知识图谱的发展与构建 阅读笔记

原文：http://kns.cnki.net/KCMS/detail/detail.aspx?dbcode=CJFQ&dbname=CJFDLAST2017&filename=NJLG201701004&uid=WEEvREcwSlJHSldRa1FhdkJkVG1COGxoY2VsV0ozMXdSd3JLQmNkTXFvTT0=$9A4hF_YAuvQ5obgVAqNKPCYcEjKensW4IQMovwHtwkF4VYPoHbKxJw!!&v=MzIxMjg3RGgxVDNxVHJXTTFGckNVUkxPZlplZG5GeW5oVzc3T0t5ZkhhYkc0SDliTXJvOUZZSVI4ZVgxTHV4WVM=

• 20 世纪中叶，普赖斯等人提出使用引文网 络来研究当代科学发展脉络的方法，首次提出了知 识图谱的概念。
• 1977 年，知识工程的概念在第五 届国际人工智能大会上被提出，以专家系统为代表 的知识库系统开始被广泛研究和应用。
• 20 世 纪90 年代，机构知识库的概念被提出

期望以更加智能 的方式组织互联网上的资源，期望可以更加快速、 准确、智能地获取到自己需要的信息 —— 知识图谱

1 知识图谱的发展历程
1．1 起源:知识图谱(Mapping Knowledge Domain)

• 1955 年，加菲尔德发表了一篇题为《Citation Indexes for Science: A New Dimension in Docu-mentation through Association of Ideas》的论文，提出 了将引文索引应用于检索文献的思想。
• 1965 年， 普赖斯在《Networks of Scientific Papers》一文［1］中 指出，引证网络———科学文献之间的引证关系，类 似于当代科学发展的“地形图”，从此分析引文网 络开始成为一种研究当代科学发展脉络的常用方 法，进而形成了知识图谱( Mapping Knowledge Domain) 的概念［10］。
  1．2 发展:知识库( Knowledge Base)
• 1977 年，在第五届国际人工智能会议上，美国计算机科学家 B．A．Feigenbaum 首次提出知识 工程的概念。
  最典型 和成功的知识工程的应用是专家系统
  对于知识库的研究首先需要讨论的是知识的 表达和组织的基本问题。
  目前，较通用的知 识表示框架通常采用面向对象的思想，将知识拆 解成实体、实体属性以及实体之间的关系。
  1．3 形成:知识图谱( Knowledge Graph)
• 2012 年，Google 率先提出知识图谱 ( Knowledge Graph) 的概念。
  知识图谱是一个更大 的、包含世界上所有机构知识库的知识集合
  
  知识图谱作为一种知 识管理的新思路，已经不再仅仅局限在搜索引擎 应用，在各种智能系统( 如 IBM Watson) ，以及数 据存储( 如 graph database， neo4j) 领域也已崭露 头角。
  2 知识图谱的数据来源
  2．1 网页数据
  以维基百科为代表的百科类网站
  深网数据
  2．2 数据库
  搜索日志
  3 知识图谱的构建
  知识图谱的构建过程可以分为自顶向下和自 底向上两种方式。自顶向下的构建过程如图2 所 示，首先从数据源中学习本体，得到术语、顶层的 概念、同义和层次关系以及相关规则，然后进行实 体学习的过程，将实体纳入前面的概念体系中。 自底向上的构建过程与此相反，从归纳实体开始， 进一步进行抽象，逐步形成分层的概念体系。在 实际的构造过程中，可以先后混合使用两种方式， 来提高实体抽取的准确度。
  
  3．1 本体学习
  本体学习的 过程主要包括术语、同义词、概念、分类关系以及 公理和规则抽取。
  3．1．1 术语抽取
  术语抽取的实现方法有多种，主 要包括下面几类。
• 基于字典的方法通过定义一些 包含术语的字典，从待处理文本查找字典中定义 的术语
• 基于规则的方法则通过定义术语在语法上的一些规则，从待处理文本中找到匹配规则的 术语;
• 基于统计的方法一般是通过统计术语出现 的次数来对待处理文本中的潜在术语进行预测;
• 基于机器学习的方法可以对术语的语法规则或者 上下文的特征进行学习，从而实现对待处理文本 的术语抽取。
  3．1．2 同义关系抽取
  3．1．3 概念抽取
  3．1．4 分类学关系抽取
• 基于词法模式的原理，根据语句构成成分之 间的语义关系，预测语句整体的意义。
• 基于开放链接数据和基于在线百 科的方法
  3．1．5 公理和规则学习

3．2 实体学习
3．2．1 实体对齐
3．2．2 实体填充
4 知识图谱上的挖掘
4．1 知识推理
4．2 用户搜索意图的挖掘
5 知识图谱的更新和维护
5．1 数据模式层的更新
5．2 数据层的更新
6 结束语

这篇论文值得再读