知识图谱知识图谱在知识工程中，处于什么样的地位或起什么样的作用

如何构建知识图谱

自己建吗可以下载图谱软件构建 /R0b1n/p/5224065.html可以参考一下这个 SPSS: 大型统计分析软件，商用软件。

具有完整的数据输入、编辑、统计分析、报表、图形绘制等功能。

常用于多元统计分析、数据挖掘和数据可视化。

Bibexcel: 瑞典科学计量学家Persoon开发的科学计量学软件，用于科学研究免费软件。

具有文献计量分析、引文分析、共引分析、耦合分析、聚类分析和数据可视化等功能。

可用于分析ISI的SCI、SSCI和A&HCI文献数据库。

HistCite: Eugene Garfield等人于2001年开发的科学文献引文链接分析和可视化系统，免费软件。

可对ISI的SCI、SSCI和SA&HCI等文献数据库的引文数据进行计量分析，生成文献、作者和期刊的引文矩阵和实时动态引文编年图。

直观的反映文献之间的引用关系、主题的宗谱关系、作者历史传承关系、科学知识发展演进等。

CiteSpace: 陈超美博士开发的专门用于科学知识图谱绘制的免费软件。

国内使用最多知识图谱绘制软件。

可用于追踪研究领域热点和发展趋势，了解研究领域的研究前沿及演进关键路径，重要的文献、作者及机构。

可用于对ISI、CSSCI和CNKI等多种文献数据库进行分析。

TDA: Thomson Data Analyzer（TDA）是Thomson集团基于VantagePoint开发文献分析工具。

商用软件。

具有去重、分段等数据预处理功能；可形成共现矩阵、因子矩阵等多种分析矩阵；可使用Pearson、Cosine等多种算法进行数据标准化；可进行知识图谱可视化展示。

Sci2 Tools: 印第安纳大学开发的用于研究科学结构的模块化工具可从时间、空间、主题、网络分析和可视化等多角度，分析个体、局部和整体水平的知识单元。

ColPalRed: Gradnada大学开发的共词单元文献分析软件。

商用软件。

结构分析，在主题网络中展现知识（词语及其关系）；战略分析，通过中心度和密度，在主题网络中为主题定位；动态分析，分析主题网络演变，鉴定主题路径和分支。

Leydesdorff: 系类软件。

阿姆斯特丹大学Leydesdorff开发的这对文献计量的小程序集合。

处理共词分析、耦合分析、共引分析等知识单元体系。

使用“层叠图”实现可视化知识的静态布局和动态变化。

Word Smith: 词频分析软件。

可将文本中单词出现频率排序和找出单词的搭配词组。

NWB Tools: 印第安纳大学开发的对大规模知识网络进行建模、分析和可视化工具. 数据预处理；构建共引、共词、耦合等多种网络；可用多种方法进行网络分析；可进行可视化展示. NetDraw: 是社会网络分析工具。

