知识图谱 | （1）知识图谱的基本知识

面试题目

以下使用胡盼盼《自然语言处理从实践到入门》的章节大纲

1.知识图谱的基本概念

是一种用图来表示知识的结构化方式

1.1 从语义网络到知识图谱

1960s提出语义网络(Semantic Network)

1998年提出语义网（Semantic Web）

2006年提出链接数据（Linked Data）

2012年谷歌提出知识图谱（Knowledge Graph KG）

1.2 知识的结构化，存储及查询

RDF：资源描述框架（Resource Description Framework），用以描述互联网上的资源及相互之间的关系。

使用关系型数据库进行存储

在RDF上的查询语言便是SPARQL（Protocol and RDF Query Language）

1.3 几个开源的知识图谱

截止2019年3月，根据开放互联数据（Linked Open Data）的官方统计，共有1239个知识图谱加入此联盟。

DBpedia:英文图谱

CN-DBpedia：中文知识百科图谱，由知识工厂研发并维护

Yago:为多语言知识图谱

Wikidata：维基百科

ConceptNet：多语言常识知识库

Zhishi.me：对三大中文知识网站进行抽取

大词林：基于上下位关系的中文知识库，哈工大研发

注意：开放互联数据（Linked Open Data）里面可以找到很多知识图谱

 

2.知识图谱的关键构建技术

知识图谱的关键技术主要有：信息抽取，知识融合，知识推理等

2.1知识融合--本体匹配

本体匹配的流程：数据预处理-->数据分组-->相似度计算

在实践中，利用现有的工具可以简便匹配工作，比较常见的有Falcon-AO、Limes、AS-MOV、AgreementMaker、Anchor-Flood、SAMBO等实体匹配系统。

2.2 知识融合--实体链接

我们知道自然语言表达存在两大特性：1.多样性；2.歧义性

为了解决上面两个问题使用实体链接（Entity Linking），实体链接的关键技术有如下三大方面：

1.引用表构建

2.实体知识构建

3.链接推理算法

2.3 知识推理

推理根据推断途径可大致分为以下三个方面：

归纳推理（induction）：从特殊到一般

演绎推理（deduction）：从一般到特殊

默认推理：又称缺省推理，指在知识不完全的情况下，通过假设某些条件已经具备而进行的推理。

 

面向知识图谱的推理既融合传统的推理方法，又基于机器学习的方法发展出独有的推理方法，可分为以下几种：

1.基于规则的推理

2.基于分布式表达的推理

3.基于神经网络的推理

4.混合推理：顾名思义，就是结合多种方法进行推理，优势互补。

 

3.知识图谱的应用

3.1 知识图谱--反欺诈

 

3.2 个性化推荐

将知识图谱与推荐系统的融合是目前一大具有前景的研究热点，其难点在于如何有效地融合知识图谱中的特征。

那么如何将知识图谱引入推荐系统中呢？目前大致可以分为一下两类工作:

1.基于特征的结合方式：

2.基于路径的结合方式：将其当做一个异构信息网络（Heterogeneous Information Network，HIN）

 

3.3 知识库问答（knowledge base question answering，KB-QA）

知识库问答是指针对自然语言问题进行语义理解，进而利用知识库（就是知识图谱）进行查询、推理得出的结构化答案，最后将其转化为自然语言的回答形式。

 

基于知识库的问答具备以下几个层面的特点：

1.训练数据：在一般的问答系统中，需要大量的问答数据进行训练。而基于知识的问答，在语义理解部分会涉及训练数据，之后主要靠的是查询和推理，并不需要数据。

2.数据形式：输入输出皆为结构化形式，但输入又得将其转化为自然语言。

3.背景知识：在一般问答系统中，回答局限于对问句本身的语义理解。而基于知识库的回答借助图谱中强大的背景知识，能够深层次地理解并回答问题。

4.评价方式

5.问题的理解和表示：

6.查询与推理：

 

目前，很多研究工作将KB-QA与深度学习结合进行模型学习，在语义的深层次解析、语言的生成等阶段都有了一些进展，比如应用RNN，CNN各自的特点分层次地提取有用的信息，搭建端对端的知识库问答模型，通过变分推断完成多跳推理等。