如何使用python实现知识图谱 知识图谱编程

知识点

一、什么是知识图谱（What is it?）

本质上是基于图的语义网络，表示实体与实体之间的关系。

抽取文本中的信息（实体、关系）来构建关系

二、知识图谱研究的多个维度

1.基本概念

盲人摸象，不同专业领域对知识图谱的初步研究。

• 领域本体的构建： 面向特定领域的形式化地对于共享概念体系的明确而又详细的说明
• 领域本体的构建： 从海量的数据中通过信息抽取的方式获取知识
• 知识融合： 通过对多个相关知识图谱的对齐、关联和合并，使其称为一个有机的整体，以提供更全面知识。

2.知识本体

知识图谱数据类型（先知晓，后期会有综述）

①RDF(Resource Description Framework)

描述的就是一个三元组：<主语、谓语、宾语>

②RDFs(RDF Schema)

在RDF数据层的基础上 引入模式层 ，定义类、属性、关系、属性的定义域与值域来描述与约束资源，构建最基本的类层次体系和属性体系，支持简单的上下位推理。

③本体语言owl（Web Ontology Language）

进一步拓展RDFS词汇，可声明类间互斥关系、属性的传递性等复杂语义，支持基于本体的自动推理，提供了一组合适WEB传播的描述逻辑的语法，对机器友好，但认知复杂性限制了工程应用。

3.知识抽取

①基本解释

知识获取的目标 是从海量的文本数据中通过信息抽取的方式获取知识，其方法根据所处理的数据源的不同而不同。分为：

• 结构化数据
• 半结构化数据
• 非结构化文本数据

文本信息抽取：

• 实体识别
• 实体消歧
• 关系抽取
• 时间抽取

②大规模文本抽取（主要来源均为维基百科）

Yogo（Yet Another Great Ontogogy）:德国马普研究所发起
DBPedia:
Freebase:

4.知识融合

①基本点

5.知识图谱与自然语言处理

是双向互动的关系

补充 ：信息抽取的知识点

1.实体抽取

2.关系抽取

3.事件抽取

6.知识图谱与数据管理

①基于关系的知识图谱存储管理

因为三元组表产生的大量数据对于机器而言是无法接受的，所以会采取一定的方法进行存储，如下表

上边关于gStore系统北大在gith上完全开源，通过下图可搜索（第三讲会详细讲）

②分布式知识图谱存储管理

7.知识图谱与机器学习

从人工智能、大数据的角度看待“知识图谱”

一、与人工智能的关系

从方法论的方向来说有两套：

符号主义和连接主义

符号主义：

连接主义：

二、与大数据的关系

知识图谱的项目应用