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]]
- 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。
- [[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。
- [[编码]]的笔记卡片,将同一个主题的标签进行排序
- [[双链]]形成多个主题之间的联系,形成网状的知识结构
推荐文章
- 知识投射原理 (1.000)
- 文字就是自己思考 (1.000)
- 知识管理-数字花园架构 (1.000)
- 必要难度理论 (1.000)
- 知识管理工具 (1.000)
- app-问答社区-知乎 (RANDOM - 0.564)