知識圖譜不僅包含具體的實例知識數據，還包括對知識數據的描述和定義。該部分對數據進行描述和定義的“元”數據被稱為知識體系（Schema）或本體（Ontology）。

知識融合主要方法：框架匹配和實例對齊。

一、知識體系構建

1、概述

知識體系包含三方面的核心內容：

• 概念的分類
• 概念屬性的描述
• 概念之間相互關系

知識體系的基本形態包含五個層次（難度升序）：詞匯（Terms）、概念（Concepts）、分類關系（Taxonomic Relations）、非分類關系（Non-Taxonomic Relations）和公理（Axioms）。

示例：

2、人工構建方法

人工構建知識體系的過程可分為以下六個主要階段（注意：非嚴格的線性關系）：
確定領域及任務 ==》體系復用 ==》羅列要素 ==》確定分類體系 ==》定義屬性及關系 ==》定義約束

（1）確定領域及任務

與具體的應用任務有關，與具體的領域密切相關，也不能拋開領域建立一個高大全的、無法被廣泛使用的產品。

想要構建更為合適的體系，需要回答：

• 我們為什么要使用這個知識體系？
• 這種知識體系呢個構幫助回答哪些類型的問題？
• 誰會使用并維護這個知識體系？

（2）體系復用

在真正進行構建之前，應廣泛調研現有的第三方知識體系（eg：Schenma.org）或與之相關的資源，盡可能的參考前人已有的成果。

常用資源如下：

• 領域詞典：專家編撰的領域內的詞典，對構建限定領域的知識體系具有重要的參考意義。
• 語言學資源
• 開源知識圖譜：DBpedia、YAGO、Freebase、OpenCyc等
• 網絡百科

（3）羅列要素

根據領域，盡可能羅列期望在知識圖譜中出現的要素列表，主要包括概念、屬性以及關系。

（4）確定分類體系

確定了相關要素后，需要將其中表示概念的要素組織成層級結構的分類體系。必須保證上層類別所表示的概念完全包含下層類別所表示的概念（所有下層類別的實例必須是上層類別的實例）。

兩個構建方法：

• 自頂向下：從最抽象的概念開始，逐層添加更為具體的概念
• 自底向上：從具體的概念開始，逐層開始抽象

（5）定義屬性及關系

為每個類別定義屬性及關系。

• 屬性：描述概念的內在特征，
• 關系：刻畫不同概念之間的關系。

屬性的定義需要受分類體系的約束，下層類別必須繼承所有上層類別的屬性。

步驟（4）和步驟（5）常交叉進行。

（6）定義約束

• 不同的屬性和關系具有不同的定義域和值域。
• 數據報障數據的一致性，避免異常值的出現。

2、自動構建方法

根據數據源結構化程度的不同，知識體系的學習技術可分為：

• 基于非結構化數據的知識體系學習（重點）
• 基于結構化數據的知識體系學習（采用與人工構建相結合的方式工作）
• 基于半結構化數據的知識體系學習（采用與人工構建相結合的方式工作）

（1）基于非結構化數據的知識體系學習

基本思想：對于非結構化數據（通常指文本數據），首先利用自然語言處理工具對文本進行分詞、句法分析、命名實體識別等預處理操作，然后利用模板匹配、統計學習等手段從文本中抽取重要信息，主要包括領域概念、實例以及概念之間的關系。

主要步驟：領域概念抽取、分類體系構建、概念屬性及關系抽取

a、領域概念抽取

目標：從文本數據中抽取出構建知識體系所需的關鍵元素（該領域的術語），包括實體類型名、屬性名、關系名等

步驟如下

• 抽取候選術語：首先利用自然語言處理工具對文本進行分詞、句法分析，然后利用語言學規則或模板在文本中抽取特定的字符串，并將這些字符串當做領域術語的候選。目標：盡量多覆蓋真正的術語。
• 術語過濾：領域術語在領域內出現的頻率會顯著高于領域外出現的頻率，過濾低質量的術語。
  • 常用方法：互信息（MI）、詞頻逆文檔頻率（TF-IDF）、術語相關頻率（RTF）等
• 術語合并：知識體系是對概念及其關系的描述，因此術語需轉換為概念。
  • 做法：將候選術語中表達相同概念的術語聚合到一起，即識別同義詞。
  • 代表方法：
    • 基于詞典的方法：利用現有詞典資源獲取詞匯的同義情況，eg：WordNet、HowNet、同義詞詞林等。
    • 基于統計的方法：進行詞匯表示學習，并基于詞匯的表示對詞匯進行聚類。

b、分類體系構建

目標：獲取不同概念之間的上下位關系（繼承關系）。 下位詞是上位詞概念的具體化，eg：“犬科動物”是“哺乳動物”的下位詞。

代表方法

• 基于詞典的方法：利用現有詞典資源獲取不同詞匯的上下位關系，eg：WordNet等。
• 基于統計的方法：通過詞的上下文對當前詞進行表示，并基于該表示對得到的領域術語進行層次聚類。

c、概念屬性及關系抽取

與概念抽取的過程類似，首先利用自然語言處理工具對文本進行分詞、句法分析等預處理，然后利用語言學規則或模板的方法為給定的概念獲取候選屬性集合。然后利用統計方法定量評估每個候選屬性的置信度，過濾掉低質量的屬性，也涉及同義詞的情況。

