知识图谱(knowledge graph)——RDF(Resource Description Framework)

  • RDF的基本单元是三元组(triple)

  • 每个三元组是(主语 谓语 宾语) 这样的元组tuple。主谓宾的取值称为"资源"(Resource, 也就是RDF里的R)

  • 资源可以是一个网址(URI),一个字符串或数 字(严格来讲都是带类型的字符串,称为 literal),或者一个“空节点”(blank node)。

  • 有两种特殊类型的资源。rdfs:Class代表类。 rdf:Property代表二元关系。有一种特殊的关系叫 rdf:type ,声明一个资源属于某一个类。

  • 主谓宾有一些限制,即其“schema”

  • 一个三元组就是一个关系。在RDF里我们可以声 明一些规则,从一些关系推导出另一些关系。这 些规则我们称为“schema”,所以有了RDFS (RDF Schema)。

  • 这些规则用一些词汇(可以类比编程语言里的保 留字,不过RDF里任何词汇都可以被重定义和扩 展)表示,如subClassOf subPropertyOf domain range。

  • RDF里的推理规则有十几条,其中最常用的大概 就是父类子类关系(subClassOf)。

  • RDF只提供了概念和关系的基本描述能力,并没有推理的能力。RDFS则提供了简单的推理“schema”。
    在这里插入图片描述
    在这里插入图片描述
    在这里插入图片描述

  • 参考
    [1] 精益知识图谱方法论

  • 4
    点赞
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
常识性知识图谱是一种以图谱结构来组织和表示常识性知识的技术。它以实体、属性和关系为基本元素,将各种类型的常识性知识以节点和边的形式连接起来,形成一个丰富的知识网络。 在常识性知识图谱中,实体代表现实世界中的事物,如人物、地点、组织、概念等。属性表示实体的性质或特征,如人物的出生日期、地点的经纬度等。而关系则描述实体之间的关联或联系,如人物之间的亲属关系、地点之间的距离关系等。 常识性知识图谱的建立主要依靠自然语言处理、信息抽取和知识表示等技术。首先,通过自然语言处理技术,从多种文本资源中抽取出实体、属性和关系的信息。然后,利用信息抽取技术将这些信息结构化,并按照图谱的形式进行组织。最后,通过知识表示技术,将这些结构化的知识表示为计算机可理解的形式,以便机器能够基于知识图谱进行推理和理解。 常识性知识图谱具有广泛的应用前景。它可以用于智能问答系统,提供准确、全面的答案;用于智能推荐系统,根据用户的兴趣和需求,为其推荐个性化的内容;用于智能机器人,帮助机器人具备理解和推理能力,提供更智能的服务等等。 然而,常识性知识图谱的构建面临一些挑战,如知识获取的可靠性和准确性,知识表示的一致性和丰富性等。未来,通过不断改进知识抽取、知识推理等技术,常识性知识图谱有望更好地支持人工智能系统的发展,为人们提供更智能、更高效的服务。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值