知识图谱 方法、实践与应用 王昊奋 读书笔记（下）

最近读了这本书，在思路上很有启发，对知识图谱有了初步的认识，以下是原书后半部分的内容，可以购买实体书获取更多内容。

知识图谱推理

结合已有规则，推出新的事实，例如持有股份就能控制一家公司，孙宏斌持有融创的股份，那么可以推导出孙宏斌控制融创

基于演绎的推理工具

逻辑编程RDFFox:

java实现，基于DataLog，依靠逻辑编程进行推理，根据自定义的和已有的规则，从已知事实推新事实
例如，根据孙宏斌控制融创，并且只有自然人能控制公司，可以推导出孙宏斌是自然人

产生式推理Drools、Jena、GraphDB等：

由事实集合、产生式集合和推理引擎构成
事实集合：例如（student name:zhangsan age:23）表示有一个叫张三的人23岁
产生式集合：例如IF(student name:) then add(person name)表示如果有一个学生名为x，那么就添加一个名为x的人到person中

推理引擎中包含推理规则，将推理规则应用到事实集合和产生式集合中，能产生新的知识

例如规则为（type x y），(subClassOf y z)=>add(type x z),
   事实集合和产生式集合分别为（type zhangsan student） （subClass student person）
   那么可以推理出（type zhangsan person）
 
当执行规则有很多条时，可以随机选择其中一条、选择最近没有被用的一条、最复杂的一条进行之星，知道没有新规则可以被执行

基于归纳的推理工具

1.基于图结构的推理：

从图中高频出现的一些结构，可以推断出一些隐形的知识，
例如a--妻子--b--孩子--c，并且存在a--孩子--c，那么就可以推断出这两个关系是等价的。

使用以下两种算法，能够发现一些概率很高的关系路径，通过分析，可以确定出这些关系路径的共同模式，并将其总结为新知识

例如已知运动员h位于北京市t，并且其他很多实体中都存在类似于下面路规则的路径，就可以推出一条新的规则：

     （运动员h）==效力于==》（国安队）==位于==》（北京市t）

当对新运动员进行分析时，如果仅知道运动员效力于申花队和申花队位于上海两个知识，
那么就可以应用上面的规则，推断出该运动员位于上海市

PRA(path ranking algorithm)算法：

 可以用来预测给定头实体h和关系r，预测尾实体t的概率分别是多少（或者反过来给定t和r，预测头实体h）
 可以使用前向算法计算k跳之内到达每一个节点的概率（），然后再logistics平滑处理

CoR-PRA算法：

是一种改进，从h和t出发，分别计算特定步数内到达各个节点的概率。当发现h-》x且t-》x时，就可以认为h和t之间存在关系
可以用h和t之间的覆盖度和精确度，来衡量h和t的关系。

SFE是进一步的算法，考虑了二元路径，剪枝（假设h对应到关系r连接着很多不同的节点，就忽略r），以及两个节点是否有共同的属性等

参考论文：

   Learning relations features with backword random wallks，ni lao，acl 2015

   Efficient and expressive knowledge base cmpletion  using subgraph feature extraction,matt gardner,emnlp 2015

工具库：
github.com/noon99jaki/pra

2.基于规则学习的推理

类似于离散数学的推导 rule:head<–body,例如：

ifFatherOf(X,Z)-

评价标准：

 support（rule）表示同时满足head(rule)和body(rule)的实例个数
 
 置信度=support(rule)/body(rule)
 
 头覆盖度=support(rule)/head(rule)
 
 pca置信度（部分完全假设）=support(rule)/ (body(rule) and r(x,y^)),
 分母中过滤了从X类出发但是没有到达Y类节点的情况

常用工具AMIE:

 效率高，能挖掘出大量规则,改进版AMIE+

3.基于表示学习的推理

transE：最基础的方法

transH：能够表示1:n，n:n等关系，可以将不同向量投影到同一个平面，并使其投影相同

transR：区分实体向量和关系向量，每个关系都多了一个d * d的矩阵

transD：在transR的基础上，用两个向量代替上面提到的矩阵

DistMult：不需要向量加法，更简单

其他方法：NTN、ConvE等

4.基于图的表示学习

随着信息在节点间的传播，来捕捉节点间的依赖关系，并进行推理，例如节点分类、边分类等

知识库补全：利用已存在的三元组和包含新实体的三元组，对新实体进行表示学习，

连接预测和实体发现：获取缺失节点embedding，预测两个节点之间是否存在一些边

工具库：

networkx可以参考：https://networkx.org/

dgl可以参考https://docs.dgl.ai/tutorials/blitz/4_link_predict.html#sphx-glr-tutorials-blitz-4-link-predict-py

