知识图谱分类

《知识 图谱：概念技术》一书读书笔记1。

基本事实，如（柏拉图，出生地，雅典） 。事实知识是知识图谱中最常见的
知识类型。大部分事实都是在描述实体的特定属性或者关系，比如上例中的
“出生地”属性。需要说明的是，有些实体的相关事实未必存在典型的属性
或者关系与之对应，只能通过复杂的文本来描述。比如，＂亚里士多德是西
方古典哲学的集大成者”这一事实很难找到明确的属性加以陈述。再比如，
在“柏拉图继承和发展了苏格拉底的哲学思想”这一事实中，显然柏拉图与
苏格拉底之间是有关系的，但这类关系无法简单陈述。很多以实体为中心组
织的知识图谱均富含事实知识，比如DBpedia 、Freebase 以及CN-DBpedia
等。本书第6 章将介绍这类知识图谱的构建。
(2 ） 概念知识（ Taxonomy Knowledge ） 。概念知识分为两类： 一类是实
体与概念之间的类属关系。sA 关系〉，如（柏拉图isA 哲学家）；另一类是
子概念与父概念之间的子类关系（ subclassOO ，如（唯心主义哲学家
subclass Of 哲学家） 。一个概念可能有子概念也可能有父概念，这使得全体
概念构成层级体系。概念之间的层级关系是本体定义中最重要的部分，是构
建知识图谱的第一步一一模式设计的重要内容。特定领域的概念知识是机器
认知领域的基本框架。典型的概念知识图谱（有时简称“概念图谱”）包括
YAGO 、Probase 、WikiTaxonomy 等。本书第5 章将介绍这类知识图谱的构
建。
(3 ） 词汇知识（ Lexical Knowledge ）。词汇知识主要包括实体与词汇之
间的关系（比如，实体的命名、称谓、英文名等）以及词汇之间的关系（包
括同义关系、反义关系、缩略词关系、上下位词关系等）。例如，
（“ Plato ”，中文名，柏拉图）、（赵匡j鼠，远号，宋太祖〉、（妻子， 同义，老
婆）。一些跨语言知识库（比如Bab elNet ）专注于建立实体和概念在不同语
言中的描述形式。词汇知识是知识图谱目前在实际应用中已经取得较好效果
的一类知识。因为领域语料往往是丰富的，所以从这些语料中自动挖掘领域
词汇，建立词汇之间的语义关联以及词汇与实体之间的关联， 已经成为构建
知识图谱最重要的一步。领域词汇知识也是相对简单的知识，人类学习某个
领域往往是从该领域的词汇开始学习的。因此， 让机器认知领域词汇是实现
机器认知整个领域知识的第一步。典型的此类知识图谱有WordNet。本书第
3 章将介绍词汇知识的挖掘。
( 4 ） 常识知识C Commonsense Knowledge ）。常识是人类通过身体与世
界交互而积累的经验与知识，是人们在交流时无须言明就能理解的知识。例
如，我们都知道鸟有翅膀、鸟能飞等。再比如，如果X 是一个人，那么X
要么是男人要么是女人。常识知识的获取是构建知识图谱时的一大难点。常
识的表征与定义、常识的获取与理解等问题一直都是人工智能发展的瓶颈问
题。常识知识的基本特点是，每个人都知道，所以很少出现在文本里。面向
文本的信息抽取方法对于常识获取显得无能为力。典型的常识知识图谱包括
Cyc 、ConceptNet 等。
   除了上述分类，还有一些知识图谱侧重知识表示的不同维度。首先，很
多事实的成立是有时空条件的。有些知识的存在是有时间限制的，必须为这
些知识加上时间维度。例如，（奥巴马，职业，美国总统， 2009-1 -20 , 2017-
01-20 ）这个五元组表示“奥巴马是美国总统”这一事实从2009 年1 月20
日开始生效，直至2017 年1 月20 日失效。再比如， 在表达某一天的温度
时. ' (2 019-1-1 ，平均温度， 16 ℃，上海）和（ 2019-1 - 1 ，平均温度，一5 ℃，
北京）这两个四元组就分别表示了2019 年1 月1 日这一天上海与北京两地
不同的温度。其次， 一些知识含有主观性因素。比如，对于汉堡是否是健康
的食品这一问题，不同人的认识是不同的。再次，有些知识关注实体的多模
态表示。比如， （柏拉图，图片， plato.jpg ） 表达了柏拉图的适用图片。