先说答案：机器学习 尤其是题主所说的人脸识别，此方向已经相当成熟，开源代码非常多，再者知识图谱涉及到一些nlp的清洗工作，需要nlp的一些技术，而这些技术现在绝大部分基于深度学习，而深度学习又是机器学习的一个细分领域也是其中现在很热门的一个方向，选择知识图谱涉及到的概念会相对来说多一点，再某些程度上会涵盖一些机器学习的工作，对零基础来说不是很友好。

如何构建知识图谱？

目前的知识图谱分为两类。一类是开放域的知识图谱，另一类是垂直领域的知识图谱。

首先就是要先处理数据互联网上的数据基本上都是结构化的，非结构化的和半结构化的。结构数据一般就是公司的业务数据。这些数据都存储到数据库里，从库里面抽取出来做一些简单的预处理就可以拿来使用。半结构化数据和非结构化数据，比如对商品的描述，或是标题，可能是一段文本或是一张图片，这就是一些非结构化数据了。但它里面是存储了一些信息的，反映到的是知识图谱里的一些属性。所以需要对它里面进行一个抽取，这是构建知识图谱中比较费时费力的一个工作。

从数据里需要抽取的其实就是之前所提到的实体、属性、关系这些信息。对于实体的提取就是NLP里面的命名实体识别。这里相关的技术都比较成熟了，从之前传统的人工词典规则的方法，到现在机器学习的方法，还有深度学习的一些使用

另外还需要做的是实体对齐和实体消歧。关于实体对齐。举例来说，比尔盖茨这四个字是中文名称，Bill Gates是他的英文名称，但其实这两个指的是同一个人。由于文本的不一样，开始的时候导致这是两个实体。这就需要我们对它进行实体对齐，把它统一化。另外是实体消歧。举例来说，苹果是一种水果，但是在某些上下文里面，它可能指的是苹果公司。这就是一个实体歧义，我们需要根据上下文对它进行实体消歧。

其次，在完成了以上步骤之后，接下来就是本体抽取。比如说公司是一个机构，它是有这种上下流的关系的。对于平级的也需要计算一个他们的相识度，比如比尔盖茨和乔布斯在实体层面，他们是比较相似的。他们都属于人这个实体。他们跟公司的差别还是挺大的，所以需要一个相似度的计算。

在以上步骤完成之后需要对知识库进行质量评估。这是一个避免不了的人工步骤。在做完质量评估以后，最终形成知识图谱。形成知识图谱以后，有些关系可能是无法直接得到的，然后需要进行知识推理，这可以对知识图谱进行扩展。