包括网络可视化工具Net Draw。

用于处理多种关系数据，可通过节点属性对节点的颜色、形状和大小等进行设置。

用于社交网络分析和网络可视化。

Pajek: 来自斯洛文尼亚的分析大型网络的社会网络分析免费软件。

Pajek基于图论、网络分析和可视化技术，主要用于大型网络分解，网络关系展示，科研作者合作网络图谱的绘制。

VOSviewer: 荷兰莱顿大学开发的文献可视化分析工具。

使用基于VOS聚类技术技术实现知识单元可视化工具。

突出特点可视化能力强，适合于大规模样本数据。

四种视图浏览：标签视图、密度视图、聚类视图和分散视图。

[4]陈悦, 刘则渊, 陈劲等. 科学知识图谱的发展历程[J]. 科学学研究, 2008, (03): 449-460. [5]Shiffrin, R.M., and Katy B?rner. Mapping Knowledge Domains[C]. Proc. Proceedings of the National Academy of Sciences of the United States of America pp. 5183-5185. [6]B?rner, K., Chen, C.和Boyack, K.W. Visualizing knowledge domains[J]. Annual review of information science and technology, 2003, 37, (1): 179-255. [7]CM, C. CiteSpace II: Detecting and visualizing emerging trends and transient patterns in scientific literature[J]. Journal of the American Society for Information Science and Technology, 2006, 57, (3): 359-377. [8]陈悦和刘则渊. 悄然兴起的科学知识图谱[J]. 科学学研究, 2005, (02): 149-154. [9]邱均平. 信息计量学[M]. (武汉大学出版社, 2007. 2007). [10]沙勇忠和牛春华. 信息分析[M]. (科学出版社, 2009. 2009). [11]塞沃尔, 建军和煦. 链接分析: 信息科学的研究方法[M]. (东南大学出版社, 2009. 2009). [12]Egghe, L.和Rousseau, R. Introduction to informetrics: Quantitative methods in library, documentation and information science[J]. 1990 [13]韩家炜, 坎伯, 裴健等. 数据挖掘: 概念与技术[M]. (机械工业出版社, 2007. 2007). [14]Wasserman, S. work analysis: Methods and applications[M]. (Cambridge university press, 1994. 1994). [15]Persson, O., R. Danell, J. Schneider. How to use Bibexcel for various types of bibliometric analysis[C]. Proc. International Society for Scientometrics and Informetrics., Leuven, Belgium2009 pp. 9–24. [16]Yang, Y., Akers, L., Klose, T.等. Text mining and visualization tools–impressions of emerging capabilities[J]. World Patent Information, 2008, 30, (4): 280-293. [17]B?rner, K., Huang, W., Linnemeier, M.等. zwerk-red: analyzing and visualizing works using the Network Workbench Tool[J]. Scientometrics, 2010, 83, (3): 863-876. [18]廖胜姣. 科学知识图谱绘制工具:SPSS和TDA的比较研究[J]. 图书馆学研究, 2011, (05): 46-49. [19]Scott, M. WordSmith tools[M]. (Oxford: Oxford University Press, 1996. 1996). [20]Batagelj, V.和Mrvar, A. Pajek - Program for Large Network Analysis[M]. (1998. 1998). [21]atti, S.P., Everett, M.G.和Freeman, L.C. for Windows: Software for work analysis[J]. 2002 [22]Van Eck, N.J.和Waltman, L. VOSviewer: puter program for bibliometric mapping[J]. 2009

知识图谱怎样入门

知识图谱作为一门学问，绝不是用个图数据库写几条查询，或者用规则写一个表格的提取，就可以称为成功的运用的。

和所有的学科一样，都需要长期的艰苦的努力，在充分了解前人成果的基础上，才有可能做出一点点成绩。

知识图谱作为人工智能（AI）的一个分支，和AI的其他分支一样，它的成功运用，都是需要知道它的所长，更需要知道它的所短的。

特别是AI各个学派林立，经验主义（机器学习）、连接主义（神经网络）、理性主义（知识工程）、行为主义（机器人）各个方法的优劣，倘若不能有纵览的理解，也难以做正确的技术选型，往往盲目相信或者排斥一种技术。

AI是一个极端需要广阔视野的学科。

知识图谱涉及知识提取、表达、存储、检索一系列技术，即使想有小成，也需要几年的功夫探索。

如下所列，应该是每个知识图谱从业者都应该了解的一些基本功： 知道Web的发展史，了解为什么互联和开放是知识结构形成最关键的一件事。

（我把这个列第一条，是我的偏见——但我认为这是最重要的一个insights） 知道RDF，OWL，SPARQL这些W3C技术堆栈，知道它们的长处和局限。

会使用RDF数据库和推理机。

了解一点描述逻辑基础，知道描述逻辑和一阶逻辑的关系。

知道模型论，不然完全没法理解RDF和OWL。

了解图灵机和基本的算法复杂性。

知道什么是决策问题、可判定性、完备性和一致性、P、NP、NExpTime。

最好再知道一点逻辑程序（Logic Programming），涉猎一点答集程序（Answer Set Programming），知道LP和ASP的一些小工具。

这些东西是规则引擎的核心。

如果不满足于正则表达式和if-then-else，最好学一点这些。

知识图谱在知识工程中，处于什么样的地位或起什么样的作用

知识图谱工程，是计算机科学、信息科学、情报学当中的一个新兴领域，旨在研究用于构建知识图谱的方法和方法学。

知识图谱工程乃是一个新兴的研究和应用领域，关注的是知识图谱开发过程、知识图谱生命周期、用于构建知识图谱的方法和方法学以及那些用于支持这些方面的工具套装和语言 在过去的四年时间里，人们对于各种知识图谱的关注日益增强。

如今，知识图谱已广泛应用于知识工程、人工智能以及计算机科学领域；同时，知识图谱还广泛应用于知识管理、自然语言处理、电子商务、智能信息集成、生物信息学和教育等方面以及语义网之类的新兴领域。

知识图谱旨在明确特定领域的那些隐含在软件应用程序以及企业机构和业务过程当中的知识可视化。

知识图谱工程为解决各种语义障碍所造成的互操作性问题提供了一个前进的方向。

其中，语义障碍指的也就是那些与业务术语和软件类的定义相关的障碍和问题。

知识图谱工程是一套与特定领域之本体开发工作相关的任务。