① 如何构建知识图谱
自己建吗可以下载图谱软件构建
http://www.cnblogs.com/R0b1n/p/5224065.html可以参考一下这个
SPSS: 大型统计分析软件，商用软件。具有完整的数据输入、编辑、统计分析、报表、图形绘制等功能。常用于多元统计分析、数据挖掘和数据可视化。
Bibexcel: 瑞典科学计量学家Persoon开发的科学计量学软件，用于科学研究免费软件。具有文献计量分析、引文分析、共引分析、耦合分析、聚类分析和数据可视化等功能。可用于分析ISI的SCI、SSCI和A&HCI文献数据库。
HistCite: Eugene Garfield等人于2001年开发的科学文献引文链接分析和可视化系统，免费软件。可对ISI的SCI、SSCI和SA&HCI等文献数据库的引文数据进行计量分析，生成文献、作者和期刊的引文矩阵和实时动态引文编年图。直观的反映文献之间的引用关系、主题的宗谱关系、作者历史传承关系、科学知识发展演进等。
CiteSpace: 陈超美博士开发的专门用于科学知识图谱绘制的免费软件。国内使用最多知识图谱绘制软件。可用于追踪研究领域热点和发展趋势，了解研究领域的研究前沿及演进关键路径，重要的文献、作者及机构。可用于对ISI、CSSCI和CNKI等多种文献数据库进行分析。
TDA: Thomson Data Analyzer（TDA）是Thomson集团基于VantagePoint开发文献分析工具。商用软件。具有去重、分段等数据预处理功能；可形成共现矩阵、因子矩阵等多种分析矩阵；可使用Pearson、Cosine等多种算法进行数据标准化；可进行知识图谱可视化展示。
Sci2 Tools: 印第安纳大学开发的用于研究科学结构的模块化工具可从时间、空间、主题、网络分析和可视化等多角度，分析个体、局部和整体水平的知识单元。
ColPalRed: Gradnada大学开发的共词单元文献分析软件。商用软件。结构分析，在主题网络中展现知识（词语及其关系）；战略分析，通过中心度和密度，在主题网络中为主题定位；动态分析，分析主题网络演变，鉴定主题路径和分支。
Leydesdorff: 系类软件。阿姆斯特丹大学Leydesdorff开发的这对文献计量的小程序集合。处理共词分析、耦合分析、共引分析等知识单元体系。使用“层叠图”实现可视化知识的静态布局和动态变化。
Word Smith: 词频分析软件。可将文本中单词出现频率排序和找出单词的搭配词组。
NWB Tools: 印第安纳大学开发的对大规模知识网络进行建模、分析和可视化工具. 数据预处理；构建共引、共词、耦合等多种网络；可用多种方法进行网络分析；可进行可视化展示.
Ucinet NetDraw: Ucinet是社会网络分析工具。包括网络可视化工具Net Draw。用于处理多种关系数据，可通过节点属性对节点的颜色、形状和大小等进行设置。用于社交网络分析和网络可视化。
Pajek: 来自斯洛文尼亚的分析大型网络的社会网络分析免费软件。Pajek基于图论、网络分析和可视化技术，主要用于大型网络分解，网络关系展示，科研作者合作网络图谱的绘制。
VOSviewer: 荷兰莱顿大学开发的文献可视化分析工具。使用基于VOS聚类技术技术实现知识单元可视化工具。突出特点可视化能力强，适合于大规模样本数据。四种视图浏览：标签视图、密度视图、聚类视图和分散视图。
[4]陈悦, 刘则渊, 陈劲等. 科学知识图谱的发展历程[J]. 科学学研究, 2008, (03): 449-460.
[5]Shiffrin, R.M., and Katy Börner. Mapping Knowledge Domains[C]. Proc. Proceedings of the National Academy of Sciences of the United States of America pp. 5183-5185.
[6]Börner, 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]陈悦和刘则渊. 悄然兴起的科学知识图谱[J]. 科学学研究, 2005, (02): 149-154.
