARQL
語義Markup表示語言 ： 在網頁中嵌入語義Markup的方法和表示語言。主要包括JSON-LD、RDFa和HTML5 MicroData。
Freebase：對象-object、事實-Facts、類型-Types和屬性-Properties.
Wikidata：頁面-Page、實體-Entities、條目-Items、屬性-Properties、陳述-Statements、修飾-Qualifiers、引用-Reference等。
ConceptNet5:概念-Concepts、詞-Words、短語-Phrases、斷言-Assertions、關系-Relations、邊-Edges。包含21種預定義的、多語言通用的關系。
詞的向量表示方法：獨熱編碼、詞袋模型、詞向量
詞向量的產生方法中經典的額開源工具word2vec中包含兩個模型cBoW和Skip-gram。
cBoW和Skip-gram都是用來訓練word embeding的。
cBow和Bow的區別：Bow用於一段文本，是一種思想；cBow是把Bow的思想通過滑動窗口用於此向量的實現。
TransE是一個演算法，用於graph enbeding.
word enbeding是將文本變成向量；graph emdeding是將實體和關系變成向量。
思考如何從word embeding變成graph embeding?
代表性知識圖譜介紹：
1. SNOMED CT
SNOMED CT （ S ystematized No menclature of Med icine -- C linical T erms， 醫學系統命名法－臨床術語 ， 醫學術語系統命名法－臨床術語 ），是一部經過系統組織編排的，便於 計算機 處理的 醫學 術語集 ，涵蓋大多數方面的 臨床信息 ，如 疾病 、所見、操作、 微生物 、 葯物 等。採用該術語集，可以協調一致地在不同的 學科 、 專業 和照護地點之間實現對於臨床數據的標引、存儲、檢索和聚合。同時，它還有助於組織 病歷 內容，減少臨床照護和科學研究工作中數據採集、編碼及使用方式的變異。(From wiki)
SNOMED CT目前包括大約321 900條概念（Concept）、超過80萬條臨床概念相關的描述（Descriptions），和超過700萬條進一步描述概念的關系（Relationships）。
SNOMED CT的主要內容包括概念表、描述表、關系表、歷史表、ICD映射表和LONIC映射表。其中核心構成是： 概念表（按層級結構組織的具有臨床含義的概念表）、描述表（用於表達概念的人類自然語言表）和關系表（用來說明的兩個臨床概念之間的關系） 。
Ⅷ 什麼是知識圖譜
知識圖譜，是通過將應用數學、圖形學、信息可視化技術、信息科學等學科的理論與方法與計量學引文分析、共現分析等方法結合，並利用可視化的圖譜形象地展示學科的核心結構、發展歷史、前沿領域以及整體知識架構達到多學科融合目的的現代理論。