基于规则的结构化数据知识抽取（三）

本文是基于规则的结构化数据知识抽取专题的第三篇，介绍知识抽取的交互设计

---

知识图谱概念本身很容易理解，但是其建模设计、知识抽取、知识融合等过程较为复杂，如果能够通过WYSWYG（所见即所得）的方式指引用户，将为应用带来极大便利。

与本文内容最相关的是规则配置界面，通过设计交互界面，方便用户进行规则配置，此功能又称为本体映射。传统的信息化系统界面往往采用表单方式，配置过程枯燥繁琐，不易发现错误。

1. 界面要素

界面的核心元素包括：

• 图谱模式画布：图谱模式就是要构建的图谱的Schema。用图谱形式直观展示要抽取的知识内容，其中节点表示要抽取的实体、事件等信息，连边表示要抽取的关系信息。
• 表信息：可选的数据表，包括表头和表行数据，表行数据主要用于给用户提供示例，一般抽样几行展示
• 节点配置：每个节点提供ID、名称、类型、表、属性映射的配置，当在画布中添加一个新的节点时，需要至少明确实体类型（事件类似）、对应数据表、ID配置（自动生成或表中的一个或多个字段）、名称名称（表中的一个字段）。明确了实体类型后，通过本体结构可知当前实体可能具有哪些属性，从而建立与数据字段的映射关系。
• 连边配置：每个连边提供表、首节点ID、尾节点ID、关系类型、属性映射的配置。在画布中选中任意节点，按住鼠标与另外的节点进行连线，进而添加新的连边，需要至少明确数据表、首节点ID配置（选择表中字段，支持选多个字段）、尾节点ID配置（选择表中字段，支持选多个字段）、关系类型（从本体中选择、字面值或字段的值）。明确了关系类型后，通过本体结构可知当前关系可能具有哪些属性，从而建立与数据字段的映射关系。大部分图谱系统中，关系属性非常简单，可简化设计。首尾节点ID配置一定要跟对应实体的ID配置保持一致，否则无法进行关联。
• 结果预览：以图谱形式立即展示当前配置的规则（及数据表）对应的抽取结果，可以方便用户校验查看

2. 细节设计

配置过程的几个细节问题：

• 实体ID自动生成有什么用？可方便实体信息抽取，在不考虑关系的情况下，实体ID就无关紧要了。但一旦ID生成，不易修改，且自动生成ID较为随意，后续再希望通过数据中的ID进行关联就比较困难，因此一般情况下尽量使用业务数据字段值作为ID。
• 实体名称配置的作用？名称用于实体显示，相当于Wikidata图谱中的label字段。理论上也可以支持多个字段的拼接，也支持多个名称条目。
• 如果本体中未定义所需要的属性怎么办？这个是知识图谱模型设计问题，在严格的以本体核心的知识图谱中，需要先在本体中定义属性，实例才能应用；另一方面，本体中被删除的属性，实例中的相应属性也变成无效状态。也可以采用松散的本体约束，支持为实体、关系添加自由定义的属性信息，属性名称采用字面值或选择的字段名。
• 数据表与节点、连边的对应关系是什么？支持一张表提取多种类型的实体、关系，即多个节点和连边。一个节点或连边，目前不支持从多张表进行抽取。如果同一类型的实体或关系的信息分布在多张表中，可先通过创建表连接的视图或在模式中添加2个节点/连边来实现。
• 字段是否可以在多个属性间共用？一般是可以的，使用较为方便，例如“姓名”字段可以同时作为ID和名称属性。如果设计不共用，需要及时更新当前属性的可选字段列表。

3. 模式复用

通过交互界面进行配置，使得图谱模式定义较为便利。但在实践中经常发现数据结构重复或高度相似，图谱模式配置每次从空画布开始就显得格外繁琐，因此考虑如何进行模式复用。

通过任务定义，会将图谱模式（其实就是前文所属的抽取规则）保存，但是将图谱模式独立管理更加便于复用。增加模式保存功能，提供模式名称进行保存。在新建任务或编辑图谱模式时，可以载入已有的模式。

4. 模式推荐

首先是属性级别的推荐。经常遇到需要做较多属性映射配置的情况，如果能够自动进行属性-字段字段匹配，可以进一步减轻配置的工作量。直观的方法是根据名称进行相似度计算，对于所选类型的属性名称列表A和所选表的字段列表B，逐个进行计算，并在属性配置中配置推荐的字段，供用户确认。另外，为了方便属性或字段查找，建议提供字母或拼音字母进行排序。

第二是规则粒度推荐，根据数据的表结构，进行查找、推荐。通过与历史配置库进行对比，找到表结构最为相似的图谱模式进行推荐，本质上是一种更加自动化的模式复用。

第三是图谱模式级别的推荐，可以参考的信息包括当前图谱构建任务的描述、图谱所选的表数据的结构。

5. 模式校验

一般的图谱模式配置，并不会对数据类型进行校验。实际上，本体中一般具有属性的类型信息，如果配置映射的字段数据类型不匹配，抽取、融合过程中也会发生错误。这种问题称为“本体冲突”。通过自动检测本体冲突，发现冲突时对用户进行提示，从而提高图谱的质量。

另外一种情况是配置信息自身不匹配，例如连边的首尾节点ID配置与节点的ID配置不一致。