知识图谱学习笔记二（知识图谱表示与建模）

 1.知识图谱表示方法

           两大派系： 基于离散符号的知识表示

                              基于连续向量的知识表示

         由于知识图谱是很多搜索、问答以及大数据分析系统的数据基础，基于向量的表示更易于和深度学习模型集成，基于向量的知识图谱越来越重视。

2.知识表示方法（人工智能，知识是智能的基础，让计算机更容易理解）

          a. 一阶谓词逻辑表示法

                 优点：结构性、严密性、可实现性。

                 缺点：有限的可用性、不能表示不确定性的知识。

          b.霍恩子句与霍恩逻辑（类似于一阶谓词法）

          c.语义网络表示法(一个带有标识的有向图)

                 优点：联想性、易用性、结构性

                 缺点：无形式化（语义网络表示知识手段多种多样）

          d.框架表示法

                优点：结构性、描述全面并支持默认值与触发器

                缺点：构建成本高、默认值增加推理复杂度、无法表示不确定性的知识

         e.描述逻辑表示法

                  优点：结构性、严密性、多样性、易实现性

                  缺点：表达能力有限、无法表示不确定性的知识。

3.互联网时代的语义网知识表示框架

         早期web标准语言：HTML/XML，无法满足语义网的要求。

         新的标准语言：RDF/RDFS/OWL (语法与XML兼容)。

         查询RDF的语言：SPARQL

         网页嵌入：Markup(JSON-LD/RDFa/HTML5 MicroData)

 4.常见的开放域知识图谱表示方法

         Freebase、Wikidata、ConceptNet （基于离散符号的表达方式）

5.知识图谱的向量表示方法

        基于离散符号的表示方法，由于符号不能表达相应语义层面的信息，不能进行语义计算，对下游应用不友好。

       将词映射到向量空间，有利于相应的计算。

       词的向量表示方法：独热编码、词袋模型、词向量

6.知识图谱嵌入

       将知识图谱中的实体和关系映射到连续的向量空间，并包含一些语义层面的信息，可以使得在下游任务中更加方便地操作知识图谱。

       知识图谱嵌入的方法： 转移距离模型、语义匹配模型、考虑附加信息的模型

       知识图谱嵌入的应用：链接预测（补全）、三元组分类、实体对齐、问答系统、推荐系统

7.建模工具

         Protégé工具。