A. 知识图谱 类型

A. 知识图谱 类型

通用知识图谱

• 基于主动学习的大规模知识图谱构建方法
  • 无标签大数据开放知识挖掘
  • 数据驱动的本体自动构建
  • 基于多源数据的知识整合
• 关键技术
  • 开放知识挖掘
    • 基于多维数据分析和语言理解的技术自动获取知识挖掘模板，并通过不断迭代获取新模板、挖掘新知识。另一方面通过远监督的方式自动构建大规模的训练语料，为实体关系判定模型提供高质量的训练数据。
  • 知识自学习
    • 一套自顶向下和自底向上相结合的图谱构建驱动模式。
      • 自顶向下
        • 自顶向下是一直以来图谱构建的传统模式，也就是说它的 schema 是全人工构建，非常的准确，专业，且完备性也比较高。
        • 这种模式适合于知识图谱建设初期所面临的头部垂类数据的构建，它要求领域的专业知识，成本较高，对于中长尾的知识收录是比较困难的。
      • 自底向上
        • 自底向上模式则是将知识体系的自动发现和开放知识挖掘相结合，从海量数据中自动学习元知识，它比较适用于通用域下的大规模图谱构建。
  • 基于多源数据的知识融合
    • 通过基于语义空间变换的实体消歧和实体归一的技术，实现多源开放域大规模实体的归一融合，从而去解决知识表示形式多样、关联融合困难的问题。
  • 知识计算与推理

事件知识图谱

• 概述
  • 事件是指在特定时间、空间下，由一个或多个角色（事件主体）参与，围绕某个主题开展的一系列活动。
  • 事件图谱是包含事件、事件属性、事件关联关系的，以事件为基本单位的知识网络。
• 事件图谱和实体图谱之间的差异
  • 实体图谱基本上是静态的
  • 事件图谱则描述客观世界的动态变化，并且侧重多个实体之间的动作。如果实体的属性或者关系发生了变化，那么就是一个事件发生了。
    • 在任意时刻，一个事件可以映射到实体图谱上的一个子图，因为事件有参与的角色，也就是事件主体，而事件主体可以映射到实体图谱上的实体，这样就建立了事件图谱和实体图谱之间的关联，两者之间可以进行相互推断。
• 步骤
  • 事件图谱：对动态的客观世界建模
    • 首先是本体层，它可以类比实体图谱里面的 schema。
    • 事件层，它主要刻画事件与事件之间的关系。
    • 事件论元层，所谓论元是指事件里面参与的角色，那么在论元层就可以和实体图谱进行关联。
  • 事件图谱技术概览
    • 分钟级的热点事件收录
    • 积累了千万量级事件库的规模
    • 覆盖十几个领域以及 4300 多种事件类型
  • 事件抽取—基于多轮阅读理解问答技术
    • 事件抽取的目标是将事件文本结构化，结构化是知识收录的关键，因此它是整个事件图谱构建的关键环节。
  • 事件图谱应用
    • 上图是事件图谱的应用，包括百度搜索的热点事件脉络，以及疫情脉络等等。

视觉理解图谱

• 基于知识图谱的视频语义理解

行业知识图谱