小白入门知识图谱构建与应用

知识图谱的构建技术与应用研究

    知识图谱的概念在2012年由Google正式提出，其目的是以此为基础构建下一代智能化的搜索引擎，改善搜索结果质量。知识图谱技术是人工智能技术的重要组成部分，也是当下非常热门的研究方向。文章从知识图谱的概念和技术架构出发，综述知识图谱构建的关键技术，包括知识抽取、知识表示、知识融合、知识推理四大主要内容。同时，对于知识图谱的当下的现实应用作进一步阐述。

---

目录

1知识图谱概述

2知识图谱构建技术

    2.1知识抽取

        2.1.1实体抽取

        2.1.2关系抽取

        2.1.3属性抽取

    2.2知识表示

        2.2.1代表模型

        2.2.2复杂关系模型

        2.2.3多源信息融合

    2.3知识融合

        2.3.1实体链接

        2.3.2知识合并

    2.4知识推理

3知识图谱的应用

    3.1智能搜索

    3.2问答系统

    3.3社交网络

    3.4垂直应用

4总结

参考文献

---

1知识图谱概述

    说起知识图谱，不由得从信息检索开始，从本质上来说，知识图谱是信息检索新时期的产物。信息检索起源于图书馆的参考咨询和文摘索引工作，19 世纪下半叶开始起步，至 20 世纪 40 年代，索引和检索成为图书馆独立的工具和用户服务项目。信息检索是知识管理的核心支撑技术，伴随知识管理的发展和普及，应用到各个领域，成为人们日常工作生活的重要组成部分[1]。伴随着Web技术的不断演进与发展，人类先后经历了以文档互联为主要特征的“Web 1.0”时代与数据互联为特征的“Web 2.0”时代，正在迈向基于知识互联的崭新“Web 3.0”时代[2]。知识互联的目标是构建一个人与机器都可理解的万维网，使得人们的网络更加智能化。然而，由于万维网上的内容多源异质，组织结构松散，给大数据环境下的知识互联带来了极大的挑战。因此，人们需要根据大数据环境下的知识组织原则，从新的视角去探索既符合网络信息资源发展变化又能适应用户认知需求的知识互联方法，从更深层次上揭示人类认知的整体性与关联性。知识图谱(knowledge graph)以其强大的语义处理能力与开放互联能力，可为万维网上的知识互联奠定扎实的基础，使Web 3.0提出的“知识之网”愿景成为了可能[3]。

    知识图谱的概念并不久远，知识图谱的概念在2012年由Google正式提出，其目的是为了以此为基础构建下一代智能化的搜索引擎，改善搜索结果质量。传统的信息检索方式都是基于关键字匹配进行信息检索的，但是搜索引擎并不理解用户的输入，只能通过切分用户输入的内容得到关键词，然后将关键词与数据库中的数据进行相似度匹配，再将匹配的结果按照一定的排序算法返回给用户[4]。最终，用户从返回的结果中浏览选择想要的搜索结果。因为不能理解用户搜索的真实目的，所以关键字匹配的检索技术存在明显的缺陷，不仅得到的信息不准确，且有时得到的结果与搜索内容相关性很低。而基于知识图谱的语义检索不但可以理解用户的输入，还能为用户提供直接和系统的结果。知识图谱由知识和知识之间的关系组成，它是一个结构化的语义知识库。一个典型的知识图谱由实体或概念以及实体或概念之间的关系组成[3]。

    知识图谱的目标在于描述现实世界中存在的各种实体或概念，以及这些实体或概念之间的关联关系。在知识图谱中，不仅概念与概念之间存在关联关系，实体与实体之间也存在关联关系。实体可以拥有属性，用刻画实体的内在特性[5]。例如，当用户输入刘德华多少岁，引擎不是像以往一样输出一堆网页让用户自己点击筛选查看，而且答案众说纷纭，而是直接在第一条就告诉用户答案是54岁，并且下面展示的是刘德华作品等信息条目，让用户在满足答案之余还想继续了解的话就可以自主地选择查看。从而，知识图谱能够让计算机理解人类的语言，更加智能地反馈用户需要的答案。于此同时，通过知识图谱能够将web上的信息、数据一句链接关系聚集为知识，使信息资源更易于计算、理解预计评价，形成一套web语义知识库。
    知识图谱与知识库在理论和方法上都有很多相似的地方。它们都能够更加智能有效地保存、管理己有的知识，同时还对外提供一个便捷的访问所需知识的接口，从而满足人们对于所需知识高效、准确地获取的需求。然而，知识库与知识图谱的区别也是明显的。知识库大多建立在机构内部，为机构内部人员以及需要访问该机构的人们提供服务，知识库中所包含的知识都是该机构领域内的知识。然而，相比于知识库，知识图谱的含义则更加的宽泛。知识图谱是一个更大的，包含世界上所有领域知识库的知识集合。知识图谱中包含着的知识是现实世界中的万事万物，它包含人类文明所发现和创造的所有知识[5]。
文章第一部分对知识图谱进行概述，第二部分详细分析知识图谱构建技术，如知识抽取、知识表示、知识融合和知识推理，第三部分将知识图谱的现实应用作进一步的阐述，最后对文章进行总结。

