知识图谱项目实践
目录
步骤
SpaCy
Textacy——Text Analysis for Cybersecurity
Networkx
Dateparser
导入库
写出页面的名称
编辑
自然语言处理
词性标注
可能标记的完整列表
依存句法分析（Dependency Parsing，DEP）
可能的标签完整列表
实例理解POS与DEP
可视化注释
Spacy还可执行命名实体识别
可能的所有标签的完整列表
Spacy图形工具
实体和关系抽取
构建图表
网络图
使用Python和自然语言处理构建知识图谱。
知识图谱被视为自然语言处理领域的一部分，因为要构建“知识”，需要进行“语义增强”过程。由于没有人想要手动执行此任务，因此我们需要使用机器和自然语言处理算法来完成此任务。
我们将解析维基百科并提取一个页面，用作本数据集。
俄乌战争-维基百科
步骤
- 设置：使用维基百科API进行网页爬取以读取包和数据。
- NLP使用SpaCy:对文本进行分句、词性标注、依存句法分析和命名实体识别。
- 提取实体及其关系：使用Textacy库来识别实体并建立它们之间的关系。
- 网络图构建：使用NetworkX库来创建和操作图形结构。
- 时间轴图：使用DateParser库来解析日期信息并生成时间轴图。
SpaCy
"spaCy" 这个名称是从 "Space"（空间） 这个词汇中来的，它代表了 spaCy 设计的初衷，即为了提供一个轻量级、高性能的自然语言处理（NLP）库。
SpaCy是一个自然语言处理（NLP）库和工具包，用于处理和分析文本数据。它被设计成高效、快速且易用的工具，具有许多功能，包括分词、命名实体识别、依存关系分析、文本分类等。SpaCy支持多种语言，并提供了预训练的词向量模型。它广泛用于文本挖掘、信息检索、自动化文本分类、情感分析、实体识别、机器翻译等领域。
Textacy——Text Analysis for Cybersecurity
Textacy的名称来源于"Text Analysis for Cybersecurity"（网络安全文本分析），这个名称强调了该库最初的用途，即在网络安全领域中对文本数据进行分析。然而，随着时间的推移，Textacy的功能扩展到了更广泛的自然语言处理和文本挖掘任务，包括情感分析、实体识别、主题建模等，因此它的名称也逐渐演化成了更通用的文本分析工具。
Networkx
NetworkX是一个用于创建、操作和研究复杂网络（图）的Python库。它提供了丰富的功能和工具，使用户能够轻松地构建、分析和可视化各种类型的网络，包括社交网络、网络拓扑、生物网络、交通网络等。
Dateparser
"dateparser" 是一个Python库，用于解析日期和时间字符串。它的主要功能是将各种格式的日期和时间字符串转换成Python的datetime对象，以便在程序中进行日期和时间的处理和计算。
导入库
## for data
import pandas as pd #1.1.5
import numpy as np #1.21.0
## for plotting
import matplotlib.pyplot as plt #3.3.2
## for text
import wikipediaapi #0.5.8
import nltk #3.8.1
import re
## for nlp
import spacy #3.5.0
from spacy import displacy
import textacy #0.12.0
## for graph
import networkx as nx #3.0 (also pygraphviz==1.10)
## for timeline
import dateparser #1.1.7Wikipedia-api是一个Python库，可轻松解析Wikipedia页面。我们将使用这个库来提取所需的页面，但会排除页面底部的所有“注释”和“参考文献”内容。
写出页面的名称
topic = "Russo-Ukrainian War"
wiki = wikipediaapi.Wikipedia('en')
page = wiki.page(topic)
txt = page.text[:page.text.find("See also")]
txt[0:500] + " ..."
