目录
2.4.1 描述逻辑（Description Logic）
Horn子句
3.1 RDF(Resource Description Framework)
3.2 OWL （Web Ontology Language）
3.4 JSON-LD(JSON for Linked Data)
4 知识图谱统计表示学习(Representation Learning)
参考资料：
1 知识表示的概念
1.1 知识表示方法
语义网络
产生式规则
框架系统
描述逻辑
本体
统计表示学习
1.2 知识表示的分类观点
(1)基于非逻辑的知识表示;
(2)基 于数理逻辑的知识表示;
(3)基 于统计学习的分布式知识表示。
1.3 知识表示的发展
2.1 语义网络
优点:
1.表示自然，易于理解，应用广泛;
2.符合人类联想记忆;
3.结构化知识表示。
不足:
1.不严格:没有公认的逻辑基础;
2.难有效处理:网络形式具有灵活的特点，但
同时造成了处理和检索的低效率。
2.2 产生式系统
优点:
1.自然性:符合人类表达因果关系的知识表示形式，表示直观、自然，便于进行推理。
2.模块性:产生式系统中的规则形式相同，易于模块化管理。
3.有效性:能表示确定性知识、不确定性知识、启发性知识、过程性知识等。
4.清晰性:格式固定，便于规则设计，易于对规则库中进行一致性、完整性检测。.
不足:
1.效率不高:匹配规则代价高，求解复杂问题容易造成组合爆炸。
2.不能表达具有结构性的知识:不能把具有结构关系的事物间的区别与联系表示出来
2.3 框架系统（Frame Systems）
框架:框架是知识表示的基本单位，描述对象(事物、事件或概念等)属性的数据结构。一个框
架由若千个“槽”(Slot)结构组成，每个槽又可分为若干个“侧面”(Facet)
槽:描述某一方面的属性
侧面:描述相应属性的一个方面，通常是一个属性值
优点
1.框架对于知识的描述非常完整和全面;
2.基于框架的知识库质量非常高;
3.框架允许数值计算，优于当时其它表示语言;
不足
1。框架的构建成本非常高，对知识库的质量要求非
常高;
2.框架的表达形式不灵活，很难同其它形式的数据联合使用。(数据孤岛)
2.4概念图（Conceptual Graph）
2.4.1 描述逻辑（Description Logic）
Horn子句
2.4.2 描述逻辑
描述逻辑的组成
概念(Concept):描述世界的抽象术语
关系(Role):概念之间的联系
实例(Individual):唯一个体
公理(Axiom):不证自明的命题
例如
描述逻辑ALC的推理 没看懂
3.1 RDF(Resource Description Framework)
设计目的：
最低限度的约束，灵活地秒速信息，可用于Web
1.采用了基于三元组声明的图模型(图表示)
2.基于URI的可扩展词汇集(唯一标识)
3.基于XML的序列化语法编码(信息交换)
4.形式化的语义和可证明的推论(逻辑基础)
5.允许任何人发表任何资源的声明(开放 世界)
3.1.1 RDF模型
资源(Resource): URI标识的所有事物
文字(Literal):字符串或数据类型的值
属性(Property):描述资源特征、属性、或关系
声明(Statement):一个资源加.上属性及属性值
3.1.2 RDF Schema（图解）
RDFS用于定义和描述词汇集
类: rdfs:Class
类层次: rdfs:subClassOf
实例定义: rdfs:type
属性定义: rdfs:range, rdfs:domain
属性层次: rdfs:subPropertyOf
3.1.3 具体例子
关于一本书的RDF图
关于Person类的RDF语言描述
3.1.4 RDF的不足
1.值域的定义: RDF(S)中通过rdfs:range定义了属性的值域，该值域是全局性的，无法说明该属性应用于某些具体的类时具有的特殊值域限制。
2.类、属性、个体的等价性: RDF(S)中 无法声明两个或多个类、属性和个体是等价还是不等。
3.不相交类的定义:在RDF(S)中 只能声明子类关系，如男人和女人都是人的子类，但无法声明这两个类是不相交的。
4.类的布尔结合定义:即通过类并、交和补的声明实现对某些类的结合，从而构建新类，如定义人类为男人和女人这两个类的并。
5.基数约束:即对某属性值可能或必须的取值范围进行约束，如说明一一个人有双亲(包括两个人)，一门课至少有一名教师等。
6.关于属性特性的描述:即声明属性的某些特性，如传递性、函数性、对称性，以及声明一个属性是另一-个属性的逆属性等。
3.2 OWL （Web Ontology Language）
3.2,1 OWL的设计思想
1.扩展RDFS，语法规则采用RDFS/XML，语义严格遵循描述逻辑。
2.根据应用对表达能力和推理复杂度的不同要求，OWL提供了OWL DL和OWL Lite两种子语言。
3.为完全兼容RDFS，提供了OWL Full,其中包括了OWLDL的全部内容，但这也造成了OWL Full推理问题
是不可判定的。
3.3 SPARQL
基于图匹配模型，使用了SELECT-FROM-WHERE句子，增强了图算子OPTIONAL
3.4 JSON-LD(JSON for Linked Data)
4 知识图谱统计表示学习(Representation Learning)
传统表示：
基于符号的三元组表示，不能捕获实体间的语义关系(显式+隐式)
不好直接利用各种机器学习模型进行分析和挖掘
统计学习表示:
给出一种统计上的分布式表示形式，
能捕获实体间的语义关系，特别是隐式关系
表示形式为向量,
能被各种机器学习模型直接使用。
4.1 自然语言中的表示学习
4.2 知识图谱表示学习原理
参考资料：
- 知识图谱入门 (二) 知识表示与知识建模
- 东南大学的PPT