2知识图谱构建技术

    首先介绍知识图谱的逻辑结构，从逻辑上将知识图谱划分为两个层次：数据层和模式层。在知识图谱的数据层，知识以事实为单位存储在图数据库。例如谷歌的Graphd和微软的 Trinity都是典型的图数据库。如果以“实体－关系－实体”或者 “实体－属性－性值”三元组作为事实的基本表达方式，则存储在图数据库中的所有数据将构成庞大的实体关系网络，形成知识的“图谱”[6]。模式层在数据层之上，是知识图谱的核心。在模式层存储的是经过提炼的知识，通常采用本体库来管理知识图谱的模式层，借助本体库对公理、规则和约束条件的支持能力来规范实体、关系以及实体的类型和属性等对象之间的联系。本体库在知识图谱中的地位相当于知识库的模具，拥有本体库的知识库冗余知识较少[7]。

    构建知识图谱的主耍目的是获取大量的计算机可读的知识。知识图谱有自顶向下和自底向上两种构建方式。自顶向下的构建方式则是首先对数据源进行本体的学习，得到术语、顶层的概念、同义和层次关系以及相关规则，然后进行实体学习，发现和添加实体进入前面抽取出的概念中，并根据构建好的实体规约出属性等信息，最后不断更新知识图谱中的数据。而自底向上的构建方式与之恰恰相反，首先是对实体进行归纳，并进一步对其抽象，逐步形成分层的概念体系。通常情况，对知识图谱的构建是将两种方式相结合[5]。

2.1知识抽取

    知识提取主要是通过相关得计算机技术从一些开放得数据中抽取合适的知识单元，知识单元包括实体、关系以及属性3个知识要素，并以此为基础，为上层模式层奠定基础。

2.1.1实体抽取

    实体是知识图谱中的最基本元素，其抽取的准确率和召回率将直接影响知识哭的质量。因此，实体抽取相当关键。实体抽取的方法分为三种：基于规则与词典的方法、基于统计机器学习的方法以及面向开放与的抽取方法。

    基于规则与词典的实体抽取方法是早期主要采用的方法，需要依靠大量专家来编写规则或模板，覆盖的领域范围有限，而且对于新需求的适应也不够好。随后研究人员尝试使用机器学习算法与规则结合的方法，这取得了一定的成果。面向开放域的实体抽取方法基本思想是从少量实体示例中自动发现具有区分力的模式，进而扩展到海量文本去给实体做分类与聚类问题。

2.1.2关系抽取

    关系抽取的目标是解决实体间语义链接的问题。早期的关系抽取主要是通过人工构造语义规则以及模板的方法识别实体关系。随后，实体间的关系模型逐渐替代了人工预定义的规则。实体关系抽取方法包括开放式实体关系抽取和基于联合推理的实体关系抽取。
开放式实体关系抽取可分为二元开放式关系抽取和n元开放式关系抽取。根据不同的语言和应用场景设定不同的方法。基于联合推理的实体关系抽取中的典型方法是马尔可夫逻辑网，在实际研究中取得了不小的突破，在保证准确率的同时也提高了召回率。

2.1.3属性抽取

    实体的属性是实体和属性值的一种关系，可以把实体属性的抽取问题转化为关系抽取问题。大量的属性数据主要存在于半结构化、非结构化的大规模开放域数据集中。抽取这些属性的方法，一种是将上述从百科网站上抽取的结构化数据作为可用于属性抽取的训练集，然后再将该模型应用于开放域中的实体属性抽取；另一种是根据实体属性与属性值之间的关系模式，直接从开放域数据集上抽取属性。但是由于属性值附近普遍存在一些限定属性值含义的属性名等，所以该抽取方法的准确率并不高[3]。

