知识图谱

什么是知识图谱?

知识图谱： 是一种用图模型来 描述知识 和 建模世界万物之间关联关系 的一种技术方法 知识图谱由节点和边组成 节点表示实体，实体可以是抽象出来的类，也可以是具体的对象实例，甚至是基本的字面量。 类是抽象的实体，用于归纳具有相同属性的实体，类和从属的实体之间是上下位关系。 通过抽取类，建设上下位关系，可以帮助我们整理实体属性，更好的理解实体，有助于后续的推理。 边表示实体的属性，分为对象属性（实体的外部关系）和 数据属性（实体的内部特征） 以SPO三元组(Subject-Predicate-Object)的形式来表示: 对象属性表示为 <类/对象实例，关系，类/对象实例> 数据属性表示为 <类/对象实例，属性，字面量>

知识图谱的演变

知识图谱演变.png

1. 语义网络： 知识表示方法, 用相互连接的节点和边来表示知识。 节点表示对象、概念，边表示节点之间的关系 问题: 节点和边的定义没有标准，无法对节点和边进行定义 2. 语义网（semantic web） , 链接数据（linked data） 这两个倾向于描述万维网中资源、数据之间的关系 语义网: 也指代其相关的技术标准。 是为了使得网络上的数据变得机器可读而提出的一个通用框架。 是知识表示和推理在web中的应用 链接数据: 起初是用于定义如何利用语义网技术在网上发布数据，其强调在不同的数据集间创建链接 3. 知识图谱 可看做是 语义网（semantic web）简化后的商业实现 是由本体（Ontology）作为Schema层，和RDF数据模型兼容的结构化数据集

为什么需要知识图谱？

不要无意义的字符串，而是获取字符串背后隐含的对象或事物， 让机器能理解数据的关联

  • 价值：
    • 提升搜索引擎的能力
    • 辅助智能问答
    • 自然语言处理
    • 大数据分析
    • 推荐计算
    • 物联网设备互联
    • 可解释性人工智能
    • 等等

如何构建一个知识图谱？

知识建模、知识存储、知识抽取、知识融合、知识计算以及知识应用

  • 技术流程
    1. 确定知识表示模型
    2. 根据数据来源选择不同的知识获取手段导入知识
    3. 利用知识推理，知识融合，知识挖掘等技术对构建的知识图谱进行质量提升
    4. 根据场景需求设计不同的知识访问和呈现方法，如语义搜索，问答交互，图谱可视化分析等
  • 辅助理解图
    五步走.png

通用知识图谱 和 垂直领域知识图谱

目前知识图谱的大类划分： 通用知识图谱， 垂直领域的专业知识图谱

垂直领域知识图谱.png

如何进行知识建模

重点： 知识表示

知识表示

W3C 提出的一套标准语言: RDF, RDFS, OWL

  • RDF

是关于知识图谱的国际标准，是一系列语义网标准的核心 是一个抽象的数据模型， 有多种序列化格式 在RDF中， 知识都以 SPO 三元组形式出现 主语是 一个个体（individual） 谓语是 一个属性 （ 属性连接两个个体，或者连接 个体和字面量 ） 宾语是 一个个体 或 一个字面量(数据类型的实例) 一个RDF知识库 就可以看成是一个图， 或者是一个知识图谱

  • RDFS

描述个体之间的关系： 类， 属性 类，属性 就是 模式scheme定义 RDFS 就是 RDF scheme , 是对RDF数据提供 类，属性的描述，提供词汇建模 本质上是一些预定义词汇（vocabulary）构成的集合，用于对RDF进行类似的类定义及其属性的定义 rdf:type 指定个体的类 rdfs:subClassOf 指定类的父类 rdfs:subPropertyOf 指定属性的父属性 rdfs:domain 指定属性的定义域 rdfs:range 指定属性的值域

  • OWL

Web Ontology Language : 网络本体语言 1. 提供快速、灵活的数据建模能力。 2. 高效的自动推理。 一个表达能力更强的本体语言， 是W3C扩展RDFS作为语义网上的推荐语言 其本质上同样是一些预定义词汇（vocabulary）构成的集合，用于对RDF数据进行更强的表达 属性特征词汇 owl:DatatypeProperty. 数据属性 owl:ObjectProperty. 对象属性 owl:TransitiveProperty. 表示该属性具有传递性质 owl:SymmetricProperty. 表示该属性具有对称性 本体映射词汇 owl:equivalentClass. 表示某个类和另一个类是相同的。 owl:equivalentProperty. 表示某个属性和另一个属性是相同的。 owl:sameAs. 表示两个实体是同一个实体。

建模方式

  • 自顶向下（Top-Down）

首先为知识图谱定义数据模式， 数据模式从最顶层概念构建， 逐步向下细化，形成结构良好的分类学层次， 然后再将实体添加进概念。

  • 自底向上（Bottom-Up）

首先对实体进行归纳组织，形成底层概念， 然后逐步往上抽象，形成上层概念。 该方法可基于行业现有标准转换生成数据模式，也可基于高质量行业数据源映射生成。

自底向上: 适合构建通用领域知识图谱，以及数据、业务非常之复杂的某些行业领域知识图谱

自顶向下: 适合构建垂行业直领域知识图谱

建模实践 （ 智慧校园物联网行业知识图谱 - 辅助搜索 ）

自顶向下进行设计，进行单一领域的专业知识图谱构建

智慧校园建模.png

  • 关系

标签 打在 内容，角色 上 角色 拥有 内容 产品 应用于 方案 产品，方案 应用于 案例 案例 实施于 省份 用户 拥有 企业 企业 拥有 产品，方案，案例 企业 位于 省份