知识图谱中的实体定义

1.引言

在前一篇博文《Neo4j构建目标知识图谱》中提到知识图谱的构建中实体及关系的定义是个难点，在本篇中试图总结经验。

2.知识图谱是什么

知识图谱本质上是一种语义网络，用图的形式描述客观事物，这里的图指的是数据结构中的图，也就是由节点和边组成的，这也是知识图谱（Knowledge Graph）的真实含义。知识图谱中的节点表示概念和实体，概念是抽象出来的事物，实体是具体的事物；边表示事物的关系和属性，事物的内部特征用属性来表示，外部联系用关系来表示。很多时候，人们简化了对知识图谱的描述，将实体和概念统称为实体，将关系和属性统称为关系，这样就可以说知识图谱就是描述实体以及实体之间的关系。实体可以是人，地方，组织机构，概念等等，关系的种类更多，可以是人与人之间的关系，人与组织之间的关系，概念与某个物体之间的关系等等，以下是一个例子。

例如上图展示的是毛选中的基本信息知识图谱，节点的信息分别为：作者、书名、主要问题（三大问题）、每本书中的主要内容观点抽象化。边的信息主要为：依据、属性特点等。

3.知识图谱是怎么组织数据的

知识图谱是由实体和实体的关系组成，通过图的形式表现出来，那么实体和实体关系的这些数据在知识图谱中怎么组织呢，这就涉及到三元组的概念，在知识图谱中，节点-边-节点可以看作一条记录，第一个节点看作主语，边看作谓语，第二个节点看作宾语，主谓宾构成一条记录。比如曹操的儿子是曹丕，曹操是主语，儿子是谓语，曹丕是宾语。再比如，曹操的小名是阿瞒，主语是曹操，谓语是小名，宾语是阿瞒。知识图谱就是由这样的一条条三元组构成，围绕着一个主语，可以有很多的关系呈现，随着知识的不断积累，最终会形成一个庞大的知识图谱，知识图谱建设完成后，会包含海量的数据，内涵丰富的知识。以上基础知识来源于[知识图谱基础知识之一——人人都能理解的知识图谱]。

4.知识图谱构建的基本模式

知识图谱中实体和关系的定义通常是基于需求导向的，例如，我们想构建一个体现导师、学生人物关系的知识图谱时，那么我们可以定义（导师->指导->学生）这样的三元组；再者，当我们想构建体现学校、导师、学生关系时，我们可以定义为（导师->属于->学校；导师->指导->学生）。

在学术上，知识图谱模式层的定义往往需要领域专家的参与，而且模式层实体和关系的定义是需要迭代进行的。例如，当我们想构建一个生物医疗知识图谱时往往很难，因为这里涉及大量的医学名词，非医学专业的对这些名词的理解很困难，更别谈充分理解融会贯通后定义了。但是领域知识图谱的定义往往更加重要，也是科研中的主要研究方向。

通常，知识图谱的构建分为两个关键步骤：1、模式层定义：实体定义、实体关系定义；2、实体及关系抽取。

而模式层定义中的两步：实体定义、实体关系定义也有一些基本的思路。

实体定义：
实体定义中有两种思路，一种是自顶向下，一种是自底向上。所谓的自顶向下即先确定目标需求，再制定实体的关键概念。例如，我们想探索一下基因和蛋白质的关系，那么我们就制定实体基因和蛋白质，并且可以制定关系"促进"、“抑制”；再如想了解基因和疾病的关系，那么我们指定实体为"基因"、“疾病”，关系为"正向作用"、“负向作用”。总归而言，在这个模式中我们是有目标导向的，我们根据目标需求来制定相应的实体关系。例如我们想了解公司股票、人物的结构关系，那么我们可以制定如下的模式层：

在自顶向下的模式中通常基于领域专家的判断，制定较为专业的模式。

另一种模式是自底向上，这个策略是一种无奈之举，毕竟自顶向下往往借助领域专家的经验，这个过程限制条件太多，模式的定义周期太长很耗时间。那么这个时候就得从底层，也就是数据层找思路，我们的可用数据是什么。例如当我们想制定一个金融知识图谱时，我们能拿到的公开数据是新闻媒体财经频道的文本，这时候我们对文本的数据进行总结，发现有些词汇还是比较集中的，例如公司、股票、指数、基金。关系有：上涨、下跌、跌停等。又如我们只有军事报道文本时，我们可以发现这类文本中的核心词汇为：中国、美国等国别地区；武器装备（又可分海陆空三军装备）；军事头衔等。

这个模式也是一种迭代的过程，在实践中需要不断地调整，通常的做法是先抽样一批数据来标注，然后调整模式定义，之后再确定一个较为合理的模式进行后续图谱构建。

整体而言，不管是自顶向下还是自底向下，我们都很难一次做到很完美，比较好的思路是上述抽样定义再修改的过程。如果能有现成的或者目标明确的定义那就最好，如果没有的话可以先定义简单的实体关系，然后一步一步扩展实体并修改，反复几次之后就能制定一个较为合理的模式。