[9]邱均平. 信息计量学[M]. (武汉大学出版社, 2007. 2007).
[10]沙勇忠和牛春华. 信息分析[M]. (科学出版社, 2009. 2009).
[11]塞沃尔, 建军和煦. 链接分析: 信息科学的研究方法[M]. (东南大学出版社, 2009. 2009).
[12]Egghe, L.和Rousseau, R. Introction to informetrics: Quantitative methods in library, documentation and information science[J]. 1990
[13]韩家炜, 坎伯, 裴健等. 数据挖掘: 概念与技术[M]. (机械工业出版社, 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]Börner, K., Huang, W., Linnemeier, M.等. Rete-netzwerk-red: analyzing and visualizing scholarly networks using the Network Workbench Tool[J]. Scientometrics, 2010, 83, (3): 863-876.
[18]廖胜姣. 科学知识图谱绘制工具:SPSS和TDA的比较研究[J]. 图书馆学研究, 2011, (05): 46-49.
[19]Scott, M. WordSmith tools[M]. (Oxford: Oxford University Press, 1996. 1996).
[20]Batagelj, V.和Mrvar, A. Pajek - Program for Large Network Analysis[M]. (1998. 1998).
[21]Borgatti, S.P., Everett, M.G.和Freeman, L.C. Ucinet for Windows: Software for social network analysis[J]. 2002
[22]Van Eck, N.J.和Waltman, L. VOSviewer: A computer program for bibliometric mapping[J]. 2009
② 怎么才能在四个月内把web前端学好学深入
在方法之前，请听我一句话：不要怕吃苦，绝对不能怕吃苦。而且有一定要多敲代码。这两点是关键。
三是制定系统的学习计划,必须制定学习计划,建议学习半年的时间,半年的时间把所有的前端基础阅读和理解,前提是你不应该懒惰,,坚持是最重要的,大多数人还是半途而废。四是能找到辅导尽可能的找,如果条件还可以,在网上找到一个教程类,有不懂的问老师,可以节省自己的时间,老师也可以给你一些建议,很容易学习,如果遇到很多问题,解决的时间非常久，就很容易失去信心。
③ 什么是知识图谱有哪些模型指标规则
“图谱”的时代
知识图谱自从2012年开始发酵，愈演愈烈，行业顶端的佼佼者纷纷发布企业知识图谱应用，知识图谱能为企业实现数据价值。只能说，图技术快速发展，业务需求不论变化与否，知识图谱是不可阻挡的趋势。2020年4月20日，国家发改委明确人工智能 “新基建” 的内涵，体现“重创新、补短板”的特征：助力传统基础设施智能化改造，提高传统基础设计的运行效率。
图1 中国知识图谱效益增长规模——艾瑞咨询
当前的人工智能其实可以简单划分为感知智能（主要集中在对于图片、视频以及语音的能力的探究）和认知智能（ 涉及知识推理、因果分析等）。
人工智能是新基建的重点领域，而知识图谱是认知智能的底层支撑。 知识图谱具有解释数据、推理和规划一系列人类的思考认知能力，基于大规模，关联度高的背景知识。
————《面向人工智能“新基建”的知识图谱行业白皮书》
我们每天都在用知识图谱
