知识图谱导论期末复习

目录

第一章

第二章 知识图谱的表示

第三章 知识图谱的存储和构建

第四章 知识图谱的抽取和构建

第五章 知识图谱推理

第六章 知识图谱融合

第七章  知识图谱问答

第一章

典型知识图谱项目：

Freebase、WikiData、Schema.org、dbpedia、yago

中文领域开放知识图谱：OpenKG.CN

知识图谱的应用：

语义搜索、知识问答、辅助推荐、辅助大数据分析、辅助语言理解、辅助视觉理解

垂直领域应用：

医疗健康、金融、农业、电商、通信

第二章 知识图谱的表示

1.符号表示：

属性图、RDF（向上对接OWL等更丰富的语义表示和推理能力， 向下对接简化后的属性图数据库以及图计算引擎）、RDFS、OWL

2.向量表示

第三章 知识图谱的存储和构建

1.基于关系型数据库的存储：
三元组表、属性表存储、二元表存储（垂直划分表）、全索引结构

2.基于原生图数据库的存储：

RDF图模型、属性图模型

区分原生图存储和非原生图存储：

原生图存储在复杂关联查询和图计算方面有性能优势，非原生图存储兼容已有工具集通常学习和协调成本会低。

区分RDF图存储和属性图存储：

RDF存储一般支持推理，属性图存储通常具有更好的图分析性能优势。

Tbox，是有关概念和关系的蕴涵断言集合，描述概念和关系的一般属性

Abox，是有关个体的实例断言集合，断言一个个体是某个概念的实例，或者两个个体之间存在某种关系。

第四章 知识图谱的抽取和构建

1.知识获取的方式

从关系数据库获取、从视觉图像获取、从文本获取

2.实体识别的方法：

基于模板和规则、

基于序列标注（序列标注模型：HMM，序列预测模型：CRF）、

基于预训练语言模型

3.关系抽取的方法：

基于模板、基于监督学习、基于机器学习、基于预训练语言模型、

4.属性补全的方法：
抽取式（输入文本中出现过的）：基于模板、基于机器学习模型   

生成式：基于机器学习模型

5.概念抽取的方法：

基于模板、基于百科、基于机器学习

6.事件抽取的方法：

模式匹配、机器学习、弱监督

第五章 知识图谱推理

1.推理类型：

演绎推理、归纳推理、溯因推理、类比推理

2.基于符号逻辑的推理

基于OWL的本体推理

基于Datalog的规则推理（产生式规则）

3.基于表示学习的推理

1.基于嵌入学习：嵌入模型：TransE、TransH、TransR、TransD、DistMult

2.基于规则学习：PRA（图结构）、AMIE、NeuraILP

第六章 知识图谱融合

1.本体匹配

方法：术语匹配（基于字符串、基于语言）、结构匹配

2.实体对齐

基于Embedding（合并预先匹配好的实体，把两个网络合并为一个网络，用单一网络的嵌入表 示进行嵌入。）

3.知识融合工具：Silk、OpenEA、EAKit

第七章  知识图谱问答

1.基于模板的问答

流程：模板生成、模板实例化、查询排序、获取结果

2.基于语义解析的问答

步骤：短语检测、资源映射、语义组合、逻辑表达式生成

3.基于检索排序的问答

排序模型：基于特征、基于子图匹配、基于向量表示、基于记忆网络

4.基于深度学习的问答