常见的知识图谱（Wikidata、YAGO、ConceptNet、DBpedia）

最新推荐文章于 2024-03-03 14:17:13 发布
最新推荐文章于 2024-03-03 14:17:13 发布
阅读量7k 收藏 11
点赞数 5
分类专栏： 人工智能 文章标签： 知识图谱 人工智能
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_43391414/article/details/121874825
版权

文章目录

前言

今天介绍的一些知识图谱大多都是半自动构造的，并不一直都是人来添加的，另外，说他们是知识图谱或许都不太恰当，他们更像是一个项目，是一条龙服务，不但存储了很多知识，还支持着非常复杂的查询，甚至支持问答系统，而这你直接百度有可能搜索不到结果，因为搜索引擎做的是匹配工作，而问答系统会推理。

下面就开始介绍一些常见的大型知识图谱。

Wikidata

https://www.wikidata.org/wiki/Wikidata:Main_Page

在这里插入图片描述
可以看到，其和wikipedia是相辅相成的关系，wikipedia类似于文章，而wikidata是结构性的数据。这些都属于wikimedia（多媒体）。

YAGO

https://yago-knowledge.org/

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述
在这里插入图片描述

注意，上面的那个人你可能不认识，但是你可能听过猫王，没错，猫王就是他，20世纪世界歌手排名前五的人物。

ConceptNet

https://conceptnet.io/
在这里插入图片描述
在这里插入图片描述
上面这张图很有意思。

DBpedia

https://www.dbpedia.org/

在这里插入图片描述

音程
关注
  • 5
    点赞
  • 踩
  • 11
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
Encoding Knowledge Graph Entity Aliases in ANN for Wikidata Entity Linking
08-04
Encoding Knowledge Graph Entity Aliases in Attentive Neural Network for Wikidata Entity Linking
知识图谱基础介绍
Maxmoon_Chen的博客
10-26 2402
知识图谱基础介绍起源知识图谱的定义与架构1) 知识图谱的逻辑结构2) 知识图谱的体系架构知名度较高的大规模知识库识图谱中的关键技术典型应用 起源 知识图谱于2012年5月17日被Google正式提出，其初衷是为了提高搜索引擎的能力，增强用户的搜索质量以及搜索体验。目前，随着智能信息服务应用的不断发展，知识图谱已被广泛应用于智能搜索、智能问答、个性化推荐等领域。尤其是在智能搜索中，用户的搜索请求不再...
项目实战：如何构建知识图谱
热门推荐
风起云扬的博客
05-14 5万+
作者丨徐阿衡学校丨卡耐基梅隆大学硕士研究方向丨QA系统实践了下怎么建一个简单的知识图谱，两个版本，一个从 0 开始（start from scratch），一个在 CN-DBpedia 基础上补充，把 MySQL，PostgreSQL，Neo4j 数据库都尝试了下。自己跌跌撞撞摸索可能踩坑了都不知道，欢迎讨论。1. CN-DBpedia 构建流程知识库可以分为两种类型，一种是以 Freebase，...
Wikidata数据结构及本地部署——支持SPARQL查询
最新发布
xuzf 的博客
03-03 1203
使用QLever实现对Wikidata140多亿个三元组的本地部署和查询
知识：结合Wikidata和clojure core.logic
02-01
知识：结合Wikidata和clojure core.logic
基于图嵌入的社交账号与知识图谱实体对齐+人工智能+知识图谱+预训练模型
01-29
社交网络与知识图谱的之间的数据融合对于知识图谱构建和社交网络分析具有重要的应用价值，而社交账号与 知识图谱实体的对齐是两类数据融合的关键。 针对社交账号与知识图谱实体的对齐问题，结合社交网络与知识图谱的结 构特点，文中提出了一种基于图嵌入特征的社交账号实体对齐方法，旨在给定社交账号的情况下，能够在知识图谱中找到 正确的对应实体。 该方法在目标实体选择阶段将社交关系子图映射成知识图谱子图，利用图嵌入特征选取子图中的核心 实体集，并根据核心实体集构造特征向量，选用多层感知机作为分类器，从而确定社交账号所对应的目标实体。 使用基于 Ｔｗｉｔｔｅｒ 与 Ｗｉｋｉｄａｔａ 的实体对齐数据集进行了实验验证，通过与基线方法的对比，实验结果表明该方法能够达到较好的对 齐效果
