知识图谱综述（一）

知识图谱综述（一）

论文《Knowledge Graphs》原文链接

前言

论文《Knowledge Graphs》誉为最全、最好的知识图谱（KG）综述论文。这个系列的博客带你一览该论文的所有内容。

目录和摘要

1. 摘要（1）：本文介绍工业和学术界的KG场景，这些场景需要利用多元化、动态和大规模的数据。之后，介绍并对比了用于KG的各种基于图数据的模型（用以表示KG）和查询语言。之后，介绍了KG中的模式（方案）、标识和上下文。之后，解释了如何使用演绎和归纳技术来表示知识和提取知识。然后，总结了KG的创建、丰富、质量评估、改进和出版方法。然后，概述了著名的开源KG和企业KG、它们的应用，以及它们如何使用前文介绍的技术。最后高度总结了KG未来的研究方向。
2. 关键词：信息系统（基于图的数据库模型）、信息整合、KG
3. 引言（1）：相关工作、KG的概念、KG的应用、本文使用的例子（智利的旅游业）、KG综述文献对比、本文结构
4. 数据图（4）
   • 图结构数据模型的介绍：有向边标签图（多关系图）、异构体、属性图、图数据集、其他图数据模型、图存储；
   • 查询（语言）：图模式、复杂的图模式、导航图模式、其他特性。
5. 模式、标识符、上下文（12）
   • 模式：语义模式、验证模式、紧急模式（图摘要）；
   • 标识符：持久标识符、外部标识符链接、数据类型、词汇化、已存在节点；
   • 上下文：直接表示、具体化、更高层级的表示、注释、其他上下文框架。
6. 知识演绎（23）
   • 本体：解释、个体、属性、类别、其它特征；
   • 语义和蕴涵：模型论语义、蕴涵、If–then 和 if-and-only-if 的语义区别；
   • 推理：规则、描述逻辑。
7. 知识归纳（23）
   • 图谱分析：技术（中心、社区检测、连通性、节点相似度、寻找路径）、框架、数据图分析、查询的分析、蕴涵分析；
   • KG嵌入：转移模型、张量分解模型、语言模型、蕴涵感知模型；
   • 图神经网络GNN：递归GNN、卷积GNN；
   • 符号学习：规则挖掘、公理挖掘。
8. 创造与丰富（50）
   • 人类协作；
   • 文本数据源：预处理、命名实体识别NER、实体链接、关系抽取、联合任务；
   • 标记语言数据源：基于包装器的提取、web表提取、深度网络爬取；
   • 结构化数据源：从表映射、从树映射、从其他KG映射；
   • 模式/本体创建：本体工程、本体学习。
9. 质量评估（58）
   • 精确度：句法准确度、语义准确性、同步性（及时性）；
   • 覆盖范围：完整性、代表性；
   • 相关性：一致性、有效性；
   • 简明：简洁性、具象简洁、可理解性；
   • 其他质量维度。
10. 细化（61）
    • 补全：一般链接预测、类型链接预测、标识符链接预测；
    • 纠正：事实验证、不一致性修复；
    • 其他细化的任务。
11. 出版（65）
    • 最佳实践：FAIR原则（可检索性、易得性、互操作性、可重用性）、关联数据原则；
    • 访问协议：dump格式、节点查找、边模式、（复杂的）图模式、其他协议；
    • 使用控制：授权、使用规则、加密、匿名化。
12. KG的实际应用（73）
    • 公开KG：DBpedia、YAGO、Freebase、Wikidata、其他公开的跨领域KG、特定领域的公开KG；
    • 企业KG：web检索、贸易、社交网络、金融、其他行业。
13. 总结和结论、未来的方向、致谢（77）
14. 参考文献（79）
15. 附录A：背景（108）
    • KG历史背景
    • 2012年前的KG
    • 2012年后的KG
16. 附录B：形式化定义（114）
    • 图数据模型：多关系图、异构图、属性图、图数据集；
    • 查询：图模式、复杂图模式；
    • 模式：语义模式、验证模式、紧急模式；
    • 上下文：注释域；
    • 知识演绎：图解释、规则、描述逻辑；
    • 知识归纳：图并行框架、KG嵌入、GNN、符号学习。

后续将继续介绍本论文的第一部分——引言。