Knowledge Representation 知识表示

Xnhyacinth

已于 2022-11-13 22:33:10 修改

阅读量252

点赞数

分类专栏：知识图谱文章标签：知识图谱 xml knowledge graph

于 2022-11-13 16:07:07 首次发布

本文链接：https://blog.csdn.net/ixuyn/article/details/127833283

版权

知识图谱专栏收录该内容

1 篇文章 0 订阅

订阅专栏

Semantic Web

XML

用于存储和传输数据，侧重于如何结构化地描述信息

 <author>
	  <name>Xnhyacinth</name>
	  <gender>Male</gender>
	  <phone>+61-7-3875 507</phone>
 </author>

RDF

Resource Description Framework
利用Web标识符（URI）来标识事物,通过指定的属性和相应的值描述资源的性质或资源之间的关系

基本数据模型：

资源（resource）：一切能够以RDF描述的对象都叫资源，用唯一的URI来表示
属性（property）：用来描述资源的特征或资源之间的关系，每一个属性都有特定的意义
陈述（statement）：特定的资源加上一个属性和相应的属性值就是一个陈述，其中资源是主体（subject），属性是谓词（predicate），属性值是客体（object）
URI来表示

RDF Schema

RDFS是RDF的扩展，它在RDF的基础上提供了一组建模原语，用来描述类、属性以及它们之间的关系

Class, subClassOf：描述类别层次结构
Property, subPropertyOf：描述属性层次结构
domain, range：声明属性所应用的资源类和属性值类
type：声明一个资源是一个类的实例

RDF，RDFS和XML

RDF并不是一种语言，只是一种书写规范
RDF是一个抽象的数据模型，其基本构造为陈述，即资源-属性-属性值三元组，表示这是一个什么事物，它具有什么属性，这些属性应该有什么样的属性值
XML用来做为描述这种抽象的数据模型的具体书写方式（除了XML，也有如Turtle、JSON-LD、NTriples等流行格式）
同样因为现实世界的超级复杂性，预定义的词汇根本不够用，我们就使用RDF Schema来自定义词汇

RDF(S)特性

优点：
简单：资源以三元组的形式描述，简单、易控制
易扩展：描述和词汇集分开，具备良好的可扩展性
包容性：允许定义自己的词汇集，并可以无缝使用多种词汇集来描述资源
易综合：RDF认为一切都是资源，这样很容易综合描述
缺点：
不能准确描述语义：同一个概念有多种词汇表示，同一个词汇有多种含义（概念）
没有推理模型，不具备推理能力

Web Ontology Language (OWL)

Ontology

An ontology is a formal, explicit specification of a shared conceptualization.
本体是共享概念模型的明确的形式化规范说明

概念模型 (conceptualization)：本体是通过抽象客观世界的概念而得到的模型，其含义独立于具体的环境状态
明确性 (explicit)：本体所使用的概念及使用这些概念的约束都有明确的定义，没有二义性
形式化 (formal)：本体是计算机可处理的，而非自然语言
共享 (shared)：本体体现的是共同认可的知识，反映的是相关领域中公认的概念集合，它所针对的是团体而非个体

OWL

在语义网上表示本体的推荐语言，作为RDF(S)的扩展
其目的是：提供更多原语以支持更加丰富的语义表达并支持推理

OWL头部

OWL描述本体时，会利用命名空间中预定义的标签来形成本体头部，对本体进行声明

OWL本体

OWL的核心，描述本体的具体内容，即定义类(class)、个体(individual)和属性(property)，添加约束和关联等

OWL类

类的定义：通常使用 owl:Class 和 rdfs:subClassOf 标签
OWL中定义了所有类的基类owl:Thing，以及空类owl:Nothing

OWL个体

个体的实例化定义必须基于某个类，以声明它是其一员

<owl:Thing rdf:ID=“姚明”/>
<owl:Thing rdf:about=“#姚明”>
<rdfs:type rdf:resource=“#篮球运动员”/>
</owl:Thing>

OWL属性

属性(Property)：属性是二元关系，需标明定义域和值域
定义域(domain)：指明某个属性可用于哪个类
值域(range)：分为两类
数据类型属性（DatatypeProperty）：连接个体和数据类型

<owl:DatatypeProperty rdf:ID=“运动员身高”>
<rdfs:domain rdf:resource=“#运动员”>
<rdfs:range rdf:resource=“&xsd;unsignedLong”/>
</owl:DatatypeProperty>