YAGO：来自维基百科 Andwordnet 的大型本体-研究论文
06-10
本文介绍了YAGO，一个具有高覆盖率和精度的大型本体。 YAGO 是从 Wikipedia 和 WordNet 自动派生的。 它由实体和关系组成，目前包含超过 170 万个实体和 1500 万个事实。 这些包括分类学 Is-A 层次结构以及实体之间的语义关系。 YAGO 的事实是从维基百科的分类系统和信息框中提取的，并与 WordNet 的分类关系相结合。 类型检查技术帮助我们将 YAGO 的精度保持在 95% - 广泛的评估研究证明了这一点。 YAGO 基于具有可判定一致性的干净逻辑模型。 此外，它允许以自然的方式表示 n 元关系，同时保持与 RDFS 的兼容性。 强大的查询模型有助于访问 YAGO 的数据。
知识图谱-数据集
古月哲亭
08-25 1644
原文链接：https://blog.csdn.net/qq_21097885/article/details/104562276 DBpedia 网址：https://wiki.dbpedia.org/ 简介： DBpedia 是一个很特殊的语义网应用范例，它从维基百科(Wiki
知识图谱学习（一）：概述
南有芙蕖
08-09 1648
知识图谱学习总结（持续更新） 目录知识图谱学习总结（持续更新）一、知识图谱的定义二、知识图谱的发展历史三、知识图谱的重要性四、相关会议及高被引论文五、知识图谱的构建1 知识抽取1.1 实体抽取1.2 关系抽取1.3 属性抽取1.4 事件抽取2 知识融合2.1 实体链接2.2 知识合并3 知识加工3.1 本体构建3.2 知识推理3.3 质量评估4 知识更新5 通用知识图谱应用六、资料推荐参考文献 一、知识图谱的定义   知识图谱(Knowledge Graph)以结构化的形式描述客观世界中概念、实体及其关系，
常用知识图谱数据集FB15K, YAGO, WN18
Norstc的博客
10-28 1万+
一 FB15K-237 FB15k-237共14541个实体，237种关系，它是FB15K的子集，FB15K又是Freebase数据集的子集 详细见：FB15K-237知识图谱数据集的介绍与分析，Freebase 二 WN18rr WN18rr是从WordNet抽取的子集，共40943个实体，11种关系。 关系列表如下： 0 _hypernym 1 _derivationally_related_form 2 _instance_hypernym 3 _also_see 4 _member
知识图谱导论----相关笔记
洋葱的博客
11-13 2616
1.知识图谱引言       1.1 知识图谱的发展历史与现有应用            （1）  深度自然语言理解需要知识的支撑。            （2）IBM Watson 在知识竞赛节目《危险边缘Jeopardy!》中上演“人机问答大战”，并取胜。            （3） 1998年语义网的概念被提出。     1.2 知识图谱的基本概念 已有的知识图谱：
yago:解析和搜索 YAGO 数据
07-06
矢古 解析和搜索 YAGO 数据
农业知识图谱：农业领域的信息检索+智能问答，命名实体识别，关系抽取，实体关系查询
07-02
农业知识图谱码源 - hudong_pedia.csv : 已经整理好的农业实体的百科页面的结构化csv文件 - labels.txt： 5000多个手工标注的实体类别 - predict_labels.txt: KNN算法预测的15W多个实体的类别 - /wikidataSpider/wikidataProcessing/wikidata_relation.csv: predict_labels.txt中实体在wikidata中对应的三元组关系 - attributes.csv: 部分实体的属性(互动百科页面中直接得到) - wikidataSpider/weatherData/static_weather_list.csv： 气候类型列表 - wikidataSpider/weatherData/weather_plant.csv：气候与植物的种植关系 - wikidataSpider/weatherData/city_weather.csv：城市与气候的关系