topic = "Russo-Ukrainian War"：在这一行中，定义了一个名为topic的变量，其中存储了要查询的维基百科主题，即 "Russo-Ukrainian War"（俄乌战争）。wiki = wikipediaapi.Wikipedia('en')：在这一行中，创建了一个名为wiki的维基百科API的实例，使用了英语语言版（'en'表示英语）。page = wiki.page(topic)：这一行使用wiki实例的page方法来获取与主题topic相关的维基百科页面。这将返回一个包含页面内容的对象，存储在名为page的变量中。txt = page.text[:page.text.find("See also")]：这一行代码从获取的维基百科页面文本中提取了感兴趣的部分。它使用了字符串切片和.find()方法，首先查找文本中 "See also"（通常表示相关链接的部分）的位置，然后将文本截断到这个位置之前，从而得到了页面的一部分文本。这部分文本存储在名为txt的变量中。txt[0:500] + " ..."：最后一行代码将前500个字符的文本内容提取出来，然后附加了 " ..."，以表示文本的截断。这个结果存储在txt变量中，它包含了从维基百科页面提取的前500个字符的内容。
自然语言处理
#python -m spacy download en_core_web_sm
nlp = spacy.load("en_core_web_sm")
doc = nlp(txt)#python -m spacy download en_core_web_sm：这是一个注释行，用于表示在终端或命令行中执行的操作。它指示用户下载spaCy的英语语言模型"en_core_web_sm"。这个模型包括了一些用于处理英语文本的语言数据和算法。nlp = spacy.load("en_core_web_sm")：在这一行代码中，首先导入了spaCy库（前提是已经安装了spaCy库）。然后，使用spacy.load()函数加载了之前下载的英语语言模型"en_core_web_sm"。加载后的模型被存储在名为nlp的变量中，以便后续对文本数据进行处理。doc = nlp(txt)：在这一行代码中，使用已加载的模型nlp对文本数据txt进行处理。nlp(txt)将文本数据传递给已加载的模型，返回一个Doc对象，其中包含了对文本进行了分词、词性标注、命名实体识别等自然语言处理任务的结果。这个Doc对象存储了文本的各种信息，可以用于进一步的文本分析和处理。
看SpaCy将文本分成了多少个句子：
lst_docs = [sent for sent in doc.sents]
print("tot sentences:", len(lst_docs))lst_docs = [sent for sent in doc.sents]：这一行代码使用了列表推导式（List Comprehension）来遍历doc对象中的每个句子，并将它们存储在一个名为lst_docs的列表中。列表推导式的语法是[expression for item in iterable]，在这里，expression是用于生成列表元素的表达式，item是迭代的每个元素，iterable是要迭代的对象。因此，这行代码遍历doc.sents，它是doc对象中句子的一个生成器（generator），并将每个句子添加到lst_docs列表中。
词性标注
即用适当的语法标签标记句子中的每个单词的过程
可能标记的完整列表
- ADJ: 形容词，例如big，old，green，incomprehensible，first
- ADP: 介词，例如in，to，during
- ADV: 副词，例如very，tomorrow，down，where，there
- AUX: 助动词，例如is，has（done），will（do），should（do）
- CONJ: 连词，例如and，or，but
- CCONJ: 并列连词，例如and，or，but
- DET: 限定词，例如a，an，the
- INTJ: 感叹词，例如psst，ouch，bravo，hello
- NOUN: 名词，例如girl，cat，tree，air，beauty
- NUM: 数词，例如1，2017，one，seventy-seven，IV，MMXIV
- PART: 助词，例如's，not
- PRON: 代词，例如I，you，he，she，myself，themselves，somebody
- PROPN: 专有名词，例如Mary，John，London，NATO，HBO
- PUNCT: 标点符号，例如.，（，），？
- SCONJ: 从属连词，例如if，while，that
- SYM: 符号，例如$，%，§，©，+，-，×，÷，=，:)，表情符号
- VERB: 动词，例如run，runs，running，eat，ate，eating
- X: 其他，例如sfpksdpsxmsa
- SPACE: 空格
依存句法分析（Dependency Parsing，DEP）
模型还会尝试理解单词对之间的关系。
可能的标签完整列表
- ACL：作为名词从句的修饰语
- ACOMP：形容词补语
- ADVCL：状语从句修饰语
- ADVMOD：状语修饰语
- AGENT：主语中的动作执行者
- AMOD：形容词修饰语
- APPOS：同位语
- ATTR：主谓结构中的谓语部分
- AUX：助动词
- AUXPASS：被动语态中的助动词
- CASE：格标记
- CC：并列连词
- CCOMP：从句补足语
- COMPOUND：复合修饰语
- CONJ：连接词
- CSUBJ：主语从句
- CSUBJPASS：被动语态中的主语从句
- DATIVE：与双宾语动词相关的间接宾语
- DEP：未分类的依赖
- DET：限定词
- DOBJ：直接宾语
- EXPL：人称代词
- INTJ：感叹词
- MARK：标记
- META：元素修饰语
- NEG：否定修饰语
- NOUNMOD：名词修饰语
- NPMOD：名词短语修饰语
- NSUBJ：名词从句主语
- NSUBJPASS：被动语态中的名词从句主语
- NUMMOD：数字修饰语
- OPRD：宾语补足语
- PARATAXIS：并列结构
- PCOMP：介词的补足语