2.2知识表示

    虽然，基于三元组的知识表示形式受到了人们广泛的认可，但是其在计算效率、数据稀疏性等方面却面临着诸多问题。本文主要概述知识表示学习的代表模型、复杂关系翻译模型、多源异质信息融合模型的相关研究。

2.2.1代表模型

    知识表示学习的代表模型主要包括距离模型、双线性模型、神经张量模型、矩阵分解模型、翻译模型。距离模型：首先将实体用向量进行表示，然后通过关系矩阵将实体投影到与实体向量同一维度的向量空间中，最后通过计算投影向量之间的距离来判断实体间已存在的关系的置信度[3]。由于距离模型中的关系矩阵是两个不同的矩阵，故实体间的协同性较差，这也是该模型本身的主要缺陷。针对这样的缺陷，研究者提出单层神经网络模型，单层神经网络模型的非线性操作虽然能够进一步刻画实体在关系下的语义相关性，但在计算开销上却大大增加。双线性模型主要是通过基于实体间关系的双线性变换来刻画实体在关系下的语义相关性。模型不仅形式简单、易于计算，而且还能够有效刻画实体间的协同性。然后，神经张量模型在构建实体的向量表示时，是将该实体中的所有单词的向量取平均值，这样一方面可以重复使用单词向量构建实体，另一方面将有利于增强低维向量的稠密程度以及实体与关系的语义计算。不少研究者提出可采用矩阵分解方式进行知识表示学习，能偶得到地位的向量表示，减少计算难度。翻译模型即知识库中实体之间的关系看成是从实体间的某种平移，并用向量表示，在大规模稀疏知识库中也同样具有较好的性能与可扩展性。

2.2.2复杂关系模型

     知识库中的实体关系类型也可分为1-to-1、1-to-N、N-to-1、N-to-N4种类型[63]，而复杂关系主要指的是1-to-N、N-to-1、N-to-N的3种关系类型。TransH模型通过不同的形式表示不同关系中的实体结构，对于同一个实体而言，它在不同的关系下也扮演着不同的角色。由于实体、关系是不同的对象，不同的关系所关注的实体的属性也不尽相同，将它们映射到同一个语义空间，在一定程度上就限制了模型的表达能力。TransR模型认为关系还可以做更细致的划分，这将有利于提高试题与关系的语义联系。由于TransR模型仅考虑了不同的关系类型，忽视了试题与关系之间的交互，因此研究者有提出来TransD模型，模型分别定义了头实体和尾实体在关系空间上的投影矩阵。另外，研究者还提出了TransG模型，模型认为一种关系可能对应多种语义，而每一种语义都可以用一个高斯分布表示，使得实体具有较高的区分度。考虑到考虑到知识库中的实体以及关系的不确定性，研究者提出了KG2E模型，其中同样是用高斯分布来刻画实体与关系。

2.2.3多源信息融合

    目前，互联网中仍蕴含着大量与知识库实体、关系有关的信息，但未被考虑或有效利用，如何充分融合、利用这些多源异质的相关信息，进一步提升现有知识表示模型的区分能力以及性能是一个重要课题。多源异质信息融合模型方面的研究尚处于起步阶段，涉及的信息来源也相当有限，具有广阔的研究前景。有研究者实验，选择维基百科知识库，并通过word2vec将知识库中的正文词语表示为向量，同时使用TransE模型对该知识库进行表示学习。目标是使通过word2vec表示的实体与知识库中学习到的实体尽可能接近，从而使文本能够与知识库相互融合。

2.3知识融合

    通过知识抽取，实现了从非结构化和半结构化数据中获取实体、关系以及实体属性信息的目标，然而，这些结果中可能包含大量的冗余和错误信息，数据之间的关系也是扁平化的，缺乏层次性和逻辑性，因此有必要对其进行清理和整合．知识融合包括２部分内容：实体链接和知识合并．通过知识融合，可以消除概念的歧义，剔除冗余和错误概念，从而确保知识的质量。

2.3.1实体链接

    实体链接（entity linking）是指对于从文本中抽取得到的实体对象，将其链接到知识库中对应的正确实体对象的操作[8]。实体链接的基本思想是首先根据给定的实体指称项，从知识库中选出一组候选实体对象，然后通过相似度计算将指称项链接到正确的实体对象。实体链接的流程为：1）从文本中通过实体抽取得到实体指称项；2)进行实体消歧和共指消解；3）在确认知识库中对应的正确实体对象之后，将该实体指称项链接到知识库中对应实体[9]。