人工智能之知识图谱体系总结.pdf
02-27
⼈⼯智能之知识图谱体系总结 第⼀部分：知识图谱介绍 1. 知识概念图谱介绍：知识是认知，图是载体，数据是实现，结构化的数据进⾏关联形成了知识图谱 2. 知识图谱发展历程 1. ⼈⼯智能的发展介绍：5次重要的发展⾥程碑 2. 认知智能的基础：海量⾏为数据的知识化（推理预测），既定知识的海量数据化（表⽰和存储） 3. 知识⼯程的发展：⼀阶谓语表⽰； 知识的表⽰： 1. 语义⽹介绍：语义⽹要解决对Web内容增加语义后提供查询功能。 2. 语义⽹到知识图谱：抽取⽹页内容后，得到实体和实体关系 知识图谱的类型和代表性知识图谱 1. 知识图谱的类型：常见的⼤规模知识库，WordNet专家系统/Freebase/DBpedia/Wikidata 2. 典型知识图谱: 3. 语⾔类和项⽬类的知识图谱介绍 4. 应⽤类知识图谱的介绍 知识图谱的⽣命周期 1. 知识图谱的知识体系构建:抽取⽹页内容后，得到实体和实体关系，实体识别和消除歧义，关系抽取和事件抽取 2. 知识图谱的知识获取和融合:⼀种是基于RDF的存储；另⼀种是基于图数据库的存储。 知识图谱的应⽤场景 1. 应⽤场景之智能搜索和推荐:电商的商品推荐， 2. 应⽤场景之智慧⾦融和医疗 3. 知识图谱的内涵分析 4. 知识图谱的未来发展⽅向 知识图谱概述总结 1. 什么是⼈⼯智能？⼈⼯智能的发展历程是怎样的？如何学习⼈⼯智能？⼈⼯智能有哪些应⽤？知识⼯程如何兴起，已经伴随⼈⼯智能 的发展，促发了知识图谱的产⽣？⼤家回顾⼀下发展的关键⾥程碑： 2. 1956年的达特茅斯会议标志着"⼈⼯智能"概念的诞⽣。约翰·麦卡锡提出了"⼈⼯智能"⼀词，标志着⼈⼯智能这门学科的诞⽣。 麦卡锡也因此被誉为是"⼈⼯智能之⽗"。 3. 1977年，在五届⼈⼯智能⼤会上，斯坦福科学家爱德华·费根鲍姆提出知识⼯程概念，成为⼈⼯智能的⼀个重要⽅向。 4. 1997年，⼀个是⼗多年前IBM研发的计算机"深蓝"(DeepBlue)战胜了国际象棋冠军卡斯帕罗夫。 5. 2012年，⾕歌发布知识搜索引擎，基于知识图谱的实体技术，实现了从wikipieida维基百科中抽出实体及属性的知识⽹络。 6. 2019年3⽉27⽇，ACM(美国计算机学会)宣布，深度学习的三位创造者Geoffrey Hinton、Yann LeCun以及Yoshua Bengio共同 获得了2019年的图灵奖。 7. ⼈脑的思维模型是这样的：我们会从以往的经验中总结出规律，这样当遇到新问题的时候，我们会利⽤已有的规律来预测接下来会发 ⽣什么事，也就是预测未来。机器的思维模型与⼈脑⾮常的相似，它们是从历史数据中总结出⼀个⽐较通⽤的模型，这样当遇到新的 数据时，它们会利⽤已有的模型来挖掘出⼀些过去未曾发现的东西，也就是预测未知属性。 8. 案例⼀：喜欢看NBA的⼈都知道，⾦州勇⼠队是2015年、2017年和2018年NBA的总冠军，是当前NBA中炙⼿可热的⼀⽀球队。 但在2009年，它还是NBA⾥最烂的球队之⼀，成绩排名倒数第⼆。那么，它是如何在短短的⼏年之间实现从最差到最好的逆袭的 呢？这就要归功于科技的⼒量了。由于勇⼠队靠近科技之都硅⾕，⽽硅⾕从来都不缺少创新，因此就有⼈想到⽤科技的⼿段来改变这 ⽀球队。⾸先，硅⾕的⼯程师利⽤⼤数据和⼈⼯智能算法制定球队的发展战略和⽐赛战术；接着，经过数据分析，发现最有效的进攻 是准确的传球和投篮，⽽不是个⼈的突破和扣篮；然后，利⽤实时数据及时调整⽐赛中的战术。就这样，⾦州勇⼠队⼀跃成为了NBA 最⽜的球队之⼀，这也是⼤数据和⼈⼯智能改变体育⾏业的⼀个典型例⼦。 9. 案例⼆：⼤家对酒吧⾏业是否了解呢？传统的酒吧很难管理，美国酒吧的平均寿命不超过五年，除了经营不善之外，就要归因于酒⽔ 不好管理。据统计，⼀家酒吧⼤约23%的酒被酒保偷喝了，那么，有不有⽅法可以让难管理的酒吧变得容易管理呢？这时，⼤数据和 ⼈⼯智能⼜要显⾝⼿了。在成功的案例中，改造酒吧⾏业的⽅法为：⾸先，改造酒吧的酒架，装上可以测量重量的传感器以及⽆源的 RFID芯⽚读写器，然后再在每个酒瓶上贴上⼀个RFID的芯⽚；接着，分析每⼀家酒吧过去经营情况的统计数据，以帮助酒吧的主⼈全 ⾯了解经营情况；然后，为每⼀家酒吧的异常情况提供预警；最后，综合各家酒吧数据的收集和分析，利⽤⼈⼯智能算法为酒吧⽼板 提供该⾏业宏观的数据作为参考。 10. 案例三：⽐如对于教育⾏业，我们经常谈论个性化教育、因材施教的理念。其核⼼在于理解学⽣当前的知识体系，⽽且这种知识体系 依赖于我们所获取到的数据⽐如交互数据、评测数据、互动数据等等。为了分析学习路径以及知识结构，我们则需要针对于⼀个领域 的概念知识图谱，简单来讲就是概念拓扑结构。 1. "知识图谱本质上是语义⽹络（Semantic
