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/