网络挖掘初探索，根据看的资料整理的鸭

还在持续更新中……

总是会听到一些网络挖掘、知识图谱、复杂网络等等概念，想要捋清楚这些究竟是个啥，根据看的的各种资料汇总的一些基本概念。旨为搞清楚他们是啥，以及他们之间的关系。非专业小白，自己个瞎看看就好。

概念

什么是图？

图（图论）是一种常见的数据结构，用于表示对象及其之间的关系。其中，对象又称节点（node）或顶点（vertex），关系用边（edge）来描述。在数学上一般用 G=(V,E,A,X) 来表示，其中 V={v1,v2……,vn} 是节点集合，E=e_ij 表示边的集合，A 是大小为|V|×|V|的邻接矩阵，用于表示节点之间的连接关系，如果 e_ij∈E，则 A_ij=1，X 是大小为|V|×d 的特征矩阵，X 的第 i 行 X_i:表示第 i 个节点的属性特征，其中 d 是属性的维度。图是一个数学学科，现也被广泛应用于计算机科学，如研究数据结构、计算机框架、网络设计等。

什么是知识？

百度：知识是符合文明方向的，人类对物质世界以及精神世界探索的结果总和。通常我们认为的知识，是我们在实践中对于认识客观世界的成果，其中包括诸多，如事实、信息描述、实践技能、归纳总结的客观规律，发现论证的推导。知识也可以看成是构成人类智慧的最根本因素。但是这是全人类知识的概述，不同于个人理解的知识，不同于知识图谱中的知识，也就是本文中所阐述的“知识”是狭义上的知识。因为知识是狭义的，所以我们更需要去界定什么样的“知识”是我们所需要的，通常对于我们来说，我们需要构建知识图谱的知识，是需要根据业务来确定，我们需要它来支撑什么样的业务，根据业务性质来确定需要总结的知识。

什么是图谱？

对于图谱我们可以稍微咬文嚼字，graph 即图，而我们称之为图谱，那么何所谓图？，图是知识的表述形式，图包含两个部分：1、节点（node），节点即知识；2、边（edge）,边即关系；即以图的形式来保存知识。那何所谓谱，我们知道家谱，菜谱，食谱，那谱的意思即按照事物的类别、系统制表，也就是说图谱，不但需要能够以图的方式，结构化地表述知识，还需要对知识进行类别分类，归纳总结。

什么是网络挖掘(图挖掘)？

其实与一般意义上的数据挖掘/数据分析殊途同归，都是通过挖掘/分析方法，获取数据中的包含的信息和知识。
不同的是，一般意义的数据挖掘是通过算法模型（比如常用的回归、分类、聚类模型）进行描述/预测，网络挖掘则给出了新的解决方式。
通过将数据/问题抽象为网络模型，来帮助我们更好地进行数据分析/数据挖掘。

什么是复杂网络？

复杂网络(Complex network)即呈现高度复杂性的网络，是复杂系统的抽象。钱学森给出的定义：具有自组织、自相似、吸引子（网络的内聚倾向）、小世界（相互关系的数目可以很小但却能够连接世界的事实）、无标度中部分或全部性质的网络称为复杂网络。

• 规则网络
• ER随机网络
• WS(超) 小世界网络
• 自相似网络
• 确定性网络
• 动态演化网络
• BA无标度网络
• JGN社区网络

什么是知识图谱？

知识图谱（Knowledge Graph）以结构化的形式描述客观世界中概念、实体及其关系。是融合了认知计算、知识表示与推理、信息检索与抽取、自然语言处理、Web技术、机器学习与大数据挖掘等等方向的交叉学科。即，整理总结业务中的知识，并建立这些知识之间的关联关系，最后以图的方式将其保存出来，并对这些知识进行分类，归纳和总结。

知识图谱本质上是语义网络，是一种基于图的数据结构，由节点(Point)和边(Edge)组成。在知识图谱里，每个节点表示现实世界中存在的“实体”，每条边为实体与实体之间的“关系”。知识图谱是关系的最有效的表示方式。通俗地讲，知识图谱就是把所有不同种类的信息（Heterogeneous Information）连接在一起而得到的一个关系网络。知识图谱提供了从“关系”的角度去分析问题的能力。
知识图谱这个概念最早由Google提出，主要是用来优化现有的搜索引擎。不同于基于关键词搜索的传统搜索引擎，知识图谱可用来更好地查询复杂的关联信息，从语义层面理解用户意图，改进搜索质量。比如在Google的搜索框里输入Bill Gates的时候，搜索结果页面的右侧还会出现Bill Gates相关的信息比如出生年月，家庭情况等等。

什么是社交网络？

社交网络(Social network)模型许多概念来自于图论，因为社交网络模型本质上是一个由节点（人）和边（社交关系）组成的图。目前主导社交网络的两个核心脉络就是关系图谱与兴趣图谱。

以上概念混乱的关系？

图(论)：数学工具
复杂网络：源于图(基于图论的理论和方法开展)，图+算法，侧重于工程。是一种特殊的图（具有高度复杂特征的图）。
社交网络：是用到复杂网络工具进行社会研究，也可以说是复杂网络的分支
知识图谱：现在最常听说的概念，知识图谱既是一种特殊的图，也是一种特殊的复杂网络。但知识图谱也是一种知识表示。复杂网络+知识表示。
两大主题：风险控制和精准营销。
网络挖掘：比较大的概念，类似数据挖掘。

相关技术

知识表示
知识抽取
从各种类型的数据源中提取出实体、属性以及实体间的相互关系，在此基础上形成本体化的知识表达。

1. 面向非结构化数据的知识抽取

   实体抽取
   • 关系抽取
   • 事件抽取

2. 面向结构化数据的知识抽取

   直接映射
   • R2RML
   • 相关工具

3. 面向半结构化数据的知识抽取

   面向百科类数据的知识抽取
   • 面向WEB网页的知识抽取

知识挖掘
知识内容挖掘：实体链接
知识结构挖掘：规则挖掘

知识融合
概念层的融合
实体层的融合

知识存储
知识图谱是基于图的数据结构，它的存储方式主要有两种形式：RDF存储格式和图数据库(Graph Database)。
常见图数据库：

• NEO4J（图）
• 分布式图形数据库 JanusGraph
• Titan（图）
• OrientDB（图，文档）
• Cayley
• Jena （RDF）
• RDF4J
• RDF-3X gStore

知识计算
知识计算主要是指在结构化的知识存储库中发现隐含关系以及知识，包括但不限于如下：
知识表示：
知识推理： 据已有的知识图谱中的事实或者关系推断出新的事实与关系，一般是考察实体、关系和图谱结构三个方面的信息特征。

• 基于演绎的知识图谱推理本体推理
• 基于逻辑编程的推理
• 基于查询重写
• 基于产生式规则