| layout | title | tag | |
|---|---|---|---|
post |
图分析应用 - 1.摘要 |
|
这个系列会对这个领域结合本人自身工作中的理解进行一个梳理和沉淀，供日后参考。
说到图分析或者图（谱）应用，可能大家第一时间想到的就是现在业界很火的"知识图谱"这个概念。的确，知识图谱是目前很火的一个方向，同时这个叫法也很笼统，在不同的场景以及限制下，会有不同的变种，直接决定了产品形态的不同。
既然说分析，最重要的点在于可分析，可解释和易理解。
一般来说最初的图分析应用一般是这个级别的，也是最初的第一步。这个时候产品往往做的就是真实还原和展示数据本身或者经过粗加工的数据结果。但是在不复杂的以及不要求非常高分析质量的情况下，这个阶段的产品已经满足部分需求场景。
这里还是把知识图谱作为该类产品的统称。这个时候的产品往往是在上述情况无法满足使用需求时，开始进行系统的升级。图分析本质是对分析数据，理解数据。但是由于数据缺失，数据异构等诸多因素的原因，导致数据形成的图无法分析和理解，就需要结合数据建模抽象和算法能力来支撑起后续工作，进行补全数据，推理数据，让最终的数据达到可展示可理解的效果。
目前来说大部分团队都期望在知识图谱这个形态，采用算法对数据进行补全和推理。重点在算法上寻求突破，从而达到终局。但是现阶段的算法在我们的场景中会遇到几个难以跨越的问题：
- 现阶段算法大部分建立在概率，向量等基础上，其本身结果的解释性，准确性均有极大的挑战，只能在部分场景进行尝试使用。
- 算法依赖样本集及持续反馈训练，基本算法模型及参数难以迁移。
- 基于因果关系的算法目前还处于学术阶段，业界还未深入使用场景
因此，图分析应用在这样背景下成为了更适合的选择。图分析在上述基础上，借助强大的可视化交互分析能力，通过 人的经验 ＋ 可视化算法 ＋ 数据算法，完成完整的可解释性链路。