نمودارهای دانش ۲۰۲۲
Knowledge Graphs 2022

این کتاب، مقدمه‌ای جامع و در دسترس به «گراف‌های دانش» ارائه می‌دهد؛ موضوعی که اخیراً توجه قابل‌توجهی را هم از سوی صنعت و هم از سوی محافل دانشگاهی به خود جلب کرده است. گراف‌های دانش بر مبنای اصل به‌کارگیری یک انتزاع گراف‌محور برای داده‌ها بنا شده‌اند و اکنون به طور گسترده در سناریوهایی به کار می‌روند که نیازمند یکپارچه‌سازی و استخراج ارزش از منابع داده‌ای متعدد و متنوع در مقیاس بزرگ هستند.

این کتاب، گراف‌های دانش را تعریف کرده و یک نمای کلی سطح بالا از نحوه استفاده از آن‌ها ارائه می‌دهد. همچنین، مدل‌های گراف محبوب را که معمولاً برای نمایش داده‌ها به صورت گراف استفاده می‌شوند، معرفی و مقایسه می‌کند و زبان‌هایی را که می‌توان با آن‌ها این گراف‌ها را پرس‌وجو کرد، مورد بررسی قرار می‌دهد. سپس، چگونگی ارتقای گراف داده‌ای حاصل با مفاهیم طرحواره، هویت و زمینه را شرح می‌دهد.

کتاب به این موضوع می‌پردازد که چگونه می‌توان از هستی‌شناسی‌ها و قواعد برای رمزگذاری دانش استفاده کرد، و همچنین چگونه می‌توان از تکنیک‌های استقرایی – مبتنی بر آمار، تحلیل گراف، یادگیری ماشین و غیره – برای رمزگذاری و استخراج دانش بهره برد. در ادامه، تکنیک‌هایی برای ایجاد، غنی‌سازی، ارزیابی و اصلاح گراف‌های دانش را پوشش می‌دهد و به بررسی گراف‌های دانش باز و سازمانی اخیر و صنایع یا کاربردهایی که در آن‌ها به طور گسترده مورد استفاده قرار گرفته‌اند، می‌پردازد.

کتاب با بحث در مورد محدودیت‌های فعلی و مسیرهای آینده‌ای که احتمالاً گراف‌های دانش در آن‌ها تکامل می‌یابند، به پایان می‌رسد. هدف این کتاب، دانشجویان، پژوهشگران و متخصصانی هستند که مایلند درباره گراف‌های دانش و نحوه تسهیل استخراج ارزش از داده‌های متنوع در مقیاس بزرگ، اطلاعات بیشتری کسب کنند. برای اینکه کتاب برای افراد تازه وارد در این حوزه قابل فهم باشد، در سرتاسر آن از مثال‌های کاربردی و نشانه‌گذاری گرافیکی استفاده شده است. همچنین، تعاریف رسمی و مراجع گسترده برای کسانی که تمایل دارند عمیق‌تر به موضوعات خاص بپردازند، ارائه شده است.

This book provides a comprehensive and accessible introduction to knowledge graphs, which have recently garnered notable attention from both industry and academia. Knowledge graphs are founded on the principle of applying a graph-based abstraction to data, and are now broadly deployed in scenarios that require integrating and extracting value from multiple, diverse sources of data at large scale. The book defines knowledge graphs and provides a high-level overview of how they are used. It presents and contrasts popular graph models that are commonly used to represent data as graphs, and the languages by which they can be queried before describing how the resulting data graph can be enhanced with notions of schema, identity, and context. The book discusses how ontologies and rules can be used to encode knowledge as well as how inductive techniques—based on statistics, graph analytics, machine learning, etc.—can be used to encode and extract knowledge. It covers techniques for the creation, enrichment, assessment, and refinement of knowledge graphs and surveys recent open and enterprise knowledge graphs and the industries or applications within which they have been most widely adopted. The book closes by discussing the current limitations and future directions along which knowledge graphs are likely to evolve. This book is aimed at students, researchers, and practitioners who wish to learn more about knowledge graphs and how they facilitate extracting value from diverse data at large scale. To make the book accessible for newcomers, running examples and graphical notation are used throughout. Formal definitions and extensive references are also provided for those who opt to delve more deeply into specific topics.