- POBJ：介词宾语
- POSS：所有格修饰语
- PRECONJ：前置连词
- PREDET：前置限定词
- PREP：介词修饰语
- PRT：小品词
- PUNCT：标点符号
- QUANTMOD：量词修饰语
- RELCL：关系从句修饰语
- ROOT：句子主干
- XCOMP：开放性从句补足语
实例理解POS与DEP
i = 3
list_docs[3]
检查 NLP 模型预测的 POS 和 DEP 标签
for token in lst_docs[i]:
print(token.text, "-->", "pos: "+token.pos_, "|", "dep: "+token.dep_, "")token.text：token对象的text属性表示词汇的原始文本内容，即单词或标点符号的字符串。"-->"：这部分代码只是一个字符串，用于分隔词汇信息的不同部分，以便输出更易读。"pos: "+token.pos_：token对象的pos_属性表示词汇的词性（Part-of-Speech，POS）。该部分将词汇的词性标签添加到输出中，例如："pos: NOUN" 表示名词。"|"：这部分代码只是一个字符串，用于分隔不同词汇信息。"dep: "+token.dep_：token对象的dep_属性表示词汇与句子中其他词汇的依存关系。该部分将词汇的依存关系标签添加到输出中，例如："dep: nsubj" 表示名词主语。
可视化注释
SpaCy提供了一个图形工具来可视化这些注释
from spacy import displacy
displacy.render(lst_docs[i], style="dep", options={"distance":100})displacy.render(lst_docs[i], style="dep", options={"distance":100})：这是用于渲染句子依存关系图的函数调用。它包括以下参数：
-
lst_docs[i]：这是要可视化的文本数据，通常是一个Doc对象，或者在这里是句子的Doc对象，表示要可视化的句子。 -
style="dep"：这个参数指定了可视化的样式。在这里，我们选择了"dep"，表示依存关系图。 -
options={"distance":100}：这是一个字典参数，用于配置可视化选项。在这里，我们设置了"distance"参数，以控制词汇之间的水平距离。较大的距离可以使图更易于阅读。您可以根据需要自定义其他可视化选项。
- 最重要的标记是动词 ( POS=VERB )，因为它是句子中含义的词根 ( DEP=ROOT )。
- 助词，如副词和副词 ( POS=ADV/ADP )，通常作为修饰语 ( *DEP=mod ) 与动词相关联，因为它们可以修饰动词的含义。例如，“ travel to ”和“ travel from ”具有不同的含义，即使词根相同（“ travel ”）。
- 在与动词相连的单词中，必须有一些名词（POS=PROPN/NOUN）作为句子的主语和宾语（ *DEP=nsubj/obj ）。
- 名词通常位于形容词 ( POS=ADJ ) 附近，作为其含义的修饰语 ( DEP=amod )。例如，在“好人”和“坏人”中，形容词赋予名词_“人”相反的含义。
Spacy还可执行命名实体识别
可能的所有标签的完整列表
- 人名: 包括虚构人物。
- 国家、宗教或政治团体：民族、宗教或政治团体。
- 地点：建筑、机场、高速公路、桥梁等。
- 公司、机构等：公司、机构等。
- 地理位置：国家、城市、州。
- 地点：非国家地理位置，山脉、水域等。
- 产品：物体、车辆、食品等（不包括服务）。
- 事件：命名飓风、战斗、战争、体育赛事等。
- 艺术作品：书籍、歌曲等的标题。
- 法律：成为法律的指定文件。
- 语言：任何命名的语言。
- 日期：绝对或相对日期或期间。
- 时间：小于一天的时间。
- 百分比：百分比，包括“%”。
- 货币：货币价值，包括单位。
- 数量：衡量重量或距离等。
- 序数： “第一”，“第二”等。
- 基数：不属于其他类型的数字。
for ent in lst_docs[i].ents:
print(tag.text, f"({tag.label_})")print(tag.text, f"({tag.label_})")：在每次迭代中，使用 print() 函数打印每个实体的文本内容和实体类型标签。
-
tag.text：这是实体对象的text属性，表示实体的原始文本内容。 -
f"({tag.label_})"：这是一个格式化字符串，用于将实体的类型标签添加到输出中。在字符串中使用了f开头的字符串字面值，它允许在字符串中插入表达式，这里插入了实体的类型标签，标签位于括号中。 -
花括号
{}在格式化字符串中用于表示占位符，可以在运行时将变量或表达式的值插入到字符串中。
在spaCy中，实体（命名实体）对象通常包含两个重要的属性：ent.text 和 ent.label_，它们分别表示实体的文本内容和实体类型标签。
Spacy图形工具
displacy.render(lst_docs[i], style="ent")
实体和关系抽取
对于每个句子，我们将提取主语和宾语以及它们的修饰语、复合词和它们之间的标点符号。
## extract entities and relations
dic = {"id":[], "text":[], "entity":[], "relation":[], "object":[]}
for n,sentence in enumerate(lst_docs):
lst_generators = list(textacy.extract.subject_verb_object_triples(sentence))
for sent in lst_generators:
subj = "_".join(map(str, sent.subject))
obj = "_".join(map(str, sent.object))
relation = "_".join(map(str, sent.verb))
dic["id"].append(n)
dic["text"].append(sentence.text)
dic["entity"].append(subj)
dic["object"].append(obj)