语义搜索

结构化查询

互联网中大量数据，大量数据以rdf的形式存在，因此可以使用sparql语言进行查询，类似于sql和数据库之间的关系

查询时，可以查询是否存在某个节点，或者按照一定条件查询，或者描述一个节点的全部关系信息，或者为节点增加信息

有删除和插入某些关系功能，没有更新功能

语义搜索

可以借助索引来加速搜索，但是要合理利用缓存，并考虑索引的增量

1.关键词：

可以直接用关键词来定位实体
也可以利用关键词所暗示的起点和终点来构造索引（例如1999-2003年的电影）
也可以利用包含结构化查询实体和关系类别的索引，例如比战狼票房高的电影

进行结构化查询时，例如吴京的配偶是谁，配偶一词对应的图谱的关系是“夫妻”，
因此需要构造关键词-》图谱中的实体和边的映射关系
有了映射关系后，能生成局部的子图，将其中的实体或边取出，就能完成排序了。

排序分为两部分，同一个关键词可能会生成多个子图，例如吴京真实的妻子、吴京在电视剧中的妻子，
需要对这些进行一次排序，再对每一个子图中的内容进行排序，例如吴京电视剧中有5个妻子，但是最热门的是刘涛等。

2.表示学习

将实体投影到连续的向量空间中，一是方便计算两个不同实体之间的相似度，二是向量的语义更丰富

who play in Chicago and won an Oscar？

在传统语义搜索中，有以下三步：

1.首先将搜索词与知识图谱中的关系做对齐，who是所需检索实体1，Chicago是实体2，play in 是关系
然后用关键字检索的方式找出候选实体和边，可能有很多相关的

2.然后对这些边和实体进行消歧（play in  Chicago and won Oscar，play有多种解释，但是在上下文中“出演”最合适，
Chicago也有很多解释，但这里“电影Chicago”更合适），

3.将消歧后的实体和边做组合（即，出演，电影），通过电影chicago和出演关系找到候选演员集合，
再去看谁拿了Ocasr奖，就能从对应的图谱中筛选出可能的演员。

而在表示学习中，可以直接利用向量省略消歧的过程，并进行近似查询。

3.基于es的搜索引擎

首先判断搜索类型，是根据实体搜属性 还是根据属性搜实体

接下来识别知识库中是否包含所需实体，并通过映射，将搜索内容中的属性进行映射（例如用户问多大啦，几岁了，都是是在问年龄）

然后进行细化，例如用户问大于三十岁的篮球运动员，那么就去构造》30的条件，并用es去查询，

也就是说，可以给予每类问题的模板，填充解析时识别出的实体名和属性名，以及属性条件，最终进行es查询

知识问答

背景知识

事实问题：

  实体的属性（西红柿原产地）、实体的基本定义（什么是西红柿）、
  复杂图谱查询（北京2022年gdp、王菲和章子怡的关系）

主观问题：

  “如何做蛋糕”、“如何治疗近视”等

知识库：

  纯文本知识库、半结构化知识库（excel等）、图片视频；

分布式表示的知识库问答：

  例如询问姚明老婆的出生地，首先将这个问句转化为向量a，然后看与姚明相关的实体向量中，哪个与a最相似。

基于符号的传统问答：

  先确定逻辑表达式，例如问姚明老婆的出生地，需要先转化为sparql语言，然后再去知识库中查询，
  需要将老婆映射到"配偶"这一关系中。

早期问答系统：

主要基于模式匹配或语法解析，前者类似识别关键词并填充，

后者利用语法解析发现实体并按照一定规则转化为数据库查询

基于信息检索的问答

例如问“中国哪个城市人口最多”，需要经历

1.问题处理，识别出过滤条件和答案所需类型，这里的条件是人口最多，答案需要是一个城市
2.段落检索与排序，基于关键词召回文档，切分段落
3.从段落中选出合适的答案

