知识图谱学习之综述

Posted 2020-11-01 earth_houge

　　互联网时代，随着网络数据的爆发式增长，数据变的尤为重要，但是互联网数据有着规模大，种类多，组织结构松散等特点，给人们有效获取知识和信息提出了挑战，而2012年google提出的知识图谱(Knowledge Graph)以其强大的语义处理能力和开放组织能力为互联网时代的知识化组织和智能应用奠定了基础。

　　知识图谱是Google用于增强其搜索引擎功能的知识库。本质上, 知识图谱旨在描述真实世界中存在的各种实体或概念及其关系,其构成一张巨大的语义网络图，节点表示实体或概念，边则由属性或关系构成。这是维基百科中给出的知识图谱的定义。

　　知识图谱是人工智能的重要组成部分，google提出的初衷是为了提高搜索引擎的能力，改善用户的搜索质量以及搜索体验。目前其在智能搜索，深度问答，社交网络，个性化推荐等方面均得到了良好的应用，这篇博客主要基于电子科技大学徐增林教授的论文：知识图谱技术综述，本文先从知识图谱的分类与架构，知识表示与建模，知识抽取与挖掘，知识存储，知识融合，知识推理等方面概括介绍构建知识图谱的各个环节，具体每个环节的细节后面再展开详细讨论。

知识图谱的分类与架构：

　　1）：知识图谱的分类：开放领域知识图谱，垂直领域知识图谱。

　　2）：知识图谱的架构：知识图谱的逻辑架构，知识图谱的体系架构。

知识表示与建模：

　　1）：应用场景：语义相似度计算，链接预测。

　　2）：代表模型：距离模型，单层神经网络模型，双线性模型，神经张量模型，矩阵分解模型，翻译模型。

　　3）：复杂关系模型：TransH模型，TransR模型，TransD模型，TransG模型，KG2E模型。

　　4）：多源信息融合：多源异质信息融合模型。

知识抽取与挖掘：

　　1）：实体抽取：基于规则与词典的实体抽取方法，基于统计机器学习的实体抽取方法，面向开放域的实体抽取方法

　　2）：关系抽取：开放式实体关系抽取，基于联合推理的实体关系抽取，

　　3）：属性抽取：基于规则与启发式算法的属性抽取方法。

知识存储：

　　1）：RDF存储系统。

　　2）：Graph DBMS。

知识融合：

　　1）：实体对齐：成对实体对齐，局部集体实体对齐，全局集体实体对齐。

　　2）：知识加工：本体构建，质量评估。

　　3）：知识更新：模式层更新，数据层更新。

知识推理：

　　1）：基于逻辑的推理：一阶谓词逻辑，描述逻辑，规则。

　　2）：基于图的推理：path constraint random walk，path ranking。

　　上面展示了将要介绍的知识图谱的内容，后面会根据这个目录对每一部分展开详细介绍。