知识图谱的生命周期

一、知识图谱生命周期

1 知识建模： 也叫本体构建，建模领域知识结构；

2 知识获取与验证： 获取领域内的事实知识，估计知识可信度；

3 知识融合： 也加知识集成，将碎片知识组装成知识网络；

4 知识存储与查询： 采用何种方式对知识图谱进行存储、查询；

5 知识推理： 发现已有知识中蕴含的隐含知识。

二、知识建模

1 采用什么样的方式表达知识，核心是构建一个本体（对数据的定义进行描述）对目标知识进行描述；

2 构建本体需要：

        定义出知识类别体系；每个类别下所属的体系；某类实体所具有的属性以及实体之间的语义关系；定义这个本体上的一些推理规则。

3 建模方式： 作为语义网（是万维网的扩展和变革，基于知识本体，对web数据内容进行了规范化的语义标注和关联，从而支持高效的机器信息共享和智能应用；）的应用，知识图谱的知识建模采用语义网的知识建模方式，利用“资源描述框架RDF”进行描述；

4 RDF基本数据模型包括三个对象类型：

        资源： 例如互联网上的实体、事件等；

        谓词（predicate）： 描述资源本身的特征和资源之间的关系。每一个谓词可以定义元知识，如谓词头尾部数据类型；

        陈述： 一条陈述包含三个部分，通常称之为RDF三元组<主体，谓词，宾语>，主体是被描述的资源，谓词表示主体的属性，宾语是属性值；

三、知识获取

1 输入：领域知识本体；海量数据： 文本、垂直站点、百科；

2 输出：实例知识，实体集合，实体关系/属性；

3 主要技术： 信息抽取，文本挖掘；

        

 四、 知识融合

1 输入： 抽取出来的知识；知识本体；现有知识库；

2 输出： 统一知识库；知识置信度；

3 关键技术： Ontology Matching; Entity Linking.

        对不同来源、不同语言或不同结构的知识进行融合，从而对于已有知识图谱进行补充、更新和去重。

例如： YAGO： 对专家构建的高质量语言知识图谱wordNet和网民协同构建的大规模实体知识图谱Wikipedia进行融合；

BabelNet： 融合不同语言的知识图谱，实现跨语言的知识关联和共享；

4 知识融合分类： 本体融合，实例融合；

竖直方向融合，水平方向融合。

五、 知识存储与查询

1 输入： 大规模知识图谱

2 输出： 知识库存储结构，查询服务；

3 主要技术： 知识表示，知识查询语言，存储/检索引擎。

4 RDF图模型（学术界），三元组，较好的代数基础，便于推理，例如Google开放的Freebase知识图谱；

RDF图查询语言：SPARQL 

5 属性图模型（工业界），五元组

属性图查询语言：Cypher 

六、知识推理

1 任务： 采用推理手段发现现有知识中的隐含知识；

2 输入： 大规模数据库；

3 输出： 隐含知识；

4 主要技术： 基于逻辑规则的推理；基于表示学习的推理；

5 知识推理： 不同计算手段

        符号推理：实体和关系符号直接进行推理

                学习（归纳）并应用推理规则（演绎）

        数值推理： 分布式知识表示

                将符号化的实体和关系在低维连续向量空间进行表示，在简化计算的同时最大程度保留原始的图结构。

七、知识应用

 1 语义搜索、关系搜索、问答、推荐、金融证券（企业风险评估、反欺诈）、生物医疗（中文医学知识图谱CMeKG，北大计算语言所）、农业、电商。

参考：国科大-知识图谱课件