基于kqba的问答

步骤有四个：

1.问题分析，利用词典、词性分析、分词、实体识别、语法树分析、句法依存分析等提取问题信息，
 基于机器学习或规则提取，来判断问句的类型和所需答案的类型，

2.连接到知识库中，包括关系属性、描述属性、实体分类，例如将“姚明老婆是”映射到“配偶”这一图谱中存在的关系上

3.消歧，例如建国路可能指道路本身，也可能指建国路这个社区；
  可以先生成关于社区和道路的两种查询，然后通过统计方法和机器学习进行筛选
  
4.构建查询，基于前面的问题解析结果，转化为sql或sparql查询。

社区问答 FAQ-QA

也称CommunityQA，类似于百度知道，核心是计算语义相似性

面临的挑战有两点，一是词汇歧），二是语言表达的多样性（相同的语义有很多表达方式）

quora QA数据集和测试，主要就是评价问题的相似度

KQBA技术

挑战：

知识库不完整、泛化语义理解（还活着吗，需要对应“死亡日期”这一属性）、
多样化映射机制（例如外孙应该映射成女儿的儿子这个条件，以及其他过滤、排序条件，例如产量最多的年份、1990年之前等）
计算语义相似度：语言模型、句子主题分析模型、句子结构相似度分析模型

基于模板的方法：

可以参考cui的论文【1】，能够自动化生成问题模板，
例如有人问“请问江苏的人口是多少”，则可以把江苏换为“{省份}”，把人口换为“{地区属性}”，
即得到模板“{省份}{地区属性}”
并去知识图谱中找相关属性，这样就能识别“广东的面积有多大”，

处理简单的属性问题、比较问题或组合问题（把组合问题拆成简单问题），
例如“广东和江苏哪个面积大”，可以拆分为“{省份1}{省份2}{地区属性1}{比较符号}”，
这样就能识别“甘肃和河南哪个人口多”了
同样，例如“广东省会的经济总量是多少”，则可以拆分成“广东省会是哪里”和“省会经济总量是多少”，
其中第一个问题可以套用模板“{省份}{地区属性}”得到广东省会广州，然后可以套用其他末班。


可以把问题中的实体提取出来，并映射到不同的分类中，
然后再去找与每个分类中的实体相关模板的相似度，（例如槽位数量，槽位中词汇的类型以及非槽位词的文本相似度）
选择合适的模板并判断所需查询的具体属性。
例如问题“东风有限公司的法人是谁”，可以匹配模板“{公司}{公司属性}”，
但是东风公司对应东风汽车厂和东风导弹厂，因此需要分别查询他们的属性

参考文献：

【1】KBQA；Learning Question Answering over QA Corpora and knowledge Bases,CUI W,VLDB 2017

【2】Auto Template Generation for Question Answering over Knowledge Graphs,Abujabal A,WWW 2017

基于语义解析的方法

进行语法分析，将查询转化为逻辑表达式，然后利用知识库的语义信息将逻辑表达式转为知识查询。

资源映射【1】：

例如文本中可以找出大量的“r1={老婆是}{男性，女性}”、“r2={妻子是}{男性，女性}”，
并且通过统计发现，关系r1所对应的{男性，女性}实例对，与关系r2对应的{男性，女性}实例对高度重合
则可以判断r1和r2是等价的，可以进行资源映射（可以用jaccard距离来判断）

桥接操作【1】：

例如问句“which college did Obama go to”和“which college did obama graduate”，
在后一个句子中，可以直接根据obama和grduate两个词，从知识图谱中查询奥巴马的毕业院校（假设有相关数据）
但是前一个句子，只能识别出奥巴马，无法理解“go to”所代表的属性

因此可以利用其他信息，例如obama是人名，college是地名，并且“graduate”这一关系的首尾两端分别是人名和地名，
因此可以将go to理解为“毕业于”。
当知识库中还存在着“奥巴马访问了哈佛大学”的知识时，由于“访问”这一关系的首尾两端的属性是人名和地名，
因此可以将 go to 理解为“访问”。

参考文献：

【1】Semantic Parsing on Freebase from question-answer pairs,berant j,emnlp 2013

基于深度学习的方法

端到端：

文献【1】将问题，以及与问题中关键词相关的实体属性分别映射到低维向量，并做相似度运算，
例如问阿凡达在因果的上映时间，则直接把与阿凡达相关的属性分别送入一个双塔网络。

文献【2】同时训练语言词向量和知识库三元组，将问题与知识库映射到同一个空间，
分别得到主题词向量、上下文向量和答案向量，将这三种向量分别点积，将点积结果求和，得到每一个候选属性的分数。
例如询问阿凡达在英国的上映时间，则对应的主题词为阿凡达，上下文为英国，答案向量为一个日期

辅助选择：

可以应用于实体识别模块（bert或lstm+crf）、关系分类意图识别模块（文本分类模型）、
实体消歧（基于深度学习的排序，判断一组概念的语义融洽度）

语义解析方面，文献【3】可以将一个问句（例如“谁在武林外传中为佟湘玉配音”）Q1，
和一个图谱中的多跳关系进行融合和扩展的结果R1（例如武林外传=》配音演员=》王伟，和王伟=》饰演佟湘玉，两个关系路径进行融合）
，将Q1和R1分别映射到300维向量，并计算相似度

