构建知识图谱时，什么时候用rule base进行推理，什么时候用语义推理，什么时候用图嵌入形式推理？

想咋用咋用呗，语义推理是更具已知推算结果嘛，图啥的用来存放知识表是逻辑关系呗，反正我从来不用库写代码，都是自己纯码出来的。

rule base适用于一些常见问题的场景，通过关键词匹配、快速搜索，能够快速、准确的进行问答；深度学习适用于一些泛化类的意图问题，他能够基于上下文语义理解，更好的服务客户。
而知识图谱适用于一些规整的问题，例如实体属性的问答。

语义推理(semantic inference)指的是依据词项之间的语义关系而进行的推理。例如，从“李四是上海人”可推出”有人是上海人”和“李四是中国人”等。这种推理不同于命题逻辑或渭词逻辑中的形式推理，这种推理所依据的乃是词项“李四”与“人”、“上海人”与“中国人”之间具体的语义关系。语义推理主要有三类：（1）同义关系推理；（2）下义关系推理；（3）反义关系推理。

图嵌入形式推理在知识图谱中应用分为两大类：
其一是在图谱中，主要用于实体预测，实体分类，实体消歧（确认两个实体是否为一个），三原则分类
其二是图谱外（out of KG),关系提取，问答系统，推荐系统

RuleBase

当RuleBase中有规则添加或删除，利用观察者模式实现，一旦有变动，规则引擎其他组件也做出相应的改变。
学习思想：当一个应用中涉及多个组件，为了实现易扩展，解耦思想。可以利用观察者模式实现。基于易变动的数据结构中加入监听者，监听者依据被监听者的变动动作，定义自己的动作。在监听者内部通知其他组件做出相应改变。实现面向对象的思想。组建之间实现了解藕

语义推理
在实际应用场景中，我们发现要实现视频的深度语义理解，在纯感知技术的基础上，知识发挥着重要的价值。比如上面的短视频片段，从内容理解来看，传统的视频理解更多是基于感知，比如通过人脸识别和从OCR识别出关键词/字。在实际场景中我们发现这些效果上还有较大优化空间，同时，这样识别出的结果没有刻画出用户对视频核心的细粒度兴趣，比如影视剧的角色、关系等知识。但是基于知识图谱的语义理解就可以解决这类的问题，它能够对视频做深度结构化的解析，然后上层的推荐、搜索可以应用这些知识作为特征辅助内容的高效分发。

图嵌入形式推理
主要用于整合事实信息、整合附加信息和KGE下游任务应用

如有帮助，请采纳，十分感谢！