OpenKE复现与使用（二）：理解数据集，理解N-Triples

0.阅读源码可知，想要把自己的数据集带进去需要经过预处理，把以不同格式存储的三元组先处理成以下格式：

Datasets are required in the following format, containing five files:

• train.txt :the training file in a format with (e1, e2, rel) per line, the first line is the number of triples.
  
• valid.txt :the validation file, same format as train.txt.
  
• test.txt :the testing file, same format as train.txt.
  
• entity2id.txt :all entities and corresponding ids, one per line.
  
• relation2id.txt:all relations and corresponding ids, one per line.

上面这段文字的来源是openke程序的官网：OpenKE - An Open-source Framework for Knowledge Embedding.

1.自己在网上下载的数据集有不同的格式，对应不同的读取方法，具体可参考：知识图谱的四种存储格式，N-Triples、Turtle、JSON-LD和RDF/XML。 - 知乎 (zhihu.com)

2.我下载的数据集是乳腺癌语义电子病历，记载了十万个乳腺癌病人初诊电子病历，以.nt后缀文件存储，下载地址为APDG: Advanced Patient Data Generator (vu.nl)

3.查阅资料后了解到nt格式就是每行一个三元组，实体、关系都是最完整的格式，有前缀，很长那种。

看不太懂的科普：

干货 | 初学者入门必看的“知识图谱”解读（上）-腾讯云开发者社区-腾讯云

RDF 1.1 N-Triples-CSDN博客

知识图谱——语义网中的知识表示 - 知乎

        N-Triples（nt）是RDF（Resource Description Framework，资源描述框架）的一种序列化表示方法，RDF是一种事物的表示方法和手段。

• R：Resource，即资源，能唯一标识的对象源，例如：地点、人、事件、餐馆等；
• D：Description，资源的描述，包括资源属性、关系等；
• F ：Framework，为资源描述提供了描述的语法和模型。

        N-Triples：多个三元组来表示RDF数据集，比如下面的三行，就是资源A1A2S2的信息，第一行表明这一行描述的是标签（label），值为“tumorsize”（肿瘤尺寸）；第二行表示这个尺寸的值是0.5，第三行表示单位是cm。

<http://wasp.cs.vu.nl/apdg#VMRBC_ZSH2013A1000001_A1A2S2> <http://www.w3.org/2000/01/rdf-schema#label> "TumorSize".
<http://wasp.cs.vu.nl/apdg#VMRBC_ZSH2013A1000001_A1A2S2> <http://wasp.cs.vu.nl/apdg#value> "0.5"^^<http://www.w3.org/2001/XMLSchema#decimal>.
<http://wasp.cs.vu.nl/apdg#VMRBC_ZSH2013A1000001_A1A2S2> <http://wasp.cs.vu.nl/apdg#unit> "cm".

        当然，除了这种可以直接读出来的字符串，还会有一些类似于网址的东西（URI），一般来说：

• 每行表示一个三元组，找到每行的主语、谓语和宾语。
• 主语和谓语通常是URI，表示资源和属性，而宾语可以是URI、字面量或其他资源。
• 使用空格来分隔三元组的组成部分，使用句点来结束每个三元组。

URI查询：https://www.cnblogs.com/xiaoqi/p/kg-study-part-1.html

4.到点该下班了~明天试试把nt格式的三元组提出来，变成openke需要的txt格式，或者看看如果很难的话就直接手输入几个！反正我找到的数据集都是英文的，我自己做的是中文的（小声）