知识图谱应用于各个领域，例如：电商（产品推荐）、医疗（智能诊断）、金融（风控）、证券（投研）。知名企业包括：Google Knowledge Graph、美团大脑、阿里巴巴·藏经阁计划、腾讯云·知识图谱 TKG等。
知识图谱在人工智能多个领域发挥重要作用：语义搜索、智能问答、辅助语言理解、辅助大数据分析、增强机器学习的可解释性、结合图卷积辅助图像分类等。同时，这也意味着技术难度大幅度增加。
知识图谱的价值
您可能会以为知识图就是捕获和管理知识的最终目的。其实，知识图擅长以自上而下的 关系连接方式显式捕获知识 。通过关系节点联系上下游关系，清楚的梳理关系网络。如下图：
图2 普适智能知识中台
高效直观地刻画目标主体（如企业、事件等）之间地关联网络，从而全维度地对企业进行画像，立体复现主体的真实情况和错综复杂的关系。其强大的互联组织能力和可视化决策推理支持，为企业资产提供底层基础。普适智能一站式“图智能”应用， 拥有打开“百窍”的能力， 具体有以下几方面的思考：
深度链接分析 有机可寻
拿我们最熟悉的金融领域举例，知识图谱常见的实体包括公司、产品、人员、相关事件等，常见的关系包括股权关系、任职关系、供应商关系、上下游关系、竞争关系等等。
这样做的好处就是，通过知识图谱的整合，让原本复杂的数据形成直观易懂的可视化图谱， 在全球经济一体化的趋势下，分析师以及投资机构很可能先人一步观察到竞争格局的改变，为寻找 新客户、新投资机会提供线索。
图3 企业上下游关系网络
多维度属性 顺藤摸瓜
知识图谱的另一个价值是“可以简单地处理多维度数据”。 目前在普适智能帮客户分析超百亿的实体（或节点）和关系（或边缘）。
图4 某股份制商业银行基金产品关系网络截图
“对于实益拥有权，我们经常会看到拥有六，七层或更多层的拥有权阶层，尤其是在像中国这样拥有大型企业的地方。” “人们必须意识到一个拥有可以处理并查询至少六到七层（如果没有更多层）的拿手工具是解决问题的真正核心。”
每个公司、个人、新闻事件都可以是一个“点”，人工智能引擎可将这些点进行聚集，对其中的相关性、相似度以及聚集程度进行多维度分析， 还原真实场景 ，才能 “顺藤摸瓜”。
图5 反欺诈图应用
例如知识图谱在传统的风险管理流程中，多通过对目标主体简单维度的特征进行严格审核，无法判断真实的关联风险。
挑战与机会
普适智能深耕于金融领域，其细分业务场景包含但不限于：反欺诈、反洗钱、盗刷排查、失联催收、外汇异常监控、信用审核等，举个具体项目中的例子：因图构建本身流程较长，再加上每个场景的图构建相对的独立，给数据反复开发，数据不连通创造了必要条件， 绕不过去的是大量企业资产成本浪费问题。
图6 传统关系网络应用的构建模式
在工程落地方面，还存在图谱建设周期长，应用构建专业程度高，跨行业迁移成本高等难题。由此带来的挑战会体现在—— 产品是否可以开箱即用 。
普适智能中台化思路
为了解决以上问题，普适智能自主研发将知识图谱构建与应用平台升级为一站式的“图智能”中台。
图7 传统关系网络应用的构建模式
一套中台和工厂模式平台的孕育而生，确保各式的场景对图不同形态的需求和保证联合查询需求。“一窍通，百窍通”，一站式“图智能”中台就是“那一窍”，以下：
打通业务场景独立图谱构建 ，减少反复开发周期成本，为传统应用形态赋能，提升服务质量和效率，简单的图应用可以在 1~2天 内实现，复杂的图应用可以在传统做法上缩短到 三分之一 ，加速企业资产的累积；
配合着打通部门数据 ，解决跨部门合作沟通周期长、配合难的问题；
图谱交互友好程度高，可视化决策辅助业务场景，更易发现 隐藏的信息 ；
赋能专家行业专家，将领域专家的行业经验的程序化，留存在平台， 企业知识资产沉淀。
实时可扩充 ，弹性十足
知识图谱中台的价值还在于灵活可扩充，建立实时敏捷、灵活可扩展、具有弹性的数据基础。 金融知识图谱直接反馈金融行业的刚性需求，由于实际中，企业数据和业务变化灵活，数据源、数据结构、数据内容随时会发生变动，对业务的理解以及对数据的解读也随之发生变化。
