导读
知识图谱（Knowledge Graph），在图书情报界称为知识域可视化或知识领域映射地图，是显示知识发展进程与结构关系的一系列各种不同的图形，用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。
笔者尝试和ChatGPT对话，拓宽笔者思路去了解知识图谱在工程项目管理领域如何应用。
笔者在2017年接触过“知识图谱”这个概念，使用Citespace进行文献分析。探究某一研究领域的研究热点、研究前沿、知识基础（关键文献）、主要作者和机构等，同时帮助预测某一研究领域的未来发展走向。
2018年，也了解了通过知识图谱技术分析某一地区历史人物的人物关系、地区文化。但是当时都没有重视知识图谱的应用。。。。（大失误啊）
近期因为工作问题，需要探讨将知识图谱应用于工程项目管理。今天结合ChatGPT，初探知识图谱在工程项目管理领域的应用。
知识图谱简介
2012年5月，Google收购Metaweb公司，并正式发布知识图谱。这是知识图谱诞生的标志。知识图谱（Knowledge Graph）本质上是一种大规模语义网络，富含实体、概念及其之间的语义关系。作为一种语义网络，是大数据时代知识表示的重要方式之一；作为一种技术体系，是大数据时代知识工程的代表性进展。（《知识图谱：概念与技术》复旦大学 肖仰华）
知识图谱由节点和边组成。节点可以是实体，如一个项目、一个构件等，或是抽象的概念，如元宇宙等。边可以是实体的属性或者表达实体之间的关系。（《知识图谱方法、实践与应用》 主编：王昊奋、漆桂林、陈华钧）
知识图谱的最初思想是把基于文本链接的万维网转化成基于实体链接的语义网。（《知识图谱方法、实践与应用》 主编：王昊奋、漆桂林、陈华钧）
从抽象层面看，本体最抽象，其次是知识库，最后才是知识图谱。举个例子，如果我们要做图书领域的知识库或者知识图谱，首先要对图书进行分类，这个分类就是本体，比如说，图书分为计算机类和电子类，计算机类又分为网络、人工智能；有了这个分类后，我们就可以把图书都分到每个类别，比如说《Zero to One》是一本进口原版书，然后这本书有各种属性－属性值，比如说书的作者是Peter Thiel，这些数据就构成了一个图书知识图谱（前面讲的分类可以认为不是这个知识图谱的一部分），而这里分类和知识图谱一起可以看成是一个图书知识库。也就是说，本体是强调概念关系，知识图谱强调实体关系和实体属性值，知识库则是所有知识的集合。但是知识库不局限于分类和图谱，知识库可以包括规则，包括过程性知识等。而本体也可以定义得很抽象，任何概念的内涵和外延可以定义本体。（漆桂林，东南大学计算机系教授）
和ChatGPT对话
我首先让ChatGPT自己“回忆”一下学习过的关于知识图谱、工程项目管理的知识。
然后再告诉他清华大学胡振中教授有一篇论文是关于知识图谱在工程管理中的应用的，让他“想起来”自己曾经看过这篇论文，也意识到知识图谱在工程管理中具有应用价值。
当我训练完ChatGPT知道什么是知识图谱，以及学习一篇与自己想要应用的论文时，这时候就开始让它尝试提出一些应用点。
此时它提出的是一些比较粗的结论，比如知识图谱在工程管理的风险管理和决策支持方面，提出“知识图谱将数据与项目流程映射进来，可以更好地辅助风险管理和决策过程”。内容还是比较需，需要有一些例子支持。
笔者就对他说：很好，刚才你分析得还不够深入。请你写一个知识图谱在工程项目管理领域应用研究，需要分点列出应用，同时对于每一个应用点提出一个简单的例子。
但是，ChatGPT此时只是回答了知识图谱在工程设备管理、工程质量管理、风险控制和决策支持应用三个方面的应用。笔者觉得还不够，就对ChatGPT说：你提出了三点应用，还有无别的应用点呢？
随后ChatGPT继续拓展了3点内容：知识图谱在工程成本管理、施工计划管理、工程项目风险评估与监控的应用。
笔者了解到，《基于Neo4j图数据库的工程档案知识图谱构建及应用》这篇论文讲述了知识图谱在工程档案管理中的应用。笔者让ChatGPT尝试去总结提炼出知识图谱在工程档案管理的应用。
总的来说，通过和ChatGPT的对话，笔者对知识图谱在工程项目管理领域的应用有了开拓性的了解。
后续笔者也将针对每一个应用点，进一步和ChatGPT探索。
欢迎各位朋友批评指正，同时也欢迎对知识图谱在工程项目管理领域应用感兴趣的朋友后台留言，为笔者提供更多的思路。（全文完）
