“领域知识图谱的构建与应用”讲座学习笔记

知识图谱是一种基于先进信息技术的型语义工具，它以实体或概念为节点，通过语义关系连接成大规模语义网络，可以帮助机器或信息系统理解语义、组织知识、发现知识，从而为人们提供知识、情报的智慧搜索和智能交互。
教授于3月30日围绕知识图谱的概念与构建流程、领域知识图谱的构建要求与应用、党史知识图谱构建与应用三部分内容展开了一次题为“领域知识图谱的构建与应用”的讲座。本人的学习笔记也就围绕这三个部分和老师讲解的内容展开，主要来梳理“领域知识图谱的构建与应用”相关的概念，具体包括知识图谱和领域知识图谱的概念、知识图谱与领域知识图谱的构建方法、知识图谱的应用现状和最后的个人总结四个部分。本次学习笔记的结构如下：

“领域知识图谱的构建与应用”讲座学习笔记
1.知识图谱和领域知识图谱的概念
1.1知识图谱的分类
1.2发展历程
2.知识图谱与领域知识图谱的构建方法
2.1构建方法分类
2.2构建流程
3.知识图谱的应用现状
3.1WordNet词汇知识库
3.2HowNet义原知识库
3.3BabelNet多语言词汇库
4.个人总结

1.知识图谱和领域知识图谱的概念
知识图谱（KnowledgeGraph）是人工智能的重要分支技术，它在2012年由谷歌提出，是结构化的语义知识库，用于以符号形式描述物理世界中的概念及其相互关系，其基本组成单位是“实体—关系—实体”三元组，以及实体及其相关属性—值对，实体间通过关系相互联结，构成网状的知识结构。

1.1知识图谱的分类
知识图谱按照功能和应用场景可以分为通用知识图谱和领域知识图谱。其中：
•通用知识图谱面向的是通用领域，强调知识的广度，形态通常为结构化的百科知识，针对的使用者主要为普通用户；
•领域知识图谱则面向某一特定领域，强调知识的深度，通常需要基于该行业的数据库进行构建，针对的使用者为行业内的从业人员以及潜在的业内人士等。

1.2发展历程
而追溯知识图谱的发展脉络和相关技术栈的发展历史，作者认为驱动知识图谱的是本体语义网和NLP两条路径。
•基于NLP技术的实体抽取、关系抽取、事件抽取、阅读理解等任务，能够帮助知识图谱完成知识结构化，海量知识沉淀及知识推理，这也是最近NLP与知识图谱结合越来越深的原因。
•语义网（semanticweb）由万维网（WorldWideWeb）的发明人TimBerners-Lee提出，其核心思想是"notstrings，butthings"。在实现上，为万维网上的文档定义通用的元数据（metadata）模型，通过统一资源描述符（UniformResourceIdentifier，URI）文档中的为实体及属性分配唯一的标识符，并建立实体间的超链接关系。因此，我们可以把由URI描述的网络资源中的站点、实体、属性等看作实体，超链接看作关系路径，则由它们构成了图谱的雏形。
•语义网为数据间建立关联，但没有解决对知识的认知。
•本体，即“Ontology”，是脱胎于哲学的概念，它是指“一种形式化的，对于共享概念体系的明确而又详细的说明”。本体用于指导我们在特定的领域范围内，对真实世界存在的事物和领域内的术语及概念，进行认知建模，定义图谱知识的schema。

2.知识图谱与领域知识图谱的构建方法
对于通用领域知识图谱，通常只需要宽泛的定义模式（Schema）或者直接使用OpenKG等开发知识图谱的结构，甚至采用“无模式（Schema）”方式，直接将数据结构化为SPO的三元组结构即可。但特定领域的应用，对知识的精确性要求较高。因此需要构建领域数据的模式（Schema），包括定义数据的概念、类别、关联、属性约束等。

2.1构建方法分类
领域本体建模或者说模式构建，可以认为有“自顶向下”和“自底向上”两种方法。
•“自顶向下