图8 多维数据扩展查询
如何有效的使用这些数据，需要员工具备专业的金融知识，深刻理解某个数据变动可能引发的关联、传导，知识图谱将是最得心应手的工具。
图技术是 知识图谱应用的最强弹药
企业需要能够快速支持业务中迭代式的新模式。普适智能的“图智能”中台具有计算引擎： 图计算模型、图匹配业务数据模型等， 助力企业完成这一目标。
图规则计算： (例如：与黑名单客户共用一个电话的客户是可疑欺诈客户)
图指标计算： （例如：客户两度关系内黑名单客户的比例）
图机器学习 （以图作为先验知识让特征工程更有效）
社群识别 ：标签预测（黑名单预测/潜在VIP客户预测）
图9 社区分析
最短路径 ：优化加工路径，节约数据加工成本。
图10 路径查询
“工欲善其事,必先利其器” 。普适智能一站式“图智能”应用，为描绘物理世界生产生活行为提供 有效的方法和工具 。Gartner：“图时代已经到来”，让我们一起“图”起来！
④ 一名前端工程师的知识图谱是什么该如何入门并且提高
【1】能用html+css把页面做出来，能用js实现动态效果。
【2】在1的基础上保证浏览器兼容性。
【3】在2的基础上开始出现代码洁癖，代码会逐渐趋向于简洁高效
【4】在3的基础上开始关注语义性、可用性和可重用性
【5】在4的基础上开始关注页面性能
【6】在5的基础上开始费劲脑汁的去寻思怎么能把开发效率也提升上来
⑤ 初学者如何在前端的道路上成长，成为一个前端工程师的知识图谱是什么拜托各位了 3Q
xhtml css js,一个都不能生疏，而且要看就看新书，这样符合w3c 标准。要是自己练，ie8一下的就不用管兼容性了，毕竟占有率很少很少。
学的差不多了再html5，css3
如果走高端路线，就css3多用，像楼上说的，切图什么的，一边玩蛋去把。前端看的是用户体验，不是漂亮的风景画和浮夸的按钮
------------
csdn.net 等一些站有很多不错的博主写的文章，多看看
⑥ 百度知识图谱和google知识图谱的区别
知识图谱（knowledge graph）是Google推出来的一项技术概念，是语义搜索的一个应用，背后涉及到NLP，语义数据分析，语义网技术等等。
目前来说，Google的知识图谱从三个方面来提高搜索质量，消除歧义、右侧知识卡片、知识发现。网络的“网络知心”也是知识图谱的一个应用。归根结底知识图谱的技术基础都是一样的，那就是语义数据和语义网，只是在前端应用上两个公司有所区别。。
⑦ 知识图谱基础（三）-schema的构建
在前面一篇文章《知识图谱基础（二）-知识表达系统》中介绍了知识图谱的基础知识表达系统，什么是entity，什么是relation，什么是domain，什么是type等等。本篇文章主要从应用角度来聊一聊如何构建schema以及shcema构建中需要考虑的问题。以下所讲的schema构建主要是基于common sense进行构建的，弱关系图谱构建会在应用中讲到。
简单来说，一个知识图谱的schema就是相当于一个领域内的数据模型，包含了这个领域里面有意义的概念类型以及这些类型的属性。任何一个域的schema主要由类型（type）和属性（property）来表达。图1是plantdata内的创投schema，主要是为了发掘一级市场的投资和融资构建的schema。该schema主要是去定义需求，哪些数据对创投有用，才往上构建，例如：人物都有身高 体重，但是这些数据对创投来说意义不大，在schema中就不用构建了。关注创投的人会关注这些基金与人物投资了哪些公司，投资的公司所属行业，投资的公司属于哪一类企业，在该schema中就需要详细构建。
1.如何构建域（domain）
