知识管理能力-技术-知识图谱

#主题研究 #知识管理能力

基本信息

• 原始卡片:: [[dataview_知识图谱]]

1 互动记录

• 形式化知识和参数化知识在表现形式上一直都是大家考虑的问题，两种技术都应该有自己的定位与价值所在。
• 知识图谱构建往往是抽取式的，而且往往包含一系列知识冲突检测、消解过程，整个过程都能溯源。以这样的知识作为输入，能在相当程度上解决当前ChatGPT的事实谬误问题，并具有可解释性。基于知识图谱的推理也能增强当前模型的推理能力。除此之外，ChatGPT还能提升知识获取的能力，因此这两项技术能够相互迭代、共同提升。
• 从根本上讲，知识图谱本质上是一种知识表示方式，其通过定义领域本体，对某一业务领域的知识结构（概念、实体属性、实体关系、事件属性、事件之间的关系）进行了精确表示，使之成为某个特定领域的知识规范表示。随后，通过实体识别、关系抽取、事件抽取等方法从各类数据源中抽取结构化数据，进行知识填充，最终以属性图或RDF格式进行存储。

2 知识图谱的发展历程

3 笔记、标签、编码、双链如何形成一个网状有序的知识网络

整理的方法，形成[[知识图谱]]

1. 笔记，尽量的原子化，类似一个个的卡片，一个笔记解决一个主题。
2. [[标签]]，确定主题，形成线性的知识结构，标签采取容器的概念，下面能拆解出很多的实体出来，下面有很多的子选项： 比如app、器、人物、公司、地理、国家等等概念。这样就可以控制标签的数量，不至于标签太多。
3. [[编码]]的笔记卡片，将同一个主题的标签进行排序
4. [[双链]]形成多个主题之间的联系，形成网状的知识结构