    实体消歧视专门用于解决同名实体产生歧义问题的技术。比如两个人同名，那么这时候就要对于同名的两个人进行区分。通过实体消歧就可以根据当前的语境，准确建立实体链接，实体消歧主要采用聚类法。聚类法是指以实体对象为聚类中心，将所有指向同一目标实体对象的指称项聚集到以该对象为中心的类别下[10]。聚类法消歧的关键问题是如何定义实体对象与指称项之间的相似度，常用的四种聚类方法是：空间向量模型（词袋模型）、语义模型、社会网络模型、百科知识模型。实体消歧技术能够帮助搜索引擎更好地理解用户的搜索意图，从而给出更好的上下文推荐结果，提高搜索服务质量。

    共指消解（entity resolution）技术主要用于解决多个指称项对应于同一实体对象的问题。例如，一篇文章中对于同一个人又叫“狗子”，又称呼“他”，又称呼“男朋友”。利用共指消解技术，可以将这些指称项合并到正确的实体对象。随着统计机器学习方法被引入该领域，共指消解技术进入了快速发展阶段，共指消解技术不仅可以视为分类问题，还可以将其作为聚类问题来求解．聚类法的基本思想是以实体指称项为中心，通过实体聚类实现指称项与实体对象的匹配。

2.3.2知识合并

    在构建知识图谱时，可以从第三方知识库产品或已有结构化数据获取知识输入。知识合并包括合并外部知识库、合并关系数据库和许多以半结构化存储(XML、CSV、Json)的历史数据。合并外部知识库即将外部知识库融合到本地知识库中，需要处理的问题是数据层的融合，包括实体的指称、属性、关系以及所属类别等，主要的问题是如何避免实例以及关系的冲突问题，造成不必要的冗余；通过模式层的融合，将新得到的本体融入已有的本体库中。主要分为四个步骤：1、获取知识，2、概念匹配，3、实体匹配，4、知识评估。另外，对于合并关系数据库[11]。在知识图谱构建过程中，一个重要的高质量知识来源是企业或者机构自己的关系数据库．为了将这些结构化的历史数据融入到知识图谱中，可以采用资源描述框架（ＲＤＦ）作为数据模型。

    通过实体对齐，可以得到一系列的基本事实表达或初步的本体雏形，然而事实并不等于知识，它只是知识的基本单位。要形成高质量的知识，还需要经过知识加工的过程，从层次上形成一个大规模的知识体系，统一对知识进行管理。知识加工主要包括本体构建与质量评估两方面的内容[12]。本体是同一领域内不同主体之间进行交流、连通的语义基础，其主要呈现树状结构，相邻的层次节点或概念之间具有严格的“IsA”关系，有利于进行约束、推理等，却不利于表达概念的多样性。本体在知识图谱中的地位相当于知识库的模具，通过本体库而形成的知识库不仅层次结构较强，并且冗余程度较小[13]。本体可通过人工编辑的方式手动构建，也可通过数据驱动自动构建，然后再经质量评估方法与人工审核相结合的方式加以修正与确认。而质量评估是对知识库的质量评估任务通常是与实体对齐任务一起进行的，其意义在于对知识的可信度进行量化，保留置信度较高的，舍弃置信度较低的，有效确保知识的质量[3]。

2.4知识推理

    知识推理则是在已有的知识库基础上进一步挖掘隐含的知识，从而丰富、扩展知识库。在推理的过程中，往往需要关联规则的支持。知识推理是知识图谱构建的重要手段和关键环节，通过知识推理，能够从现有知识中发现新的知识。知识推理方法可以分为基于逻辑的推理和基于图的推理[3]。

    基于逻辑的推理方式主要包括一阶谓词逻辑(first order logic)、描述逻辑(description logic)以及规则等。一阶谓词逻辑推理是以命题为基本进行推理，而命题又包含个体和谓词。逻辑中的个体对应知识库中的实体对象，具有客观独立性，可以是具体一个或泛指一类，例如中国、香港等；谓词则描述了个体的性质或个体间的关系。描述逻辑是在命题逻辑与一阶谓词逻辑上发展而来，目的是在表示能力与推理复杂度之间追求一种平衡。

    另外，基于图的推理方法中主要基于神经网络模型或Path Ranking算法，神经网络模型即将知识库的实体表达为词向量的形式，进而采用神经张量网络模型进行关系推理。Path Ranking算法主要是将知识图谱视为图（以实体为节点，以关系或属性为边），从源节点开始，在图上执行随机游走，如果能够通过一个路径到达目标节点，则推测源和目的节点间可能存在关系[5]。