域（domain）的概念是凌驾于所有类型之上，对于域的定义应该尽量的抽象，不应该具体，同时域与域之间应尽量做到相互独立，不交叉。例如，省份就不应该是一个域的概念，在思考是否应该把一个概念当做域时，需要考虑到该概念是否能够继续向上抽象，例如：省份；城市；国家；县等等，他们同属于地理位置域。在明确域的概念时，应该定义好域的边界，这样比较容易区分不同域之间的区域划分。
2.如何确定一个域的类型（type）
这里需要产品经理去思考，构建这个schema的核心需求是什么，到底需要解决用户什么问题。为了满足这些核心需求，我们需要创造出哪些概念？
举个例子，在汽车领域，用户主要关心什么问题，例如：汽车的品牌、车系、发动机。
在NBA领域，用户主要关心球队、所属联盟、教练、球员等等。
针对不同的需求，需要在域下面构建不同的类型来满足用户的需求。
3.如何确定属性（property）
思考的角度如下：
1.以用户需求为出发点
2.以数据统计为证据
比如在构建完足球领域中的球队类型后，该类型集合了所有的球队实体，站在用户角度触发，用户会关注球队的哪些关系？
图2是我简单的针对足球领域构建的一个图谱，上面包含了梅西（球队的球员）， 埃内斯托·巴尔韦德 （球队的教练），西甲（球队的所属联赛），其中梅西、西甲、埃内斯托.巴尔韦德又分属于不同的类型：足球球员，足球联赛，足球教练，这些所有的类型构成了足球域。
从上图的common sense配合图查询和自然语言处理技术已经可以支持基础的问答了，例如，梅西是哪个球队的？埃内斯托巴尔韦德是哪些球员的教练？西甲有哪些球队在踢球？等等
schema的应用是产品经理需要重点考虑的内容，因为产品需求决定了schema应该怎么构建，构建的是否完备。而产品的具体应用则主导了schema的整体构建方式，如果不仔细考虑产品应用的话，最惨的情况可能构建了很久的schema会因为一个逻辑坑而彻底报废掉，由于知识图谱又是一个牵一发而动全身的工程，根据实际经验来说，如果图谱构建和应用有部分脱节，可能修改图谱schema比重新构建图谱schema的成本还要高。所以，首先确认好具体的应用场景对于一个schema构建的成功与否是至关重要的。
笔者写一套曾经用过的确认schema的流程
先将应用根据需求的强弱划分，分为基础核心需求，schema特色需求，锦上添花需求，未来扩展性需求。
基础核心需求：是经过需求分析后，构建这个schema需要完成最核心的需求，该需求优先级最高
schema特色需求：构建图谱时可能会经常遇到图谱可以实现而其他方法实现比较困难的特色需求，这类需求可能需求强度不是很高，但是由于能够实现一定的差异性，经常会有意想不到的效果。
锦上添花需求：非基础核心需求，做了更好，不做也可以接受
未来扩展性的需求：确认schema的时候要充分考虑到未来的扩展性，因为这类需求有可能会大改图谱的schema结构
在构建schema的时候，根据上述分类，需要去考虑该schema一期需要满足哪些具体的功能，将功能一一列下来，哪些功能是需要放在第二期、第三期完成的，未来的扩展性需求需要在构建的哪一块区域留下可扩展的内容。
常用的方法可以使用excel去列出一、二、三期所需要的功能点。
列出上述的功能点后，针对每一个功能点在后面备注好该功能的构建要点（注：这个非常重要），通常需求只需要将产品需求转化成一定的查询结构即可，笔者原来用的是cypher查询语法。以图2为例，我要支持某个教练教了哪些球员？转化成查询语言就是（a:足球教练）<-{b:教练}-（c:球队）-{d:球员}-（e:足球球员） return e。将a变成参数，输入a即可返回所有的e，即输入埃内斯托巴尔韦德，返回就是梅西。
流程如下：query:埃内斯托巴尔韦德带了哪些球员？→语义解析→转化成上述查询，将埃内斯托巴尔韦德作为参数a代入查询→返回结果→前端包装展示