dic["relation"].append(relation)
## create dataframe
dtf = pd.DataFrame(dic)
## example
dtf[dtf["id"]==i]
构建图表
网络图
Python标准库中用于创建和操作图网络的是NetworkX。我们可以从整个数据集开始创建图形，但如果节点太多，可视化将变得混乱：
## create full graph
G = nx.from_pandas_edgelist(dtf, source="entity", target="object",
edge_attr="relation",
create_using=nx.DiGraph())
## plot
plt.figure(figsize=(15,10))
pos = nx.spring_layout(G, k=1)
node_color = "skyblue"
edge_color = "black"
nx.draw(G, pos=pos, with_labels=True, node_color=node_color,
edge_color=edge_color, cmap=plt.cm.Dark2,
node_size=2000, connectionstyle='arc3,rad=0.1')
nx.draw_networkx_edge_labels(G, pos=pos, label_pos=0.5,
edge_labels=nx.get_edge_attributes(G,'relation'),
font_size=12, font_color='black', alpha=0.6)
plt.show()G = nx.from_pandas_edgelist(dtf, source="entity", target="object", edge_attr="relation", create_using=nx.DiGraph())：这行代码使用 NetworkX 库创建了一个有向图（DiGraph）。具体解释如下：nx.from_pandas_edgelist(dtf, source="entity", target="object", edge_attr="relation", create_using=nx.DiGraph())：这个函数将 Pandas 数据帧dtf转换为一个有向图。在有向图中，实体作为节点，关系作为有向边，而 "entity" 列和 "object" 列包含了节点之间的连接，"relation" 列包含了边的属性（关系）。plt.figure(figsize=(15,10))：这行代码创建一个新的图形画布，指定了画布的大小为 15x10 像素。pos = nx.spring_layout(G, k=1)：这行代码使用 NetworkX 的spring_layout函数布局图形中的节点位置，其中G是创建的有向图。k=1控制了节点之间的相互排斥力，影响图形的布局。node_color和edge_color：这两行代码定义了节点和边的颜色。nx.draw(...)：这个函数用于绘制图形。以下是参数的含义：G：要绘制的图形。pos=pos：节点位置的布局。with_labels=True：是否显示节点的标签。node_color=node_color：节点的颜色。edge_color=edge_color：边的颜色。cmap=plt.cm.Dark2：用于定义节点颜色映射的颜色映射。nx.draw_networkx_edge_labels(...)：这个函数用于在图形上绘制边的标签。以下是参数的含义：pos=pos：节点位置的布局。label_pos=0.5：标签相对于边的位置。edge_labels=nx.get_edge_attributes(G,'relation')：从图中获取边的属性（关系）作为标签。font_size=12：标签的字体大小。font_color='black'：标签的字体颜色。alpha=0.6：标签的透明度。plt.show()：这行代码用于显示绘制好的图形。
知识图谱可以让我们从大局的角度看到所有事物的相关性，但是如果直接看整张图就没有什么用处。因此，最好根据我们所需的信息应用一些过滤器。对于这个例子，我将只选择涉及最常见实体的部分（基本上是最多连接的节点）：
先找出最多连接的节点
dtf["entity"].value_counts().head()
然后进行过滤操作并进行可视化
## filter
f = "Russia"
tmp = dtf[(dtf["entity"]==f) | (dtf["object"]==f)]
## create small graph
G = nx.from_pandas_edgelist(tmp, source="entity", target="object",
edge_attr="relation",
create_using=nx.DiGraph())
## plot
plt.figure(figsize=(15,10))
pos = nx.spring_layout(G, k=0.5)
node_color = ["red" if node==f else "skyblue" for node in G.nodes]
edge_color = ["red" if edge[0]==f else "black" for edge in G.edges]
nx.draw(G, pos=pos, with_labels=True, node_color=node_color,
edge_color=edge_color, cmap=plt.cm.Dark2,
node_size=800, node_shape="o", width=1.0, connectionstyle='arc3,rad=0.1', font_size=8)
nx.draw_networkx_edge_labels(G, pos=pos, label_pos=0.5,
edge_labels=nx.get_edge_attributes(G,'relation'),
font_size=8, font_color='black', alpha=0.6)
plt.show()
对于Ukraine的效果图
