【知识图谱】介绍

概念介绍

知识图谱的概念，由google于2012年率先提出，其初衷是用以增强自家的搜索引擎的功能和提高搜索结果质量，使得用户无需通过点击多个连接就可以获取结构化的搜索结果，并且提供一定的推理功能，但以目前各种chatbot的发展趋势来看，语义交互可能也会成为后期一个重要的搜索入口。我们可以看一个例子。
在google中输入：杭州景点，能够得到结构化的展现

google知识图谱图谱的前身是雅虎的研究员在09年提出的概念网络，其数据来源除了自身的搜索日志，还有其收购的freebase(2014年关闭），wikipedia等。目前已经广泛应用在其搜索引擎，并不断融合多领域的知识（目前已知的除了基本的ner五大要素之外，还有健康图谱和购物图谱）。另外，微软也在做自己的概念图谱probase，目前提供了升级的测试功能。目前来看，国内真正可以称为拥有了图谱化数据的只有两家，百度知心和搜狗知立方。

关键点：

基于现有的知识图谱相关的技术点，可以把知识图谱相关的技术抽象为如下4点，包含了算法和部分工程所需，其中1-3主要是知识库构建的相关工作，可以看做是离线的部分，而4可以作为在线使用知识的方式。

1.知识获取

结构化信息：网络爬虫

通过爬虫，可以爬到网页的infobox信息，其中已经有结构化的部分信息，通过网页链接，也可以得到部分较准确的关系链接
以科比的infobox为例：

半/非结构化文本：bootstrap模板+keyword的方式抽取

一般来讲，通过我们爬取到的信息，还能够得到关于实体的摘要和描述性文本，以下面刘德华为例，我们在得到了一段描述性文本后，通常能够在其中发现大量的实体信息，将其作为keyword，我们能够通过统计得到大量关系和属性描述模板，以此使用bootstrap框架不断扩充数据集合。

2.知识构建

知识图谱的构建，作为离线数据的最重要的部分，其主要工作是从自然语言文本中抽取指定类型的实体、关系、时间等事实信息，形成结构化输出。从知识图谱构建的角度来说，我们可以把其分为三个方向：实体识别，实体链接和关系(属性)挖掘,下面说一下它们各自的主要工作是什么。

实体融合

因为我们的数据往往是多源异构的，同一个string刘德华，在百度百科上都有十个义项（也就是对应到了10个实体），怎么把各个数据源（虾米，优酷，百度，淘宝）的数据整合在一起，并且将其对应到合理的entity_id，就是一个实体融合的过程，那么对于通过知识获取已经结构化的实体信息，我们怎样把他们融合在一起呢

• 属性相似度计算
  
  • 关键属性对比（特别是数字，日期类的属性，一般可以唯一确定）
  • 关系链接对比（链接的关系实体名称等是否一致）
• 摘要的文本相似性 一般来说，摘要的文本jaccard也是一个比较方式
• 向量距离 如后文会说的RL，如果向量空间距离接近，也可能是同一个实体

实体链接

一般来说，我们处理的都是文本信息，当时实体链接需要坐到id到id的映射，怎样当前的文本指代中知道一个实体的关系是另个实体的id呢

• 网页linking关系
  使用实体指代作为查询条件模拟搜索请求，可以得到该实体相关信息，然后采用双向校验的方式完成linking
• PRA
  利用现有的数据，用下面会说的PRA方式，找到执行度高的entity_id作为候选，然后进行关系的分类

属性/关系抽取

• 目前一般采用的是bootstrap的方式，首先用现有实体在文本中生成大量的伪标注，然后在当前标注区域附近提取大量文本特征，最终把关系挖掘变成一个二分类或者多分类问题。
• 还有一些方式是通过伪标注数据生成类似ner的标注样本，通过bi_lstm+crf的方式，对属性值标注为1，非属性值标注为0，扩大集合
*

3.知识存储和查询

存储方式：spo三元组，rdf，owl

• spo
  是最简单也是最灵活的一种存储方式，其把图谱的基本结构看做的三元组，所有的linking都通过这种kkv的形式完成。
• rdf
  简单一点说，就是把spo表示成了一种资源描述符的方式，并且能方便灵活的通过网页存储，目前的图存储和查询，大部分都是采用了这种方式。

     
        <RDF>  
        <Description about="http://www.yahoo.com/">  
        <资源作者>Yahoo！公司资源作者>  
        <资源名称>Yahoo！首页资源名称>  
        Description>  
        RDF>  

• owl
  可以看做rdf的升级，在本体外封装了一层语法，但是因为其需要更强的描述，目前大部分还是用的rdf

4.知识表示和推理

知识表示

• 一阶谓词逻辑
  公式化的表示了kg上的关系，通过知识元（实体或者概念），规则（一个规则可以对应到一个关系约束，语法（定义了规则链的执行）来描述一个推理引擎。
  

• 表示学习（RL）
  目标是能够将KG中的entity和relation映射到一个低维的稠密embedding中，从而将知识推理转换为该空间上的向量或矩阵的运算。其应用范围包括了相似度计算，知识图谱补全，和实体链接等。主要的框架是首先通过空间假设将one-hot的entity和relation，映射到参数空间 Φθ 中,然后通过最大化正负样本的空间距离作为得分函数，下面以认知度最广泛的transE举例。

  • 假设实体和关系通过 Φθ 映射后，存在于同一个向量空间，则对于三元组(s,p,o）来说，就可以使用如下的距离公式来表示他们的关系

    d(s,p,o)=||Φθ(s)+Φθ(p)−Φθ(o)||2

  • 对于正样本（s+,p,o+)和负样本（s−，p，o−)，我们可以使用一个margin损失来作为最终的loss如下

    argmin[d(s+,p,o+)−d(s−,p,o−)]

  • 采取三元组中现有的数据作为正样本，通过替换s或者o的方式进行NCE采样，收敛时即得到了θ 由于transE的空间线性假设，使其不能表示1-n的关系，后来的出现的transR，transG等方法，假设关系和实体处在不同的向量空间中，也取得了不错的效果。

知识推理

知识推理作为知识库的一个重要出口，也是近几年研究的热点，基于不同的表示方法，推理方法也分为三个流派

• PathRanking方法（PRA)
  来源于CMU对NELL的优化，其采用了图上的randomwalk方法，结合一阶谓词逻辑，通过置信度传播的方式，得到rank靠前的路径，作为新的推理规则，这种方法因为可解释和可干预，是目前被广泛采用的方式
  举个例子：
  

• 基于RL的空间向量运算
  因为所有的知识都被映射到了一个向量空间，所有的知识推理可以通过向量运算完成

• 概率图模型（PGM)
  
  从逻辑到概率
  

  参考文献：

  http://blog.csdn.net/iloveayu/article/details/76714077