什么是知识图谱
知识图谱（Knowledge Graph/Vault）又称为科学知识图谱，在图书情报界称为知识域可视化或知识领域映射地图，是显示知识发展进程与结构关系的一系列各种不同的图形，用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。通过将应用数学、图形学、信息可视化技术、信息科学等学科的理论与方法与计量学引文分析、共现分析等方法结合，并利用可视化的图谱形象地展示学科的核心结构、发展历史、前沿领域以及整体知识架构达到多学科融合目的的现代理论。为学科研究提供切实的、有价值的参考。
百科图谱怎么做的
百科图谱的制作通常需要进行以下步骤：
首先，收集大量的相关知识和信息，包括文字、图片、视频等。然后，对这些信息进行整理和分类，建立起知识的层次结构。
接下来，使用图谱构建工具，将知识和信息以图形化的方式呈现出来，可以使用节点和边来表示不同的概念和关系。
最后，对图谱进行优化和完善，确保其准确性和易读性。制作百科图谱需要综合运用知识管理、信息组织和可视化技术，以便用户能够更好地理解和获取知识。
事件图谱与知识图谱区别
事件图谱主要是推理事件之间的关联,在复杂的业务结构或者逻辑结构下有很强的推理能力,在归因和预测可以起到不错的效果 。
知识图谱提供了一种从海量文本和图像中抽取结构化知识的手段，让知识获取更便捷、知识整理更简单、知识应用更智能……知识图谱，正成为AI大数据时代组织升级知识管理、构建智能组织的关键技术。
知识图谱属于自然语言处理么
不属于。知识图谱是在NLP的基础上发展而来的。它的核心是知识库。
一般来讲，知识图谱主要目标是用来描述真实世界中存在的各种实体和概念，以及他们之间的关系，通过这种关系来描述实体之间的关联。目前，知识图谱在自然语言处理领域有两大类的应用：1）搜索和问答领域。2）自然语言理解类的场景，比如在具体的机器翻译领域，句法分析相关的工作。
产业图谱怎么做
产业图谱是搭建起满足各类金融场景需求的结构化数据体系，并在数据的广度与深度上都形成了足够厚的竞争壁垒。运用先进人工智能引擎，以自然语言识别技术进行数据结构化归类，形成丰富的知识图谱，在此基础上以精细化人工运营进行二次深度加工，确保了数据的真实、准确性。
数据信息能够把企业、交易、行业、信息、热度等数据综合起来，产生更大数据应用价值。以领域全覆盖、精准化数据等优势及强大的行业研究能力，形成从企业到行业，再从行业到整个产业链的三贯穿，这样的数据价值跟信息，让上市公司还是投资机构，能从整个局面上探索更前瞻的数据信息，以此让自己的投资策略、企业定位、发展战略更具保障。
知识图谱方法介绍
知识图谱是新一代的语义网实现，是具备推理能力的知识库应用，在构建中表现为一个技术栈的组合。知识图谱的目标是解决信息过载问题。
知识图谱是运用一套新的技术和方法论在知识结构化和分析洞察两个方面提升信息转化为知识并且被利用的效率。
大数据库和知识图谱的抽象工作都是关于“结构化”和“关联”，不过前者是数据结构化，后者是知识结构化，前者是数据级别的关联，而后者是知识级别的关联。
在应用落地的功能场景上，知识图谱和大数据库在解决类似的分析洞察问题，只是知识图谱在处理“关系”这件事儿上，更直观、更高效。
撇开对知识本身的组织、查询和展现不谈，在分析和洞察方面知识图谱技术可以视为是一种新的分析手段，基于图数据库和图分析的知识图谱在风险防控和营销推荐的某些方面有比较好的表现，尤其在设计多层次、多关系事务的探查效率和模型扩展能力上，知识图谱被认为是突破传统数据分析技术瓶颈的希望所在。
知识图谱机器学习区别
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。
