图网络和知识图谱有什么区别?

一、概念理解

图网络,即Natural Graph,是基于世界各实体之间的自然关系表示而得到的图,他们的节点一般是某个特定网络中的实体(人、物理机、分子)。例如:社交网络、通信网络、蛋白质网络。

知识图谱,即Knowledge Graph,它一般是由知识或信息组织而成的图,它是专门被用来构建知识库并支持决策的。因此知识图谱中的节点可以直接是抽象名词,或者是世界知识或语言知识。

 

二、异同点

①   二者都是由节点和边组成的图。但是图网络中的实体都是客观存在的,是对真实世界关系的一种呈现;知识图谱主要是把客观世界潜在的知识结构呈现出来,实体可以是抽象的名词。

②   二者都是异质信息网络,但是任务不同。KG是一种知识量丰富的异质信息网络(Heterogeneous Information Network, HIN),它更关注建模实现对关系节点的表示,模型学习的重点是节点之间的关系,以更好地存储、抽取、推理知识。NG建模任务更关注节点的表示,模型学习的重点是图网络的结构,以达到对节点分类、聚类、链接预测的目的。

 

三、图网络表示学习(Graph Embedding) VS 知识图谱表示学习(Knowledge Graph Embedding)

  也可以称图嵌入学习,分为图网络嵌入graph embedding以及知识图谱嵌入knowledge graph embedding。从起源看,这两个任务中最火的方法DeepWalk和TransE,都是受到了word2vec启发提出来的,只是前者是受到了word2vec处理文本序列、由中心词预测上下文的启发;而后者受到了word2vec能自动发现implicit relation (也就是大家常说的 king - man = queen - woman)的启发。

  两者的相同之处是目标一致,都旨在对研究对象建立分布式表示。不同之处在于,知识表示重在如何处理实体间的显式关系上;而网络表示重在如何充分考虑节点在网络中的复杂结构信息(如community等)。

1)学习目标不同

  网络表示比较注重在嵌入式空间中保留网络的拓扑结构信息,知识图谱的表示在保留结构信息的基础上,也同样注重于关系的重要性,以及它们的头尾关系。知识图谱表示学习更偏向关系建模,在保留结构信息的基础上强调关系和头尾关系,强调的是节点和关系的表示,节点和关系同样重要,因此,知识图谱表示学习中往往指明了关系,比如水果和猕猴桃之间是所属关系

2)学习方法不同

  网络表示学习通常包括三种:基于矩阵分解的模型,比如SVD;基于随机游走的模型,比如DeepWalk;基于深度神经网络的模型,包括CNN、RNN等;此外还有同质网络、异质网络的区分,还有属性网络、融合伴随信息的网络等。

  与此不同的是,典型的知识图谱表示算法包括trans系列的算法,如TransE、TransR、TransH等,通过这个三元组去刻画实体和关系的向量表示。

 

参考:

https://www.cnblogs.com/S22Planet/p/14136987.html

https://mp.weixin.qq.com/s/H55uhiMPm1HGaWQ_Zx2wZA

https://leovan.me/cn/2020/04/graph-embedding-and-gnn/

posted @ 2022-07-19 14:41  光彩照人  阅读(1179)  评论(0编辑  收藏  举报