（2）基于結構化數據的知識體系學習

主要任務：分析關系模型中蘊含的語義信息，并將其映射到知識體系的相應部分。

構建過程：通過分析數據表的字段內容、主鍵、外鍵等信息識別實體和實體間關系。
在信息抽取時，可從描述實體的表中抽取實體的概念（即本體類型）及實體屬性，從描述關系的表中抽取概念間關系，建立初步的知識體系，并進行評估和修正，生成最終的知識體系。

（3）基于半結構化數據的知識體系學習

典型數據：XML格式數據、HTML格式網頁數據以及它們遵循的文檔類型定義（XML Schema 或 DTD）等。以上兩類方法均可使用。

3、典型知識體系（本體）

• SUMO（Suggested Upper Merged Ontology）——最大的公共本體，主要用于學術領域，可作為其他知識體系的基礎本體。
• Schema.org
• Freebase——特點：使用組合數據類型（CVT）的方式表示事件等N-Triple事實。
  • Protege常被用于構建、編輯和管理知識框架。常被應用于基于框架的知識表示模型，一般是先定義類，在定義類中的屬性，最后定義類和屬性的約束。

二、知識融合

知識圖譜融合（根據KG類型劃分）：

• 豎直方向的融合：融合高層通用本體與底層領域本體或實例數據。eg：YAGO
• 水平方向的融合：融合相同層次的知識圖譜。eg：BabelNet

知識融合通過對多個相關知識圖譜的對齊、關聯和合并，使其成為一個整體。按融合對象的不同分為：框架匹配和實體對齊。

• 框架匹配：對概念、屬性、關系等知識描述體系進行匹配和融合。
• 實體對齊：對齊合并相同的實體完成知識融合

但是實例知識有時有沖突，需要對其檢測和消解。

1、框架匹配（本體對齊）

解決知識體系之間的異構性，知識框架主要包括概念（類型）、屬性、關系和它們之間的約束。

目前常用的框架匹配方法還停留在匹配不同知識庫中的元素，按照使用的技術不同可以分為：元素級匹配和結構級匹配。

（1）元素級匹配

獨立考慮元素是不是匹配，不考慮其他元素的匹配

• 字符串匹配：
  • 常用匹配方法：前綴距離，后綴距離，編輯距離和 $n$ 元語法距離
  • 這種方法忽略了語言符號的多義性，一詞多義和一義多詞
• 詞向量：將詞表示為低維語義向量空間的一個點，語義相似度用點之間的距離來衡量。與字符串相比，有更強的捕獲詞背后的真正語義的能力，且通過訓練產生的詞向量的覆蓋度要大得多。
• 混合方法：常將詞向量與其他編輯距離等結合，混合方法獲得了很好的性能。

（2）結構級匹配

不同元素的匹配之間也會有影響，例如屬性的定義域和值域匹配度高，屬性匹配度也高。基本思想：相似的概念具有相似的概念結構。

• 基于圖的技術：對于兩個本體中的節點，若它們的鄰居節點是相似的，則它們也是相似的。將本體匹配問題轉化為發現最大公共子圖的問題。
• 基于分類體系的技術：只關注與匹配一些特殊關系。“實例-類型”（is-a）或“子類-父類”（SubClassOf）關系。
• 基于統計分析的技術：挖掘蘊含的規律，并對概念、屬性、實例、關系等對象進行分組，進而計算它們之間的距離。
  • 典型技術：形式概念分析、基于距離的分類、相關性分析以及頻度分布。

2、實體對齊（實體匹配）

實體對齊：判斷相同或不同知識庫中的兩個實體是否表示同一物理對象的過程。其在數據集成和知識融合中發揮著重要的作用。

方法：

• 成對實體對齊：表示獨立地判斷兩實體是否對應同一物理對象，通過匹配實體屬性等特征判斷它們的對齊程度。
• 協同實體對齊：不同實體間的對齊是相互影響的，通過協調不同對象間的匹配情況得以達到一個全局最優的對齊結果。

典型方法：基于知識庫向量聯合學習的對齊方法

• 基本思想：通過知識庫聯合表示學習（種子對齊方法：兩個實體的向量要在訓練過程中盡可能相似），將多個知識庫表示在同一個語義向量空間中，把知識庫實體對齊的過程轉化為兩個知識庫中實體相似度計算問題。
• 知識庫聯合表示學習 步驟如下：
  • 首先，利用簡單的對齊方法（eg：字符串匹配），來產生初始的種子對齊，這些種子對齊要準確率非常高。
  • 然后，采用TransE的方式，學習兩個知識庫的對齊。
• 優點：不需要依賴人工設定的規則和特征，也不需要了解知識庫的命名習慣。適應性強、易于移植

3、沖突檢測與消解

沖突檢測與消解是知識融合的重要步驟，是多個知識圖譜形成一個一致結果的最后步驟。

沖突識別（最簡單的方法）：發現對于同樣的屬性和關系有不同的實例，但是對于某些屬性，這種策略不一定有效。eg：某個人的兩段不同的婚姻，都正確，不存在沖突，則需要針對性設計不同檢測策略。

沖突處理

• 沖突忽略：不處理，將檢測出的沖突交給用戶解決（舍棄或修改）
• 沖突避免：不解決，而使用規則或約束對數據來源進行過濾。eg：約束人的年齡范圍，設計不同知識來源的可信優先度。
• 沖突消解：利用知識圖譜本身（框架和實例）的特征來消解沖突
  • 基于投票的方法：eg：多數投票
  • 基于質量估計的方法：考慮不同知識來源的可信度，最終選擇較高質量的結果。eg：HITS或PangRank算法計算不同知識來源的可信度。

總結

以上是生活随笔為你收集整理的知识图谱（三）——知识体系构建和知识融合的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。