知识图谱的生命周期

---

生命周期

1 知识建模

知识建模是建立知识图谱的数据模式，数据模式是基于选定的数据模型对数据进行“型”方面的刻画，而相应的“实例”则是对数据“值”方面的描述。先有数据模型，才能据其讨论相应数据模式，有了数据模式，就能依据该模式得到相应的实例。

常用方法

• 自顶向下：专家手工编辑形成数据模式
• 自底向上：基于行业现有的标准进行转换，或从现有的高质量行业数据源（如业务系统数据库表）中进行映射

关键技术与难点

• 多人在线协同编辑，并且事实更新
• 能够导入集成使用现有的（结构化）知识
• 支持大数据量
• 能够支撑事件、时许等复杂知识表达
• 可以与自动算法进行结合，避免全人工操作

2 知识抽取

从不同来源、不同结构的数据中进行知识提取，形成知识存入到知识图谱。

关键技术与难点

• 从结构化数据库中获取知识：D2R
  难点:复杂表数据的处理

• 从链接数据中获取知识:图映射
  难点:数据对齐

• 从半结构化(网站)数据中获取知识:使用包装器
  难点: 方便的包装器定义方法，包装器自动生成、更|新与维护
• 从文本中获取知识:信息抽取
  难点:结果的准确率与覆盖率

3 知识融合

包括数据模式层和数据层的融合。

数据模式层融合

• 概念合并
• 概念上下位关系合并
• 概念的属性定义合并

数据层融合

• 实体合并
• 实体属性融合
• 冲突检测与解决

关键技术与难点

• 实现不同来源，不同心态数据的融合
• 海量数据的高效融合
• 新增知识的实时融合
• 多语言的融合

4 知识存储

基本数据存储：三元组、事件信息、时态信息、使用知识图谱组织的数据

上层应用需要支持：知识推理、知识快速查询、图实时计算

关键技术与难点

• 大规模三元组的存储
• 知识图谱组织的大数据存储
• 事件与时态信息的存储
• 快速推理与图计算的支持

5 知识计算

• 图挖掘计算：基于图论的相关算法，实现对图谱的探索和挖掘
• 本体推理：使用本体推理进行新知识发现或冲突检测
• 基于规则的推理：使用规则引擎，编写相应的业务规则，通过推理辅助业务决策

关键技术与难点

• 图挖掘计算：大规模图算法的效率
• 本体推理与规则推理：大数据量下的快速推理，对于增量知识和规则的快速加载

6 知识应用

语义搜索：基于知识图谱中的知识，解决传统搜索中遇到的关键字语义多样性及语义消歧的难题；通过实体链接实现知识与文档的混合检索。
智能问答：针对用户输入的自然语言进行理解，从知识图谱中或目标数据中给出用户问题的答案。
可视化决策支持：通过提供统一的图形接口，结合可视化、推理、检索等，为用户提供信息获取的入口。

关键技术与难点

语义搜索：自然语义的表达多样性和歧义问题
智能问答：
（1）准确的语义解析。
（2）正确理解用户的真实意图。
（3）答案确定与排序。
可视化决策支持：
（1）通过可视化方式辅助用户模式快速发现
（2）高效地缩放和导航
（3）大图环境下底层算法（图挖掘算法）的效率

参考资料：王昊奋知识图谱教程