1 . 定義

知識圖譜是由一些相互連接的實體和它們的屬性構成的，是用可視化技術描述知識資源及其載體，挖掘、分析、構建、繪制和顯示知識及它們之間的相互聯系。

用來揭示實體之間關系的語義網絡

• 信息是指外部的客觀事實。舉例：這里有一瓶水，它現在是7°。
• 知識是對外部客觀規律的歸納和總結。舉例：水在零度的時候會結冰。

三元組：實體entity,實體關系relation,實體entity

2. 幾個過程

原始數據類型一般來說有三類（也是互聯網上的三類原始數據）：

• 結構化數據（Structed Data）：如關系數據庫
• 半結構化數據（Semi-Structed Data）：如XML、JSON、百科
• 非結構化數據（UnStructed Data）：如圖片、音頻、視頻、文本
  

要做好KG要綜合利用好KR、NLP、Web、ML、DB等多方面的方法和技術。

2.1 知識抽取

信息抽取：從各種類型的半結構化、非結構化的數據源中提取出實體、屬性以及實體間的相互關系，在此基礎上形成本體化的知識表達；

2.1.1 結構化數據處理

針對結構化數據，通常是關系型數據庫的數據，數據結構清晰，把關系型數據庫中的數據轉換為RDF數據（linked data），普遍采用的技術是D2R技術。

2.1.2 半結構化數據處理

半結構化數據：具有一定的數據結構，但需要進一步提取整理的數據。
eg. 百科的數據，網頁中的數據等。

包裝器是一個能夠將數據從HTML網頁中抽取出來,并且將它們還原為結構化的數據的軟件程序。網頁數據輸入到包裝器中，通過包裝器的處理，輸出為我們需要的信息。

2.1.3 非結構化數據處理

對于非結構化的文本數據，我們抽取的知識包括實體、關系、屬性。

• 實體抽取
  也稱為命名實體識別，此處的實體包括概念，人物，組織，地名，時間等等。
• 關系抽取
  實體和實體之間的關系，也是文本中的重要知識，需要采用一定的技術手段將關系信息提取出來。
• 屬性抽取
  也就是實體的屬性信息，和關系比較類似，關系反映實體的外部聯系，屬性體現實體的內部特征。

2.2 知識融合

知識融合，就是將多個知識庫中的知識進行整合，形成一個知識庫的過程，在獲得新知識之后，需要對其進行整合，以消除矛盾和歧義，比如某些實體可能有多種表達，某個特定稱謂也許對應于多個不同的實體等；形成高質量的知識庫。

知識融合的目的就是將不同知識庫對實體的描述進行整合，從而獲得實體的完整描述。主要包括：實體對齊，也包括關系對齊，屬性對齊，可以通過相似度計算，聚合，聚類等技術來實現。

2.3 數據模型構建

知識圖譜的數據=數據模型+具體數據
數據模型: 知識圖譜的數據組織框架

2.4 知識推理

對于經過融合的新知識，進一步挖掘隱含的知識。
知識推理，根據已有的數據模型和數據，依據推理規則，獲取新的知識或者結論，新的知識或結論應該是滿足語義的。

eg. 比如實體的分類包含關系，一個電腦椅是椅子，椅子是家具，可以說，一個電腦椅是家具。常識規則的推理，一個男人的孩子是A，一個女人的孩子是A，可以知道，這個男人和女人是配偶。

2.5 質量評估

對最后的結果數據進行評估，將合格的數據放入知識圖譜中。

eg. 對于公共領域的知識圖譜，知識的獲取采用了眾包的方法，對于同一個知識點，可能會有很多人來完成，如果這個知識點只有一個答案，可以采用的一種策略是，將多人的標注結果進行比較，取投票多的結果作為最終的結果。


【參考】

[1] 知識圖譜入門 (一) 知識圖譜與語義技術概覽, Pelhans, csdn

總結

以上是生活随笔為你收集整理的知识图谱 (1)基本概念的全部內容，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。