参考文献：

【1】 Question Answering with subgraph embedding，bordes A，2014

【2】Question Answer over freebase with multi-column convolutional neural network，Dong L，acl 2015

【3】Semantic parsing via staged query graph generation:question answering with knowledge base[J] 2015

实际操作技巧：

S表示主语，P表示谓语，O表示宾语，OP表示运算符

则属性检索可表达为S:P（例如姚明的身高），
多跳查询表达为S:P1:P2（例如姚明妻子的籍贯）,
多属性查询表达为P1 OP O1 and P2 OP (O2 or O3),例如身高大于180，并且国籍是中国或美国

分词词典：

可以先将知识库中的实体名和属性名作为分词词典，之后再分词；

属性值的匹配：

在汉语中，也可以尝试在分词后使用n-gram或elasticsearch，或模糊搜索
例如搜索中包含“国展”，那么“中国展览馆”（n-gram）或者“中国艺术展”（模糊搜索）都能完成映射

有一些属性值没有明确提到属性名，例如“（国籍）中国的运动员”，
没有提到属性名为中国，那么可以尝试使用该值（中国）出现最频繁的属性名（国籍）作为补全

查询类型确定：

在识别出问题中的实体名、属性名、属性值之后，依据他们的数量和位置，
就可以去匹配不同的模板并执行查询了（每一个模板对应着特定的查询）

如果有实体名和多个属性名，那就是多跳检索
如果有一个属性名和一个实体名，并且实体名在前，那么就是查询属性值（张译的身高是多少），
反之则是根据属性值查实体（儿子是金正日的人是谁）

如果没有实体名，则是利用属性查实体，
如果有属性值但是没有属性名，则要补全属性名；
如果只有属性名但没有属性值，则需要用正则去匹配属性值，例如“身高大于180cm”，则需要匹配出“>180”

gAnswer

实用系统
在构造数据时，可以参考gAnswer的数据格式，定义出原始的知识表示，
进而识别出所有的实体（主语和宾语）、谓语、以及每一个主语的类型，并将其处理为编号(方便存储)

针对一词多义，可以构建倒排索引，针对每一个实体，计算其属于每一个类型的置信度（或在该类型中常出现的上下文词汇）
例如“倒数”一词，可能属于邓紫棋的歌曲，也可能是一个动词，
当其上下文出现“专辑、音乐、演唱”等词汇时，更有可能属于邓紫棋的歌曲

构建知识图谱的流程

知识建模

自顶向下：从顶层概念出发，逐步细化

自底向上：先对实体进行归纳，然后逐步抽象，需要考入如何描述复杂知识（匿名节点还是边节点）、
       是否支持扩展、变更以及调整，

知识存储

单一式存储：利用三元组、属性表或垂直分割等方式
混合式：综合利用多种单一式存储

原生数据库：neo4j、allegroGraph，针对复杂节点不灵活
结构数据库：mysql、mongo等，较为灵活，可以构建索引、an数据特点进行划分

知识抽取

结构化数据：mysql数据库等，或者yago、freebase

半结构化数据：百科网页、垂类网站等，可以使用包装器进行抽取，包装器是针对数据源的抽取规则
         需要考虑数据更新、网页变动等
         包装器有STALKER\Wargo等
         
非结构化数据：文本，文档，数据视频等，分为OpenIE和CloseIE两种，工具分别有Reverb/TextRunner、DeepDive等

知识融合

数据模式层：概念合并（例如在图谱A中有坦克这个概念，在图谱B中有tank这个概念，二者等价）、
        概念上下位（例如主战坦克是坦克的下级概念）、
        概念的属性合并（例如发动机马力、发动机功率是一个概念）
        
数据层：实体合并、实体属性融合、属性融合中的冲突检测等

知识计算

知识推理：发现新的知识规则，分为基于本体的推理和基于规则的推理。

知识图谱挖掘：图遍历、最短路径、权威节点分析（图排序算法）、族群发现最大流、社区发现、相似节点、路径分析、关联分析、节点聚类等

知识应用

 语义搜索：解决传统搜索中关键字多义歧义，通过实体链接实现知识与文档的混合检索，

 智能问答：准确的语义解析的，获得意图，并确定答案的优先级排序。
 
 可视化：提供决策支撑，辅助发现业务模式