eventkg:EventKG是一种新颖的多语言资源，其中包含以事件为中心的信息，这些信息是从几种大型知识图谱（例如Wikidata，DBpedia和YAGO）中提取的，以及结构较少的资源（如Wikipedia Current Events Portal和Wikipedia事件列表）的五种语言。 EventKG是在RDF中建模的可扩展的以事件为中心的资源。 它依靠开放数据和最佳实践，使事件数据可以通过通用表示形式分布在不同的来源上，并且可用于各种新颖的算法和实际应用中
05-19
活动KG EventKG是一种新颖的多语言资源，其中包含以事件为中心的信息，这些信息是从几种大型知识图谱（例如Wikidata，DBpedia和YAGO）中提取的，以及结构较少的资源（如Wikipedia Current Events和Wikipedia事件列表）的五种语言。 EventKG是在RDF中建模的可扩展的以事件为中心的资源。 它依靠开放数据和最佳实践，使事件数据可以通过通用表示形式分布在不同的源中，并且可以在各种新颖的算法和实际应用中重复使用。 公共SPARQL端点 如果您只想在当前版本的EventKG上运行查询，则可以简单地使用我们的。 您可以找到有关为EventKG编写SPARQL查询的教程。 配置 创建一个类似以下的配置文件，以说明将EventKG版本存储在何处，以及用于提取的语言和转储： data_folder /home/....../data languag
Python-YAGO是一个大型语义知识库
08-12
YAGO是一个大型语义知识库，源自维基百科，WordNet，WikiData，GeoNames和其他数据源
强化学习gym库中的Pendulum-v1/CartPole-v1游戏介绍
qq_43391414的博客
12-05 1万+
文章目录前言CartPole-v1游戏结束stateaction和rewardPendulum-v1通用操作 前言 gym官网：http://gym.openai.com/envs/#classic_control。 这gym的游戏真他妈坑，有很多游戏，但是只是粗略说说，而不说游戏具体规则。 不但如此，坑2：Pendulum-v0都已经被gym官方认定过时了，导入会报错。但是这个网站却还没有更新Pendulum-v1过来，蛋疼。 还有坑3：大家要看这个游戏的具体规则要进入github里面去看。例如Car
车辆路径规划问题（VRP问题）
qq_43391414的博客
05-13 8480
问题定义 车辆路径规划问题(Vehicle Routing Problem，VRP)一般指的是：对一系列发货点和收货点，组织调用一定的车辆，安排适当的车辆各自的行车路线，使车辆有序地通过它们，并回到发货点。 但是，由于现实问题比较复杂，通常会继续增加更多的约束条件，比如某个收货点可能必须要下午五点前送达，那么原来的最优路径可能因为这个而突然打破，这就变得很复杂了。我们本文只介绍简单的那个VRP问题。 问题介绍 简单的VRP问题可以看成是多个TSP问题。如下，假设绿色代表发货点，红色代表收货点，假设我们有两辆
从现有的知识图谱Wikidata中提取部分实体和关系构建初始知识图谱
05-24
要从现有的知识图谱Wikidata中提取部分实体和关系来构建初始知识图谱，可以按照以下步骤： 1. 确定需要提取的实体和关系类型，例如人物、组织、地点、出生日期、死亡日期等。 2. 使用Wikidata Query Service或其他工具，编写SPARQL查询语句来提取符合条件的实体和关系数据。查询语句应包括需要提取的实体类型和属性，以及筛选条件。 3. 将查询结果导出为RDF或其他格式的数据文件。可以使用RDF转换工具，如OpenRefine、Jena等，将导出的数据文件转换为最终的知识图谱格式。 4. 对提取的实体和关系数据进行清洗和去重。可以使用数据清洗工具，如DataWrangler、OpenRefine等，对数据进行清洗和去重，以确保知识图谱的数据质量。 5. 构建初始的知识图谱。可以使用知识图谱编辑器，如Protégé、Grakn等，将提取和清洗后的实体和关系数据导入到知识图谱中，并进行可视化和编辑。 以上是构建初始知识图谱的基本步骤，具体实现过程还需要根据具体情况进行调整和完善。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

音程

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值