修改密码

Input error
Input error
Input error
提交

修改昵称

当前昵称:
提交
通用知识图谱的建设是极其庞杂的系统性工程,并且几乎无法兼顾知识覆盖的广度与知识探索的深度,因此并不是我们这里要讨论的重点。一般而言,基于实体与关系构建的智能(关系)图谱通常聚焦于某个行业、某个场景,例如慢病管理知识图谱、金融知识图谱、保险图谱、审计图谱、投研图谱、工商图谱等。知识图谱的建设在很长一段时间里都着重在NLP(自然语言处理)和可视化呈现等工作,而忽略了计算时效性、数据建模灵活性、查询(计算)过程与结果可解释性等问题。原生高性能图数据库对于建设知识图谱的意义在于它颠覆了传统基于SQL或NoSQL(例如文档数据库)构建的图谱的低算力(低时效性)缺陷,进而改变了知识图谱系统业务人员的操作流程——高效实时、交互可视化。本质上,图数据库带来的是更高的劳动生产力与效率。

痛点

传统知识图谱面临的挑战

低算力、低效

采用SQL或NoSQL数据库系统构建的知识图谱底层架构效率低下,无法高速地处理高维数据,例如,无法实时(毫秒级以内)对工商图谱进行 5 层或更深的穿透。此类图谱的低算力也体现在数据无法实时(或低延时)更新, 因为这类系统本质上都是基于批处理理念构建的,ROI(投入产出比)必然低。

灵活性差

基于关系型数据库、文档数据库或低性能图数据库构建的知识图谱通常受制于底层架构而无法便捷高效地还原实体间的真实关系。例如,它们有些只支持简单图(单边图),录入多边图数据时要么容忍信息丢失,要么花高代价来构图。在面对海量关联数据时,非原生和低性能图数据库的灵活性缺陷会暴露得更加明显。

徒有其表

在2020年之前,几乎所有的知识图谱系统建设都主要围绕NLP和可视化这两部分:前者集中在本体与三元组的抽取和构建,后者则面向最终用户提供交互服务;极少有人真正关注底层算力,即查询(图谱下钻)深度、速度和可解释性(白盒化)等问题。很多操作都需要通过预处理、缓存、批处理、机器学习的方式才能实现,这种系统建设的思路好比马拉火车,显然会限制知识图谱的应用,这也是为什么大多数知识图谱项目最后都烂尾。

创新:基于Ultipa高算力、高灵活性实时图数据库的知识图谱

Ultipa图数据库是目前全球唯一的第四代(实时)图数据库,通过高密度并发、动态剪枝、多级存储计算加速等专利技术实现了对任意量级数据集的超深度实时下钻。例如,在前面提到的工商图谱数据集上,Ultipa能以微秒级时效发现全部的关联路径,效率较其它图数据库系统提升了百倍甚至万倍。

Ultipa实时图计算赋能智能知识图谱、关系图谱

知识图谱是一个强大的工具,尤其是对于企业而言,可应用于行业投研管理、网络管理和元数据(meta-data)管理,可助力决策支撑、场景回溯、投入产出分析、预测与情景模拟和压力测试,并且对于强可视化以及白盒化的用户体验而言价值重大。无论是系统管理员、IT工程师还是企业的决策管理者,都会感知到知识图谱的深远意义。但是,需再次重申:没有算力的知识图谱是瘸腿的,高性能(实时)图数据库才是智能图谱最值得信赖的底层架构与工具。

完成以下信息后,可下载此案例
*
公司名称不能为空
*
公司邮箱必须填写
*
你的名字必须填写
*
你的电话必须填写
*
你的电话必须填写