知识图谱入门，机器学习→深度学习→nlp→知识图谱。这样的学习路线对不对？

难得遇上这么对口的问题。

知识图谱的研究方向主要有两个，知识图谱的构建，和知识图谱的应用。

知识图谱的构建主要是知识实体的识别和知识关联的构建，也就是nlp里的命名实体识别，实体关系识别和事件识别。举个例子就是语料里有“拜登当选美国总统”，你怎么从这句话里分辨出拜登和美国总统这两个实体，以及“职业”这个关系。这个方向就是走传统的nlp学习路线，从简单机器学习入门，然后看看dnn rnn lstm bert，或者走统计学路线，也就是马尔可夫那些。还有一类构建方法的研究不是很常见，在工业界比较多，就是怎么从线上系统的日志里构建知识图谱，这种涉及半结构化半文本数据的处理，类似特征工程，需要领域知识，当然一般学术界也拿不到这样的数据。

知识图谱的应用就比较丰富了，知识图谱是图结构组织的结构化知识库，也可以叫异构语义网络，它最大的特性就是结构化。所以一切涉及到“关系”概念的都可以用到知识图谱。比如用户和商品，商品和信息是不是关系？那么就可以构建商品知识图谱用来推荐。query和文章，文章和摘要，摘要和关键词是不是关系？那么检索领域也可以构建知识图谱。用户和意图，意图切换，意图和槽位，槽位和item是不是关系？对话领域可以用知识图谱做dst状态追踪。query和推论，推论和推论的推论是不是关系？qa领域也可以用知识图谱做推理。

知识图谱的应用的实现主要有两种方案，一种是把知识图谱看作路径的集合，以路径为单位做文章，也就是路径预测，路径补全等等。比如用户商品知识图谱上“我-指环王-jrr托尔金-霍比特人”就是一条路径表示我读过指环王，指环王的作者是托尔金，他还还有霍比特人，可以当作用户兴趣路径，可以按照这个路径做推荐。ir、qa也同理。知识图谱天然的具有语义，所以路径模型通常也是可解释模型。因为知识图谱上的连接都是确定的，现实中真实存在的连接，所以其解释性也solid。常用的模型是利用元路径（也就是关系模式）在知识图谱里提取路径。送到lstm、bert或者cnn等能处理序列数据的模型，类似nlp里的做法。另一类是把知识图谱看作节点和边的集合，计算知识表示延边传播和聚合，学习实体的知识表示。这类主要用图神经网络gnn、gcn，gat等等。应用方面研究主要看你把知识图谱用在什么领域，就主要学那个领域的东西。比如用在推荐，那就不用看nlp。