语义网与知识图谱的关系

语义网1999年左右由TBL（Tim Berners-Lee）提出，他老人家是万维网之父，一直贼心不死的想把万维网更进一步。万维网好到不行，但是最主要的问题：人是主要的消费者。也就是说，人要来读网上的信息，这样又慢又累，还没法发挥万维网的所有潜质。要是 机器能直接理解和消费万维网 该有多好！于是，他老人家就向这个方向先走了一步，并学着马丁路德金同志的演说，也宣称自己有个梦想。原文如下：

Berners-Lee originally expressed his vision of the Semantic Web as follows:

看！他说，我有一个梦......

然后 为了能让机器（或者说你写的应用）理解网上的内容，他和W3C的一帮家伙一起，制定了一堆标准 ，这些标准说：你可以用这样的格式和方法把结构化的数据加到现有的网页里，这些结构化的数据，还有一个更牛的名字，叫 语义 。这样，现有的 万维网就成了语义网 。

然后大家就和他一起练，风起云涌了一阵子。但是有个大问题： 谁来把结构化的数据（就是RDF语句们）一点一点地加到现有的网页里（这个动作叫做semantic mark-up）？ 拥有网页的人说，我没有动力这么做，谁也不给我什么好处！

这下子语义网的革命运动进入了低潮，并且在低潮很长时间，就像国足差不多。到了2006左右，突然有了 linked data（其实就是语义网技术的一个实现） ，大家又乐了一把，的确有些不错的应用，连Pinterest，Twitter等都用了一把，但是没有让人眼前一亮的感觉。

革命就又进入了低潮。终于到了2012，大牛谷歌，天天练PageRank, MapReduce，练得有点烦了，于是想起了语义网。正好，谷歌已经推广了 http://schema.org ，再加上DBpedia等等，看起来时机成熟，于是就在饭前便后的空余时间里，推出了 知识图（knowledge graph) 。

知识图依赖于几个关键的技术组件， 其中 语义网的主要技术构件成为了知识图的技术核心 。于是语义网的同志们十分高兴，觉得语义网终于找到了组织。

现在，知识图基本上成了语义网的同义词，而且牛的不行。慢慢看看吧，希望好日子不远了。

搜索引擎排名的基础之一，就是关键词与网页的相关性。

机器算法和人不一样的地方是人可以直接理解词的意思，文章的意思，机器和算法不能理解。人看到苹果这两个字就知道指的是那个圆圆的，有水的挺好吃的东西，搜索引擎却不能从感性上理解。

但搜索引擎可以掌握词之间的关系，这就牵扯到语义分析。

两年前搜索引擎优化业界很热烈的谈论过一阵潜在语义索引(Latent Semantic Indexing)。因为时间比较久，记得也不是很清楚，大概介绍一下。

所谓潜在语义索引指的是，怎样通过海量文献找出词汇之间的关系。当两个词或一组词大量出现在同一个文档中时，这些词之间就可以被认为是语义相关。

举个例子，电脑和计算机这两个词在人们写文章时经常混用，这两个词在大量的网页中同时出现，搜索引擎就会认为这两个词是极为语义相关的。

要注意的是，潜在语义索引并不依赖于语言，所以SEO和搜索引擎优化虽然一个是英语，一个是中文，但这两个词大量出现在相同的网页中，虽然搜索引擎还不能知道搜索引擎优化或SEO指的是什么，但是却可以从语义上把”SEO”，”搜索引擎优化”，”search engine optimization”，”SEM”等词紧紧的连在一起。

再比如苹果和橘子这两个词，也是大量出现在相同文档中，不过紧密度低于同义词。

搜索引擎有没有使用潜在语义索引，至今没有定论，因为搜索引擎既不承认也不否认。但一个事实是2002年Google买下了拥有潜在语义索引专利的一家公司Allied Semantic。

这种语义分析技术可以给我们在搜索引擎优化上一些提示。

网站主题的形成

通常逻辑和结构适当的网站都会分成不同的频道或栏目。在不同的频道中谈论有些区别但紧密相关的话题，这些话题共同形成网站的主题。搜索引擎在把整个网站的页面收录进去后，能够根据这些主题词之间的语义相关度判断出网站的主题。

网页内容写作

从两年前开始，搜索引擎排名有一个现象，搜索某个关键词，排在靠前面的网页有时甚至并不含有所搜索的关键词，这很有可能是潜在语义索引在起作用。

比如搜索电脑，排在前面的网页有可能出现一篇只提到计算机却没提到电脑。因为搜索引擎通过语义分析知道这两个词是紧密相关的。

还有一个要注意的是，在进行网页写作的时候，不要局限于目标关键词，应该包含与主关键词语义相关相近的词汇，以支持主关键词。

这在搜索结果中也有体现，有的文章虽然大量出现主关键词，但缺少其他支撑词汇，排名往往不好。

---