【知识图谱】HugeGraph Hubble

Posted 2023-04-18

参考技术A

  通过创建属性库，顶点类型，边类型，索引类型，实现图模型的构建与管理，平台提供列表模式和图模式两种模式，可实时展示元数据模型，更加直观。同时还提供了跨图的元数据 复用功能 ，省去相同元数据繁琐的重复创建过程，极大地提升建模效率，增强易用性。
  在元数据管理中，需要先创建属性，再进行定点类型、边类型的创建。属性支持single、list、set三种基数， 属性一旦创建无法通过可视化交互形式修改，顶点、边中的属性也不支持删除操作。

  通过创建导入任务，实现导入任务的管理及多个导入任务的并行运行，提高导入效能.
  数据导入目前仅支持csv格式的数据，可中途保存设置，导入过程中提供数据约束——边连接的顶点是否存在的检查。

  支持Apache TinkerPop3的图遍历查询语言 Gremlin ，除了查询之外还可实现顶点/边的创建及删除、顶点/边的 属性修改 等。
  除了全局的查询外，可针对查询结果中的顶点进行深度定制化查询以及隐藏操作，实现图结果的定制化挖掘。

  元数据管理中的编辑功能较弱，一旦新建后的顶点、边、属性通过可视化交互形式只能实现新增，无法修改。可以直接全部删除顶点、边、属性，或通过查询语言进行顶点/边的属性修改。 这一点是Nebula的优势（对属性的修改不改变已入库数据，比如删除某个属性后数据仍在，只是可视化不见了；改变属性类型如由string改int不报错，已入库的数据仍是string类型），不过Huge的顶点、边的管理操作相对清晰一点。
  元数据管理提供图可视化模块，提供元数据复用板块，已建的元数据可以通过一键复用功能实现拷贝粘贴，减少重建工作量。（该元数据创建模块如果是通过查询语言构建，该部分可以通过查询语言复制粘贴实现）
  没有可视化的查询交互，但是提供了关于节点的部分可视化查询交互。

A.特定领域知识图谱知识推理方案：知识图谱推理算法综述[二]（DTransE/PairRE：基于表示学习的知识图谱链接预测算法）

推荐参考文章：
A.特定领域知识图谱知识推理方案：知识图谱推理算法综述[一]（基于距离的翻译模型:TransE、TransH、TransR、TransH、TransA、RotatE）

A.特定领域知识图谱知识推理方案：知识图谱推理算法综述[二]（DTransE/PairRE：基于表示学习的知识图谱链接预测算法）

A.特定领域知识图谱知识推理方案：知识图谱推理算法综述[三]（基于语义的匹配模型：张量分解模型RESCAL、ComplEx神经网络SEM，NAM），OpenKE工具包。

A.特定领域知识图谱知识推理方案：知识图谱推理算法综述[四]（基于图传播的模型：node2vec、GCN、Graphsage、GeniePath等）算法汇总和应用场景归纳

0.前言

0.1背景

知识存储：以三元组（head entity， relation， tail entity）为主，如下图所示，其中（Y，isFatherO