1.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。

2.如何构建知识图谱

自己建吗可以下载图谱软件构建可以参考一下这个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.Ucinet NetDraw: Ucinet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 Börner. Mapping Knowledge Domains[C]. Proc. Proceedings of the National Academy of Sciences of the United States of America pp. 5183-5185.[6]Börner, 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. Social network analysis: Methods and applications[M]. (Cambridge university press, 1994. 1994).[15]Persson, O., R. Danell, J. Wiborg 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]Börner, K., Huang, W., Linnemeier, M.等. Rete-netzwerk-red: analyzing and visualizing scholarly networks using the Netwo。

3.为什么说中腾信自主研发的知识图谱技术,能大幅提升金融科技实力

中腾信消费金融科技服务主体，多年来在金融风控领域积累了丰富的历史数据与大数据挖掘经验，完全有实力进行自主研发。

针对近百亿级数据进行处理建模及算法优化，中腾信知识图谱技术实现了贷前应用秒级响应；能够支持客群组合管理、额度管理等方面的正面及负面应用；对存量客户实现了多度关联关系识别；基于用户关联关系图谱生成的图特征，提升优化了风险规则及评分模型。自主研发更能够实现数据的精准深度挖掘，更有优势。

从应用效果来看，中腾信自主研发的知识图谱技术，成功突破了人工智能核心技术应用，其经过历史发现的欺诈团伙的验证，可以有效识别传统类型的欺诈团伙，已全面接入风控反欺诈场景，进一步提升了其金融科技实力。

4.算法工程师应该学哪些

一、算法工程师简介 （通常是月薪15k以上，年薪18万以上，只是一个概数，具体薪资可以到招聘网站如拉钩，猎聘网上看看） 算法工程师目前是一个高端也是相对紧缺的职位；算法工程师包括 音/视频算法工程师（通常统称为语音/视频/图形开发工程师）、图像处理算法工程师、计算机视觉算法工程师、通信基带算法工程师、信号算法工程师、射频/通信算法工程师、自然语言算法工程师、数据挖掘算法工程师、搜索算法工程师、控制算法工程师（云台算法工程师，飞控算法工程师，机器人控制算法）、导航算法工程师（ @之介 感谢补充）、其他【其他一切需要复杂算法的行业】 专业要求：计算机、电子、通信、数学等相关专业；学历要求：本科及其以上的学历，大多数是硕士学历及其以上；语言要求：英语要求是熟练，基本上能阅读国外专业书刊，做这一行经常要读论文；必须掌握计算机相关知识，熟练使用仿真工具MATLAB等，必须会一门编程语言。

算法工程师的技能树（不同方向差异较大，此处仅供参考）1 机器学习2 大数据处理：熟悉至少一个分布式计算框架Hadoop/Spark/Storm/ map-reduce/MPI3 数据挖掘4 扎实的数学功底5 至少熟悉C/C++或者Java，熟悉至少一门编程语言例如java/python/R 加分项：具有较为丰富的项目实践经验（不是水论文的哪种） 二、算法工程师大致分类与技术要求 （一）图像算法/计算机视觉工程师类 包括 图像算法工程师，图像处理工程师，音/视频处理算法工程师，计算机视觉工程师 要求 l 专业：计算机、数学、统计学相关专业；l 技术领域：机器学习，模式识别 l 技术要求：（1） 精通DirectX HLSL和OpenGL GLSL等shader语言，熟悉常见图像处理算法GPU实现及优化；（2） 语言：精通C/C++;(3) 工具：Matlab数学软件，CUDA运算平台，VTK图像图形开源软件【医学领域：ITK，医学图像处理软件包】 （4） 熟悉OpenCV/OpenGL/Caffe等常用开源库；（5） 有人脸识别，行人检测，视频分析，三维建模，动态跟踪，车识别，目标检测跟踪识别经历的人优先考虑；（6） 熟悉基于GPU的算法设计与优化和并行优化经验者优先；（7） 【音/视频领域】熟悉H.264等视频编解码标准和FFMPEG，熟悉rtmp等流媒体传输协议，熟悉视频和音频解码算法，研究各种多媒体文件格式，GPU加速；应用领域：（1） 互联网：如美颜app (2) 医学领域：如临床医学图像 （3） 汽车领域 （4） 人工智能 相关术语：（1） OCR:OCR (Optical Character Recognition，光学字符识别)是指电子设备（例如扫描仪或数码相机）检查纸上打印的字符，通过检测暗、亮的模式确定其形状，然后用字符识别方法将形状翻译成计算机文字的过程 （2） Matlab：商业数学软件；（3） CUDA: (Compute Unified Device Architecture)，是显卡厂商NVIDIA推出的运算平台（由ISA和GPU构成）。 CUDA™是一种由NVIDIA推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题 （4） OpenCL: OpenCL是一个为异构平台编写程序的框架，此异构平台可由CPU,GPU或其他类型的处理器组成。

（5） OpenCV：开源计算机视觉库；OpenGL：开源图形库；Caffe：是一个清晰，可读性高，快速的深度学习框架。（6） CNN：（深度学习）卷积神经网络（Convolutional Neural Network）CNN主要用来识别位移、缩放及其他形式扭曲不变性的二维图形。

（7） 开源库：指的是计算机行业中对所有人开发的代码库，所有人均可以使用并改进代码算法。（二）机器学习工程师 包括 机器学习工程师 要求 l 专业：计算机、数学、统计学相关专业；l 技术领域：人工智能，机器学习 l 技术要求：（1） 熟悉Hadoop/Hive以及Map-Reduce计算模式，熟悉Spark、Shark等尤佳；（2） 大数据挖掘；（3） 高性能、高并发的机器学习、数据挖掘方法及架构的研发；应用领域：（1）人工智能，比如各类仿真、拟人应用，如机器人 （2）医疗用于各类拟合预测 （3）金融高频交易 （4）互联网数据挖掘、关联推荐 （5）无人汽车，无人机 相关术语：（1） Map-Reduce:MapReduce是一种编程模型，用于大规模数据集（大于1TB）的并行运算。

概念"Map（映射）"和"Reduce（归约）"，是它们的主要思想，都是从函数式编程语言里借来的，还有从矢量编程语言里借来的特性。（三）自然语言处理工程师 包括 自然语言处理工程师 要求 l 专业：计算机相关专业；l 技术领域：文本数据库 l 技术要求：（1） 熟悉中文分词标注、文本分类、语言模型、实体识别、知识图谱抽取和推理、问答系统设计、深度问答等NLP 相关算法；（2） 应用NLP、机器学习等技术解决海量UGC的文本相关性；（3） 分词、词性分析、实体识别、新词发现、语义关联等NLP基础性研究与开发；（4） 人工智能，分布式处理Hadoop;(5) 数据结构和算法；应用领域：口语输入、书面语输入 、语言分析和理解、语言生成、口语输出技术、话语分析与对话、文献自动处理、多语问题的计算机处理、多模态的计算机处理、信息传输与信息存储 、自然语言处理中的数学方法、语言资源、自然语言处理系统的评测。

相关术语：（2） NLP:。