知识图谱调研

名词解释

• 语义网(Semantic Web)

Tim.Lee在1998年提出的一个新概念，描述互联网中资源和数据之间的关系，使得互联网上的数据变得机器可读，常被用来指代一整套技术栈框架。

• 知识图谱

知识图谱本质上是语义网络（Semantic Network）的知识库，从实际应用的角度出发其实可以简单地把知识图谱理解成多关系图（Multi-relational Graph）。

• RDF（Resource Description Framework），资源描述框

RDF（Resource Description Framework，资源描述框架），是W3C在XML的基础上推荐的一种标准，用于表示任何的资源信息。RDF提出了一个简单的模型用来表示任意类型的数据。这个数据类型由节点和节点之间带有标记的连接弧所组成。节点用来表示Web上的资源，弧用来表示这些资源的属性。因此，这个数据模型可以方便的描述对象（或者资源）以及它们之间关系。RDF的数据模型实质上是一种二元关系的表达，由于任何复杂的关系都可以分解为多个简单的二元关系，因此RDF的数据模型可以作为其他任何复杂关系模型的基础模型。W3C推荐以RDF标准来解决XML的语义局限。

• 认知智能

人工智能的发展有三个比较重点的阶段：运算智能，感知智能和认知智能。认知智能是人工智能发展的最高形态。认知智能的两个核心是"理解"和"解释"，让机器具有"读懂语义、逻辑推理、学习判断"的能力。认知智能旨在赋予机器数据理解、知识表达、逻辑推理、自主学习的能力，使机器能够拥有类似人类的智慧，甚至具备各个行业领域专家的知识积累和运用的能力。认知智能的实现离不开知识图谱技术、自然语言处理技术的支撑。富含实体、概念、属性、关系等复杂信息的知识图谱，是机器认识和理解世界所依赖的知识体系（三观），是认知智能的“大脑”。

• 动态知识图谱

知识图谱的构建

  大规模知识库的构建与应用需要多种智能信息处理技术的支持。通过知识抽取技术，可以从一些公开的半结构化、非结构化的数据中提取出实体、关系、属性等知识要素。通过知识融合，可消除实体、关系、属性等指称项与事实对象之间的歧义，形成高质量的知识库。知识推理则是在已有的知识库基础上进一步挖掘隐含的知识，从而丰富、扩展知识库。分布式的知识表示形成的综合向量对知识库的构建、推理、融合以及应用均具有重要的意义。知识图谱的构建方法有三种: 自底向上、自顶向下和二者混合的方法。

知识抽取

  知识抽取涉及到以下几项自然语言处理的技术：

• 实体命名抽取

• 关系抽取

• 实体统一

• 指代消除

• 知识补全

知识融合

  知识图谱可以由任何机构和个人自由构建，其背后的数据来源广泛、质量参差不齐，导致它们之间存在多样性和异构性。语义集成的提出就是为了能够将不同的知识图谱融合为一个统一、一致、简洁的形式，为使用不同知识图谱的应用程序间的交互建立操作性。常用的技术包括本体匹配（也称为本体映射）、实力匹配（也称为实体对齐、对象公指消解）以及知识融合等。一个语义集成的常见流程，主要包括：输入、预处理、匹配、知识融合和输出5个环节。

存储格式

  知识图谱主要有两种存储方式：一种是基于RDF的存储；另一种是基于图数据库的存储。它们之间的区别如下图所示。RDF一个重要的设计原则是数据的易发布以及共享，图数据库则把重点放在了高效的图查询和搜索上。其次，RDF以三元组的方式来存储数据而且不包含属性信息，但图数据库一般以属性图为基本的表示形式，所以实体和关系可以包含属性，这就意味着更容易表达现实的业务场景。

知识图谱的应用

• 不一致性验证

• 异常分析

• 基于规则提取特征

• 基于模式的判断（子图提取）

• 基于概论的社区挖掘、标签传播、聚类

参考文献

• 什么是知识图谱？https://zhuanlan.zhihu.com/p/71128505

• 知识图谱的技术与应用（18版）https://zhuanlan.zhihu.com/p/38056557

• 知识图谱概述 https://zhuanlan.zhihu.com/p/77467615

• 刘峤,李杨,段宏,刘瑶,秦志光.知识图谱构建技术综述[J].计算机研究与发展,2016,53(03):582-600.

• 漆桂林,高桓,吴天星.知识图谱研究进展[J].情报工程,2017,3(01):4-25.

• 黄恒琪,于娟,廖晓,席运江.知识图谱研究综述[J].计算机系统应用,2019,28(06):1-12.