【1】知识图谱概述

1.知识图谱的表示形式

用RDF形式化地表示这种三元关系（即<主语S，谓语P，宾语O>）。

RDF(Resource Description Framework)，即资源描述框架，是W3C制定的，用于描述实体/资源的标准数据模型。RDF图中一共有三种类型，International Resource Identifiers(IRIs)，blank nodes 和 literals。

下面是SPO每个部分的类型约束：

1. Subject 可以是 IRI 或 blank node 。

2. Predicate 是 IRI 。

Object三种类型都可以。

2.知识图谱的典型应用领域

 3.知识图谱在大厂的应用

4.知识图谱的一般构建流程

知识图谱的构建技术主要有自顶向下和自底向上两种。

其中自顶向下构建是指借助百科类网站等结构化数据源，从高质量数据中提取本体和模式信息，加入到知识库里。

而自底向上构建，则是借助一定的技术手段，从公开采集的数据中提取出资源模式，选择其中置信度较高的信息，加入到知识库中

5.图谱构建流程

（1）梳理业务，构建本体（必须）

根据业务需求，我们需要回答几个问题：

1、是否需要用知识图谱？成本怎么样，能达到怎么的效果？

2、是否有能力构建知识图谱？数据、团队等情况是否能支撑？

3、如果有必要，如何根据业务梳理一套本体框架？

（2）数据模型构建

知识图谱的数据整体上可以分为数据模型和具体数据。

数据模型就是知识图谱的数据组织框架，不同的知识图谱，会采用不同的数据模型。对于行业知识图谱来说，行业术语、行业数据都相对比较清晰，可以采用自顶向下的方式来建设知识图谱，也就是先确定知识图谱的数据模型，然后，根据数据模型约定的框架，再补充数据，完成知识图谱的建设。数据模型的构建，一般都会找一个基础的参考模型，这个参考模型，可以参照行业的相关数据标准，整合标准中对数据的要求，慢慢形成一个基础的数据模型，再根据实际收集的数据情况，来完善数据模型。也可以从公共知识图谱数据模型中抽取，将与行业有关的数据模型从公共知识图谱数据模型中提取出来，然后结合行业知识进行完善。

（3）给本体补充实例数据

①结构化数据处理

对于结构化数据，一般是把一个表、一个类别的去对应，一行数据相当于一个类的实例，每个字段就相当于类的属性，利用相关的转化工具可以把这个过程进行转化，比如D2RQ，可以把表数据转化成虚拟的RDF数据，使数据在RDF层面实现数据格式的统一。

②半结构化数据处理

半结构化数据，主要是指那些具有一定的数据结构，但需要进一步提取整理的数据。比如百科的数据，网页中的数据等。对于这类数据，主要采用包装器的方式进行处理。

（包装器是一个能够将数据从HTML网页中抽取出来,并且将其还原为结构化的数据的软件程序。对于一般的有规律的页面，可以使用正则表达式的方式写出XPath和CSS选择器表达式来。但这样的通用性很差，因此也可以通过包装器归纳这种基于有监督学习的方法,自动的从标注好的训练样例集合中学习数据抽取规则,用于从其他相同标记或相同网页模板抽取目标数据。）

③非结构化数据（主要是文本数据）

这里假设数据库中已经存在如下的如下的单实体以及三元组数据，目前的主要任务就是从文中抽取相关的数据，来补充现有的知识库。

④知识融合

知识融合，简单理解，就是将多个知识库中的知识进行整合，形成一个知识库的过程，在这个过程中，主要需要解决的问题就是实体对齐。不同的知识库，收集知识的侧重点不同，对于同一个实体，有知识库的可能侧重于其本身某个方面的描述，有的知识库可能侧重于描述实体与其它实体的关系，知识融合的目的就是将不同知识库对实体的描述进行整合，从而获得实体的完整描述。

⑤知识存储

知识存储 分为两种存储：

1. 基于RDF的存储

2. 基于图数据库的存储

（一个描述逻辑系统由四个基本部分组成： 最基本的元素：概念、关系、个体；TBox术语集：概念术语的公理集合； Abox断言集：个体的断言集合；TBox 和 ABox上的推理机制。）

 ⑥知识推理

知识推理，就是根据已有的数据模型和数据，依据推理规则，获取新的知识或者结论，新的知识或结论应该是满足语义的。知识推理，依据描述逻辑系统实现。描述逻辑(Description Logic)是基于对象的知识表示的形式化，也叫概念表示语言或术语逻辑，是一阶谓词逻辑的一个可判定子集。

⑦质量评估

质量评估，就是对最后的结果数据进行评估，将合格的数据放入知识图谱中。质量评估的方法，根据所构建的知识图谱的不同，对数据要求的差异而有所差别。总的目的是要获得合乎要求的知识图谱数据，要求的标准根据具体情况确定。

6、知识图谱的关键技术

（1）自然语言处理（NLP）

•分词

•命名实体识别

•词向量模型

（2）知识图谱核心技术：

•知识表示与建模

•数据源获取

•知识抽取

•知识融合

•知识加工

•知识存储