一类是开放域的知识图谱，另一类是垂直领域的知识图谱。知识图谱是不是未来的发展方向，知识图谱，则是一种数据的组织形式，知识图谱可以在教育领域得到很好的应用，知识图谱是一种描绘实体之间关系的语义网络，是人工智能重要研究领域——知识工程的主要表现形式之一。

1、知识图谱是什么？

知识图谱是一种描绘实体之间关系的语义网络，是人工智能重要研究领域——知识工程的主要表现形式之一。知识图谱通过RDF（三元组），既“实体x关系x另一实体”或“实体x属性x属性值”集合的形式，以人类对世界认知的角度，阐述世间万物之间的关系，通过NLP技术、图计算、知识表示学习等手段，将非线性世界中的知识信息结构化，以便机器计算、存储和查询，起到赋予机器人类认知的效果，是人工智能技术走向认知的必要基础，

2、如何构建知识图谱？

目前的知识图谱分为两类。一类是开放域的知识图谱，另一类是垂直领域的知识图谱，首先就是要先处理数据互联网上的数据基本上都是结构化的，非结构化的和半结构化的。结构数据一般就是公司的业务数据，这些数据都存储到数据库里，从库里面抽取出来做一些简单的预处理就可以拿来使用。半结构化数据和非结构化数据，比如对商品的描述，或是标题，可能是一段文本或是一张图片，这就是一些非结构化数据了，

但它里面是存储了一些信息的，反映到的是知识图谱里的一些属性。所以需要对它里面进行一个抽取，这是构建知识图谱中比较费时费力的一个工作，从数据里需要抽取的其实就是之前所提到的实体、属性、关系这些信息。对于实体的提取就是NLP里面的命名实体识别，这里相关的技术都比较成熟了，从之前传统的人工词典规则的方法，到现在机器学习的方法，还有深度学习的一些使用另外还需要做的是实体对齐和实体消歧。

关于实体对齐，举例来说，比尔盖茨这四个字是中文名称，BillGates是他的英文名称，但其实这两个指的是同一个人。由于文本的不一样，开始的时候导致这是两个实体，这就需要我们对它进行实体对齐，把它统一化。另外是实体消歧，举例来说，苹果是一种水果，但是在某些上下文里面，它可能指的是苹果公司。这就是一个实体歧义，我们需要根据上下文对它进行实体消歧，

其次，在完成了以上步骤之后，接下来就是本体抽取。比如说公司是一个机构，它是有这种上下流的关系的，对于平级的也需要计算一个他们的相识度，比如比尔盖茨和乔布斯在实体层面，他们是比较相似的。他们都属于人这个实体，他们跟公司的差别还是挺大的，所以需要一个相似度的计算。在以上步骤完成之后需要对知识库进行质量评估，

3、有人说AI教育华而不实，“知识图谱”玩法能救场吗？

作为一个曾经想投身AI教育，而现在在做知识图谱相关工作的人，看到这个问题还是非常有感触：1.AI教育是不是真的“华而不实”其实不止是AI教育，整个AI相关的领域目前都充斥着大量的泡沫，原因在于公众被媒体洗脑过度，对人工智能报以过高的期望。而目前整个行业里面大多数玩家，都还是处在一个产品落地，需求验证的阶段，

期望和现实之间存在着一条鸿沟，当期望破灭时，往往就会产生一种被欺骗感，就像下图一样。但并不是说人工智能没有价值，2017年7月20日，国务院印发了《新一代人工智能发展规划》，把人工智能的发展上升到国家战略的高度，众多巨头重兵投入，都是有其原因的，现在缺少的主要还是时间，需要熬过这漫长的探索期，才能迎来真正意义上的产业爆发，从“华而不实”变成“名副其实”。

2.知识图谱是不是未来的发展方向？知识图谱这个事物并不新鲜，它的前身就是上世纪六十年代所提倡的“专家系统”，只不过在谷歌手里得以改头换面——谷歌把世界万物简化成“实体”和“关系”这两种形态的数据，并在此之上延伸出来种种规则，打造出“知识图谱”的概念。教育本质上是知识相关的数据，在人与人之间进行传递，发展教育的目的，就是为了让这个传递更顺畅，进而推动社会发展。