时空AI核心技术：时空知识图谱 | 维智科技

时空AI核心技术：时空知识图谱 | 维智科技

时空知识图谱不单单是一个“增强型”的开放域知识图谱，而是需要结合业务场景和领域知识，并针对时空知识自身的特点，对知识的概念、实体和关系进行语义化和时空化拓展。时空知识图谱除了描述语义关系外，还需要考虑空间关系和时间关系的描述，如何建立时空关系和语义关系的映射，是时空知识图谱构建的关键问题。
时空知识图谱的构建遵循时空知识抽取、时空知识融合与关联、时空知识推理与计算、时空知识场景应用的基本流程。从海量结构化、半结构化和非结构化时空数据中进行实体、关系和属性的信息提取，通过实体对齐和指代消解实现对时空数据的知识融合并将知识存储到知识库中，最后进行进一步的知识推理、计算和图谱应用。

时空知识抽取
时空知识抽取是构建大规模时空知识图谱的重要环节，其目的在于从多源异构时空数据中自动抽取出实体、关系及属性等知识要素，并将其组织成三元组形式存入知识图谱中。时空数据按存储类型可分为结构化、半结构化和非结构化数据。面向不同类型的数据源，知识抽取涉及的关键技术有所不同。针对结构化数据（如地图、地名库等），通过建立数据库中概念与知识图谱中本体的映射关系以及基于规则的推理，从数据库中自动抽取空间实体、属性及其关系；针对半结构化数据（如网站的表格、列表型数据），可建立相应的模板抽取器实现知识抽取；针对非结构化数据（如网页文本或其他文本信息、微信、微博、图片等数据），主要利用已有的知识图谱知识，通过远程监督的方式来构建训练集，并利用深度学习的方法学习出抽取器，进而进行知识抽取。
由于爆发式增长的网络文本蕴含丰富的时空语义信息以及自然语言处理技术的迅速发展，网络文本的时空知识抽取成为关注重点之一。深度学习对语料库的依赖性明显低于其他机器学习方法，能够在深层结构上自动学习上下文特征，在地理实体、时间信息、空间信息、属性抽取和关系抽取等方面从海量文本中获得较好的知识抽取性能并及时更新时空知识，成为构建动态的时空知识图谱的重要途径。时空数据也常包含大量地图、图像、轨迹等异构数据，因此在进行知识获取时，需要对数据进行进一步解析和转换，理解地图符号的时空意义、识别各类时间、空间以及时间-空间关系等。
时空知识融合与关联
多政务数据、时空基础数据、网络数据、领域数据等海量时空知识的来源渠道众多，实现对时空数据的高效融合和关联，对充分挖掘数据价值、降低时空大数据应用系统的建设成本、提高空间数据的使用效率具有重要的现实意义。
不同数据来源的时空知识描述存在一定的互补性和差异性，如分类体系不统一、地理空间实体歧义、特征描述详略不同、实体关系冲突等信息冗余和不一致问题。知识融合是将不同数据中不同标识实体的语义理解，关联到同一实体上，实现对同名、多名和缩写等多种实体语义的消歧和共指消解&#x