周末在公众号看了下各个公司做的知识图谱的系统的分享，记录下：
1， 模型层面，多层次+ 业务融合；
美团，服务于自己的新零售， 整个图谱的 schema模型，多层级多维度， 给商品图谱建模的时候，有很多自己的特色；
同样的，熵简科技，做的金融投研的图谱，在建模上和 商品图谱有完全的不同；
从他们的构建模型来看，都是做了 通用层【通用的知识标识层】
以及与业务对应的层次，方便与具体的业务挂钩； 这个在美团的知识图谱构建中做的区分的特别明显；
【分层的概念，我们可以认为是 图谱 中的ER 建模范式；可以很好的构建抽象 和降低数据冗余】
2，工程方面
从市场上的接触来看，对于图谱工程来说，有几个方面；
-
大规模，高并发的 real-time 图谱； 这个尤其是以 支付宝，paypal这种 c端风控应用，对工程要求特别高；
-
大规模-real-time 的实时更新； 阿里文娱团队介绍了他们的图谱，实时大规模更新的；其中他也介绍了他们多业务划分的思路，物理上市一张图，然后做了一个逻辑子图的抽象；
各个业务对应一个逻辑子图；简化了存储，又做到了业务的隔离，值得借鉴，但也引入了应用层的复杂性； -
实时etl，对于金融，事件图谱方面，second-min 级别的图谱更新；
-
图数据库本身的构建，时序图谱的构建；各个厂商说的比较少，基本上纳入到基础能力了；只有paypal在info上说了他们的engine是如何构建的；
3，算法方面；
- 这是各个厂商竞争的重点，基本上都是在用算法辅助工程，做自动化，半自动化的 实体抽取，连接，融合；
- 这里面涉及到了大量的前沿AI+AI工程的东西， 毫无疑问，是目前构建知识图谱系统的核心技术栈；
网友评论