- Objective: - Breadcrumb: # 概念阐释 知识图谱（knowledge graph）是一种用于存储实体之间关系的图形数据库。知识图谱通常由节点（node）代表**实体**（人物、地点、事物）和**边**（关系）组成。知识图谱是 AI 的知识体系。 # 实例 ## 搜索引擎 - 我们每天使用的搜索引擎，背后运用的就是知识图谱。百度和[Google的知识图谱](https://en.wikipedia.org/wiki/Google_Knowledge_Graph)，由50亿个实体和5000亿条知识构成，平均来看每个实体都有100个关联。这个大型知识库需要用到搜索引擎公司大量的人力和物力 - 如何从实体到一条[[事实性知识 factual knowledge#^be85d1|事实性知识]]？（也叫做“语义网”） - **实体**：living things, animals, plants, dogs, cows, herbs - 事实性知识： - living things is animals - animals is dogs - cows eat herbs - 当我们提出一个搜索请求时，搜索引擎会在这个50亿实体的网络上快速搜索，调用到相关概念和事实并进行加工，提供更高质量、更结构化的结果。  把实体（包括事实性知识和抽象概念）以及实体之间的关系结构化，来改善搜索结果，这就类似于学习者个人投入大量时间和注意力，通过长期学习构建出个人知识库，来改善学习效果。Obsidian 和 Logseq 这样的个人知识库软件，引入了知识图谱概念，通过图谱可以看到[[BOK 知识网络]]的生长过程。  # 相关内容 ## 知识图谱与[[ANN 人工神经网络]]的区别 - 知识图谱存储着实体之间的事实性知识，明确地从“知识库”中提取答案 - 人工神经网络并不依赖预先定义的、硬编码的实体和关系，而是从海量文本中学习语言模式、概念和知识，相当于对人类所有知识进行了理解和概括。然后根据用户输入的提示（[[prompt]])、问题，基于学习过的知识来生成答案。这也意味着生成知识的准确性和可靠性也面临着挑战。 # 参考资料 - [知识图谱-Wikipedia](https://zh.wikipedia.org/wiki/%E7%9F%A5%E8%AD%98%E5%9C%96%E8%AD%9C) - [你一生的笔记系统](https://mp.weixin.qq.com/s/m_asDyCHR19UO6cUfHIjOw) - [1.3 从学习科学视角的解释](https://www.candobear.com/p/t_pc/course_pc_detail/image_text/i_65b63adbe4b064a8cb1e53b7?community_id=c_65b634d2dd106_nhCXKYc72308&product_id=course_2ba4aSp8cPi3TjgH1xc2GxANJHL)