    如今跨知识库的知识推理也是大趋势，同时也带来新的挑战。研究者提出了基于组合描述逻辑算法，基于概念的相似性对不同领域的概念进行关联．实验结果表明，基于组合描述逻辑的推理方法可以利用不同知识库中的已有知识进行推理，该成果为跨知识库的知识推理方法研究提供了新的思路。

3知识图谱的应用

    自2012年Google提出知识图谱概念以来，无论工业界还是学术界对于知识图谱的探索如火如荼地开展。许多大公司不断在自身产品进行延伸，探索新的技术场景。通过知识图谱，不仅可以将互联网的信息表达成更接近人类认知世界的形式，而且提供了一种更好的组织、管理和利用海量信息的方式[14]。目前知识图谱技术主要用于智能语义搜索、社交网络以及深度问答系统（如IBM Waston, Wolfram Alpha等），支撑这些应用的核心技术正是知识图谱技术。

3.1智能搜索

    基于知识图谱的智能搜索是一种基于长尾的搜索，搜索引擎以知识卡片的形式将搜索结果展现出来。在智能语搜索应用中，当用户发起查询时，搜索引擎会借助知识图谱的帮助对用户查询的关键字进行解析和推理，进而将其映射到知识图谱中的一个或一组概念之上，然后根据知识图谱中的概念层次结构，向用户返回图形化的知识结构（其中包含指向资源页面的超链接信息），这就是我们在谷歌和百度的搜索结果中看到的知识卡片。

    目前，国外的搜索引擎以谷歌的Google Search、微软的Bing Search最为典型。谷歌的知识图谱相继融入了维基百科、CIA世界概览等公共资源以及从其他网站搜集、整理的大量语义数据，微软的Bing Search和Facebook、Twitter等大型社交服务站点达成了合作协议，在用户个性化内容的搜集、定制化方面具有显著的优势。国内的主流搜索引擎公司，如百度、搜狗等在近两年来相继将知识图谱的相关研究从概念转向产品应用。搜狗的知立方是国内搜索引擎行业的第一款知识图谱产品，它通过整合互联网上的碎片化语义信息，对用户的搜索进行逻辑推荐与计算，并将最核心的知识反馈给用户。百度将知识图谱命名为知心，主要致力于构建一个庞大的通用型知识网络，以图文并茂的形式展现知识的方方面面。

3.2问答系统

    问答系统是信息检索系统的一种高级形式，能够以准确简洁的自然语言为用户提供问题的解答。之所以说问答是一种高级形式的检索，是因为在问答系统中同样有查询式理解与知识检索这两个重要的过程，并且与智能搜索中相应过程中的相关细节是完全一致的。多数问答系统更倾向于将给定的问题分解为多个小的问题，然后逐一去知识库中抽取匹配的答案，并自动检测其在时间与空间上的吻合度等，最后将答案进行合并，以直观的方式展现给用户。

    知识图谱的问答系统大致可以分为两类：基于信息检索的问答系统和基于语义分析的问答系统。基于信息检索的问答系统的基本思路是首先将问题转变为一个基于知识库的结构化查询，从知识库中抽取与问题中实体相关的信息来生成多个候选答案，然后再从候选答案中识别出正确答案。基于语义分析的问答系统的基本思路是 首先通过语义分析正确理解问题的含义，然后将问题转变为知识库的精确查询，直接找到正确答案。、

3.3社交网络

    社交网站Facebook于2013年推出了Graph Search产品，其核心技术就是通过知识图谱将人、地点、事情等联系在一起，并以直观的方式支持精确的自然语言查询[6]。例如输入查询式：“我朋友喜欢的餐厅”“住在纽约并且喜欢篮球和中国电影的朋友”等，知识图谱会帮助用户在庞大的社交网络中找到与自己最具相关性的人、照片、地点和兴趣等。Graph Search提供的上述服务贴近个人的生活，满足了用户发现知识以及寻找最具相关性的人的需求。

3.4垂直应用

    在金融行业中，反欺诈是一个重要的环节。难点在于如何将不同税务子系统中的数据整合在一起。通过知识图谱，一方面有利于组织相关的知识碎片，通过深入的语义分析与推理，可对信息内容的一致性充分验证，从而识别或提前发现欺诈行为；另一方面，知识图谱本身就是一种基于图结构的关系网络，基于这种图结构能够帮助人们更有效地分析复杂税务关系中存在的潜在风险。在精准营销方面，知识图谱可通过链接的多个数据源，形成对用户或用户群体的完整知识体系描述，从而更好地去认识、理解、分析用户或用户群体的行为[1]。

