知识图谱的可视分析

1、新的查询交互方式

用户从可视化表示中选择一个类或实体, 系统将自动构建一个 SPARQL 查询语句, 用户只需要在语句中手动输入字符串补全查询语句, 然后提交给系统. 此类可视分析方法要求用户手动浏览可视探索, 以便找到两个感兴趣对象之间的关系。
论文：rdf data exploration and visualization

2、RelFinder 模型

提供两个关键字即可分析类之间的关系, 可视化系统自动生成查询语句并根据关系查找算法，得到两个类间的关系拓扑图
论文：RelFinder: Revealing relationships in RDF knowledge bases

3、基于模板查询

一组预定义的基本图形模板, 根据用户提供的关键字生成SPARQL 查询. 用户只需要提供几个关键字就可以生成相应查询并返回结果。

4、知识图谱嵌入查询框架

首先将知识图图谱编码嵌入到低维空间，NLQ 的每个实体/关系短语被映射到 KG 中的一组候选匹配顶点/边缘. 通过学习的嵌入向量, 利用候选顶点/边集来计算目标查询结构. 最后, 基于所确定的查询结构, 从候选集中选择最佳匹配顶点/边, 生成目标查询.
论文：Graph Embedding Based Query Construction Over Knowledge Graphs

查询总结

自然语言查询(NLQ)和知识图谱嵌入查询成为近年来的研究热点.
自然语言查询能够携带更多的语义信息, 无需用户了解 SPARAL 查询语言, 为可视分析带来了便利. NLQ 通常将用户输入的自然语言查询语句转换为知识图谱/异质网络查询语句进行查询, 但 KG 的结构信息与自然语言表达推导出的信息不同, 因此会造成自然语言表达和查询结果不一致, 同时依赖于自然语言处理技术来构造查询过程复杂且计算耗时。

5、TGVizTab 本体可视化系统提供了过滤选择交互面板

使用层次关系过滤和定量过滤, 用户可根据可视分析需求进行选择是否显示父类、子类、类实例等, 同时根据可视效果设置节点显示和展开的阈值。
论文：TGVizTab: an ontology visualisation extension for Protégé

过滤总结

(a)实体类别过滤;
(b)属性过滤;
©层次关系过滤;
(d)节点度过滤;
(e)定量(阈值)过滤

6、关联可视化模型

通过抽象可视化接口根据实际需要选择可视化工具, 不再局限于单一视图和可视化工具, 能够根据数据源的特点来选择可视化工具, 提升可视分析的效果。

7、自顶向下的联动分析可视化

从知识图谱的知识的抽象程度由高到低进行可视分析, 即由本体 , 层次关系 , 实例数据依次进行可视分析，允许交互通过层次关系深入了解详细信息 .