知识图谱的自顶向下和自低向上

知识图谱构建方式

自顶向下

先进行规则定义，后将数据填充到所构建的模式层

• 本体构建。构建知识图谱的模式层.从最顶层的概念开始构建顶层本体, 然后细化概念和关系, 形成结构良好的概念层次树.需要利用一些数据源提取本体, 即本体学习。
• 实体学习。将知识抽取得到的实体匹配填充到所构建的模式层本体中.

自底向上

1. 先从开放的多源数据中提取知识图谱的实体、关系、属性等要素，可以利用人工智能、深度学习等技术进行实体抽取、关系抽取和属性抽取。
2. 然后进行知识融合，消除实体、关系、属性等指称项与事实对象之间的歧义, 使不同来源的知识能够得到规范化整合. 知识融合分为:
   (1)实体对齐: 可用于判断相同或不同数据集中的多个实体是否指向客观世界同一实体, 解决一个实体对应多个名称的问题.
   (2)属性值填充:针对同一属性出现不同值的情况, 根据数据源的数量和可靠度进行决策, 给出较为准确的属性值.
3. 最后进行知识加工，对已构建好的数据层进行概念抽象,即构建知识图谱的模式层. 知识加工包括本体构建和质量评估.基于本体形成的知识库不仅层次结构较强,并且冗余程度较小. 由于技术的限制, 得到的知识元素可能存在错误, 因此在将知识加入知识库以前, 需要有一个评估过程. 通过对已有知识的可信度进行量化, 保留置信度高的知识来确保知识库的准确性.

自顶向下和自底向上结合

1. 首先, 在知识抽取的基础上归纳构建模式层, 之后可对新到的知识和数据进行归纳总结, 从而迭代更新模式层,并基于更新后的模式层进行新一轮的实体填充. 如百度知识图谱, 就是利用内外部以及用户数据采用混合方法构建所得。
2. 自顶向下法较好体现概念间层次, 但人工依赖性强、模式层更新受限, 仅适用于数据量小的知识图谱构建;自底向上法更新快、支持大数据量的知识图谱构建, 但知识噪音大、准确性不高; 混合方法灵活性强, 但模式层构建难度大。