知识图谱技术研究综述 阅读笔记

原文：http://kns.cnki.net/KCMS/detail/detail.aspx?dbcode=CJFQ&dbname=CJFDLAST2018&filename=ELEW201813031&uid=WEEvREcwSlJHSldRa1FhdkJkVG1COGxoY2VsV0ozMXdSd3JLQmNkTXFvTT0=$9A4hF_YAuvQ5obgVAqNKPCYcEjKensW4IQMovwHtwkF4VYPoHbKxJw!!&v=MDEzODk5bk5ySTlHWllSOGVYMUx1eFlTN0RoMVQzcVRyV00xRnJDVVJMT2ZaZWRuRnluZ1ViM0xJQ0hPZWJHNEg=

1 引言
知识图谱概念是Google在2012年提出的，目的是加强智能搜
索，自此备受关注。知识图谱是一种将不同种类的知识关联在一起
而得到的关系图谱，其本质上是一种语义网，具有语义网的许多特
性，区别在于知识图谱的数据来源广泛、更多关注的是知识表示、
知识融合等技术。

知识图谱具有逻辑推理、可解释性、自然关联、高效
资源发现、透明共享及可视化等优势

2 知识图谱的分类
按照研究内容来划分
文本知识图谱、视觉知识图谱和多模态知识图谱

3 知识图谱的关键技术

3.1 知识抽取技术
常见的实体抽取方法主要包括基于规则、基于统计机器学习和基于开放域的抽取
方法。关系抽取方法主要包括基于规则和基于开放式关系的抽取方
法。属性抽取方法主要包括基于规则和基于启发式算法的方法。
3.2 知识表示技术

基于语义网络的表示方法、基于产生式规则的表示方法、基于框架的表示方
法、基于逻辑的表示、基于语义本体的表示
重点：基于描述逻辑的表示方法

3.3 知识推理技术
目前知识推理的方法主要包括
（1）基于传统方法的推理。其又包括基于传统规则推理的方法和基于本体推理的方法。
（2）单步推理。又包括：
①基于分布式表示的推理（基于转移的表示推理、基于张量/矩阵分解的表示推理、基于空间分布的表示 推理）；
②基于神经网络的推理；
③混合推理（混合规则与分布式 表示的推理、混合神经网络与分布式表示的推理）。（3）多步推 理。又包括：
①基于规则的推理（基于全局结构的规则推理、引入局部结构的规则推理）；
②基于分布式表示的推理；
③基于神经网络的推理（神经网络建模多步路径的推理、神经网络模拟计算机或 人脑的推理）；
④混合推理（混合PRA与分布式表示的推理、混合 规则与分布式表示的推理、混合规则与神经网络的推理）。

4 总结
目的在于模仿人类的思维方式，对大数据时代高效的知识管理、知识获取、知识共
享具有深远的意义。
应用
智能辅助搜索、智能辅助问答、智能辅助决策、 辅助AI、垂直领域
问题
其数据的爆炸式增长，知识图谱的规模
越来越大，呈现出结构复杂多样性、数据动态变化性以及查询实时
响应性等多种特性和需求