注：上面在每个功能点后面备注了构建要点，当大部分功能点的构建要点都写完的时候，需要集中查看构建要点，因为如果需求本身比较大的话，不同的需求很容易造成schema的构建冲突，正如前面所讲，schema尽量要保证少出错。这个时候由于备注了构建要点，可以全局的来审视这个schema中间有没有逻辑黑洞。常出现的问题主要是在属性的设计，以及知识融合上。
拿着上述文件去找开发，确认一下哪些是比较好实现的，一般来说做到这种程度大多数需求开发都是会接的。如果开发同学足够专业的话，他会从他的视角去给你提出他的宝贵意见。通常产品经理在思考schema这一块更倾向于思考这个schema的作用，而开发同学会思考工程实现、实现效率、运行效率、计算量等问题。
大规模构建schema的时候需要认真考虑数据源的情况，由于不同公司掌握的数据不同，所应用的对策也不同。
通常笔者会将数据源分为如下几种：
1.已经清洗好的结构化数据：这部分数据一般是公司的核心数据，或者其他公司的核心数据，构建的时候应该优先考虑这类数据。这部分数据通常只需要改变数据格式即可入图谱。
2.清洗好的结构化数据，但数据残缺：这部分数据通常需要数据挖掘，知识融合。清洗难度是由残缺比例决定的。
3.无数据：没有这部分数据，但是又需要这部分数据，通常只能去选择让BD去购买数据，或者让爬虫组去专业网站爬取，例如：企业数据可以去企查查，电影的数据可以去猫眼，产业的数据可以去产业信息网等等。
假设需要构建的图谱entity数量在千万级别，开发力量不够强大的时候，慎用纯数据挖掘方案，有条件的话笔者建议直接去买结构化数据，因为可能挖掘和知识融合在经济上的成本比直接买数据要高，而且时间周期也会很长。
个人认为，大规模构建schema最难的地方就在于挖掘数据的知识融合上，举个例子：全国有10000个叫王刚的人，爬虫从A网站挖下来5000个“王刚”，从B网站挖下来7000个“王刚”，那么这5000个王刚和那7000个王刚到底是不是一个人？在没有身份证号码的情况下如何确定哪些王刚是一个人呢？常规的做法是去挖掘出“王刚”的其他信息，例如出生年月，任职信息，籍贯等等，然后通过一定的算法进行知识融合。通常，网站的数据不一定全面，即使经过知识融合后，挖掘的数据中一定会有大量的噪音，不同的需求对噪音的承受能力是不同的，构建schema的时候需要充分考虑数据出现噪音的可能性，去评价这部分需求对噪音的承受能力。
如果知识融合完成了话，大规模构建其实就是一个导数据的过程，由于图谱数据结构的关系，一般存2张表（点、边）或者使用RDFs存储，在entity数量上千万以后，图谱的查询压力会比较大，单机查询可能会直接跪掉，开发一般会采用graphX的分布式的存储，不过由于点和边的切割方式的问题，会有一定的副作用。
⑧ 知识图谱怎样入门
在开始做前端开发之前（当然我也不是完全做前端开发的，至少我的工作合同上没写我要写程序），我的背景是这样的：不是学计算机、不是科班出身；因为经常帮别人出图，所以PS，AI，ID都很熟悉；因为那时候做实验的原因常用（改）Fortran和（用）C++；后来机缘巧合研究了一阵子分布式数据库，主要精力放在了Cassandra上面。从去年7月真正开始做前端的第一个项目，从最开始什么都不知道乱写jQuery开始，到9月底搞定了手头上第一个项目。后来前端的开发基本上就中断了，今年4月份又捡起来，写了一个前端（浏览器端）的项目。被一个前端大神批判了一遍，几乎重写了一遍，然后继续接受批判，同时接受各种复杂的需求，导致最终又重写了一遍。等于一个项目写了三遍，在第三遍的时候我已经可以实现所有自己的想法了——当然一定要可行的。7月的时候开始node.js使用愈发频繁，用node / express做了一个不算小的项目。从9月开始基本上前端相关的只剩下图形相关的工作了——先尝试了一下Canvas发现还是不如svg好写。到最近写了个svg的库。现在我可以保证想做什么东西，只要功能不是太过复杂，一个星期之内做完原型。