对象属性（ObjectProperty）：连接个体与另一个个体

<owl:ObjectProperty rdf:ID=“对应教练”>
<rdfs:domain rdf:resource=“#运动员”>
<rdfs:range rdf:resource=“#教练员”/>
</owl:ObjectProperty>

OWL属性特征

属性可能有一些特征，如传递性、对称性等，通过type标签指定OWL预定义的属性特征

<owl:ObjectProperty rdf:ID=“队友”>
<rdfs:domain rdf:resource=“#运动员”>
<rdfs:range rdf:resource=“#运动员”/>
<rdf:type rdf:resource=“&owl;SymmetricProperty” />
</owl:ObjectProperty>
<运动员 rdf:ID=“易建联”><队友 rdf:resource=“赵继伟”/></运动员>
<运动员 rdf:ID=“赵继伟”><队友 rdf:resource=“易建联”/></运动员>

属性特征并非OWL强制要求，但尽量多的属性特征描述有助于推理算法的实现

OWL属性性质

属性的值域可以在某个类的定义中以继承的方式进一步限制，仅对这个类的个体有效。限制包括基数限制等

<owl:Class rdf:ID=“篮球队”>
    <rdfs:label xml:lang="en">basketballTeam</rdfs:label>
    <rdfs:subClassOf rdf:resource=“#球队” />
    <rdfs:subClassOf>
        <owl:Restriction>
            <owl:onProperty rdf:resource=“#现役球员"/>
            <owl:cardinality rdf:datatype="&xsd;int">12</owl:cardinality>
        </owl:Restriction>
    </rdfs:subClassOf>
</owl:Class>

其他OWL建模原语(primitives)

OWL还提供了其他的原语来建模类别、个体及属性。
按照不同的表现力，有的原语在OWL Lite中有限制或不可用，OWL DL和OWL Full中可用所有的原语。
类别描述式 (class descriptions)：

枚举
owl:oneOf (DL)
属性值约束
owl:allValuesFrom (Lite), owl:someValuesFrom (Lite), owl:hasValue (DL)
属性基数约束（Lite中仅能取0或1，DL中可以取任意值）
owl:maxCadinality, owl:minCadinality, owl:cadinality
交集、并集、补集
owl:intersectionOf, owl:unionOf (DL), owl:complementOf (DL)

类公理（class axioms）：

子类、等价类、不相交类
rdfs:subClassOf (Lite), owl:equivalentClass (DL), owl:disjointWith (DL)

属性公理（property axioms）：

RDFS属性构造 (Lite)
rdfs:subPropertyOf, rdfs:domain, rdfs:range
与其他属性的关系 (Lite)
owl:equivalentProperty, owl:inverseOf
针对属性的全局基数限制 (Lite)
owl:FunctionalProperty, owl:InverseFunctionalProperty
属性的逻辑特征 (Lite)
owl:TransitiveProperty, owl:SymmetricProperty

个体公理：

个体同一性 (Lite)
owl:sameAs, owl:differentFrom, owl:allDifferent

RIF

Rule Interchange Format
RIF是W3C定义的一套针对规则的抽象语言。它与OWL兼容，可结合OWL公理进行推理。
RIF规则是一个文档，其中有多个组（Group），每个组是多条规则的合取∧，而单条规则往往包含“如果…那么

Knowledge Graph

知识图谱：符号主义典型代表

概念或关系的语义蕴含在形式化知识结构中
通过数理推算和近似推理进行语义计算（文具解析和知识推理）

分布式表示：连接主义典型代表

数值表示词语，属性，及关系
通过数值计算进行语义计算和知识推理

易于数值计算的表示：分布表示

表示：特征工程–>特征学习（表示学习）

分布式知识表示

主要过程

核心思想：将符号化的实体和关系在低维连续向量空间中进行表示，在简化计算的同时最大程度保留原始的图结构

将实体和关系在向量空间进行表示（向量/矩阵/张量）
定义打分函数，衡量每个三元组成立的可能性
构造优化问题，学习实体和关系的低维连续向量表示

方法类型：

位移距离模型 (translational distance models)：基于位移假设，即头尾实体的表示存在位移关系，采用基于“头尾实体表示的位移”与“关系表示”的距离的打分函数来衡量三元组成立的可能性
语义匹配模型 (semantic matching models)：无上述假设，直接利用头实体、关系和尾实体的数值表示进行计算，采用基于相似度的打分函数来衡量三元组成立的可能性