    在电商行业中，电商网站的主要目的之一就是通过对商品的文字描述、图片展示、相关信息罗列等可视化的知识展现，为消费者提供最满意的购物服务与体验。阿里巴巴是应用知识图谱的代表电商网站之一，它旗下的一淘网不仅包含了淘宝数亿的商品，更建立了商品间关联的信息以及从互联网抽取的相关信息，通过整合所有信息，形成了阿里巴巴知识库和产品库，构建了它自身的知识图谱。当用户输入关键词查看商品时，知识图谱会为用户提供此次购物方面最相关的信息，包括整合后分类罗列的商品结果、使用建议、搭配等[15]。

    除此之外，另外一些行业也需要引入知识图谱，如教育科研行业、图书馆、证券业、生物医疗以及需要进行大数据分析的一些行业。这些行业对整合性和关联性的资源需求迫切，知识图谱可以为其提供更加精确规范的行业数据以及丰富的表达，帮助用户更加便捷地获取行业知识[16]。

4总结

    文章在对知识图谱的定义、构建技术和典型应用等进行了阐述，也较为深入地梳理了知识图谱构建的过程。知识图谱技术是对语义网标准与技术的一次扬弃与升华。自Google提出之初至今，其热度依然有增无减，并随着深度学习、类脑科学等领域的发展，有逐步演进并发展为智能机器的大脑知识库之趋势。但也正因为它发展时间比较短，现在仍然有许多技术问题需要解决，例如在知识抽取环节，面向开放域的知识抽取方法研究还处于起步阶段、在知识融合环节，如何实现准确的实体链接也是一个主要挑战以及知识推理技术的创新与突破。

    随着越来越多的研究者加入知识图谱的研究，可以看到知识图谱的魅力和未来可观的发展前景。在未来的几年时间内，知识图谱仍将是大数据智能的前沿研究问题。希望本文能够给知识图谱技术的发展提供一些帮助。

参考文献

[1] 胡德华, 王蕊. 信息检索研究的知识图谱探析[J]. 图书馆杂志, 2015, 34(01): 20-28.
[2] 陈悦, 刘则渊, 陈劲, et al. 科学知识图谱的发展历程[J]. 科学学研究, 2008(03): 449-460.

（推荐阅读）[3] 徐增林, 盛泳潘, 贺丽荣, et al. 知识图谱技术综述[J]. 电子科技大学学报, 2016, 45(04): 589-606.

[4] 李甦, 方芳. 我国协作学习研究热点与趋势分析——基于核心期刊的科学知识图谱研究[J]. 成人教育, 2019(12): 7-12.
[5] 王璐. 基于知识图谱的bug分析技术研究与系统实现[D]. 扬州大学, 2018.
[6] 梁妍. 移动学习视域下基于知识图谱的碎片化知识管理研究[D]. 四川师范大学, 2018.

（推荐阅读）[7] 刘峤, 李杨, 段宏, et al. 知识图谱构建技术综述[J]. 计算机研究与发展, 2016, 53(03): 582-600.

[8] 张楚婷. 基于知识图谱的旅游问答系统研究与实现[D]. 桂林电子科技大学, 2019.
[9] 李亚丽, 王萍, 颜伟. 基于CiteSpace国内旅游扶贫研究的知识图谱分析[J]. 山西师范大学学报(自然科学版), 2019, 33(04): 74-80.
[10] 赵蓉英, 王菊. 图书馆学知识图谱分析[J]. 中国图书馆学报, 2011, 37(02): 40-50.
[11] 张盘龙. 基于知识图谱的专利推荐系统设计与实现[D]. 山东大学, 2019.
[12] 程鑫, 常德民, 李治平. 我国信用评价领域的知识图谱与前沿态势分析[J]. 太原学院学报(社会科学版), 2019, 20(06): 20-29.
[13] 胡泽文, 孙建军, 武夷山. 国内知识图谱应用研究综述[J]. 图书情报工作, 2013, 57(03): 131-137+84.
[14] 温芳芳. 2008-2013国外信息检索研究知识图谱分析[J]. 图书馆理论与实践, 2015(01): 55-58.
[15] 陈悦, 刘则渊. 悄然兴起的科学知识图谱[J]. 科学学研究, 2005(02): 149-154.
[16] 刘佳昕. 基于知识图谱的国内信息检索相关性研究评析[J]. 兰台世界, 2016(20): 13-15.