《人工智能导论》知识思维导图梳理【第6章节】

发布时间:2023年12月17日

第六章 知识图谱

在这里插入图片描述

1 知识图谱概述

在这里插入图片描述

2 知识图谱相关概念

在这里插入图片描述

3 知识图谱的逻辑结构

在这里插入图片描述

4 知识图谱的数据存储

在这里插入图片描述

5 知识图谱的构建过程

在这里插入图片描述
在这里插入图片描述

6 例题

在这里插入图片描述

markdown内容的分享

  • 需要的小伙伴,直接创建markdown文件导入xmind食用即可!
# 第六章 知识图谱

## 1 知识图谱概述

### 知识图谱本质上是一种结构化的语义网络

- 其节点代表实体或概念

- 边代表实体/概念之间的各种语义关系

### 知识图谱(Knowledge Graph)也叫语义网络(Semantic NetWork)。其初衷是为了提升搜索引擎的能力,增强用户的搜索质量以及搜索体验。

## 2 知识图谱相关概念

### 知识图谱的定义

- 知识图谱又称科学知识图谱,用各种不同的图形等可视化技术描述知识资源及其载体,挖掘、分析、构建、绘制和显示知识及它们之间的相互关系。

- 知识图谱是用图谱的形式表示知识

### 知识图谱可以看作一张图,节点表示实体或概念、边表示属性或关系构成

- 实体:具有可区别性且独立存在的某种事物

- 概念(语义类):具有同种特性的实体构成的集合

- 内容:通常作为实体和语义类的名字、描述、解释等,可以由文本、图像、音视频等来表达

- 属性值:描述资源之间的关系,即知识图谱中的关系

- 关系:把k个图节点(实体、语义类、属性值)映射到布尔值的函数

## 3 知识图谱的逻辑结构

### 逻辑划分为两个层次

- 数据层

	-  数据层主要由一系列的事实组成,知识以事实(fact)为单位存储在图数据库,通常以“实体1-关系-实体2”或者“实体-属性-属性值”三元组作为事实(fact)的基本表达方式。存储在图数据库中的所有数据将构成庞大的实体关系网络,形成知识的“图谱”。

- 模式层

	- 模式层在数据层之上,是知识图谱的核心。在模式层存储的是经过提炼的知识,通常采用本体库来管理知识图谱的模式层。数据模型是按照本体论的思想勾画出来的数据组织模式,数据模型可以展示数据的组织方式和相互关系。例如:创建动植物的数据模型,可以按照动植物的通用分类标准,使用七个主要级别:界、门、纲、目、科、属、种 。

### 逻辑结构的构建方式 

- 根据是先确定数据模型再收集具体数据,还是先收集具体数据再确定数据模型,将知识图谱分为自顶向下和自下向上的构建方式

- 自顶向下的构建方式,指先确定知识图谱的数据模型,再根据模型去填充具体数据。

	- 数据模型的设计,是知识图谱的顶层设计,根据知识图谱的特点确定数据模型,就相当于确定了知识图谱收集数据的范围,以及数据的组织方式。

	- 适用于行业知识图谱的构建,对于一个行业来说,数据内容,数据组织方式相对来说比较容易确定。比如对于法律领域的知识图谱,可能会以法律分类,法律条文,法律案例等的方式组织。

- 自下向上的构建方式,是指先按照三元组的方式收集具体数据,然后根据数据内容来提炼数据模型。 

	- 一般公共领域的知识图谱采用这种方式。

	- 先把所有的数据收集起来,形成庞大的数据集,然后再根据数据内容,总结数据的特点,将数据进行整理、分析、归纳、总结,形成数据模型

## 4 知识图谱的数据存储

### 知识图谱的存储方式

- 知识图谱的原始数据类型一般来说有三类

	- 结构化数据(Structed Data):如关系数据库

	- 半结构化数据(Semi-Structed Data):如XML、JSON、百科

	- 非结构化数据(UnStructed Data):如图片、音频、视频、文本

- 如何存储这三类数据类型

	- 基于表结构的存储采用二维数据表的方式存储数据,例如三元组表、属性表以及关系数据库

	- 基于图结构的存储可以使用图数据库

- RDF(Resource Description Framework)存储

	- RDF本质是一个数据模型,它提供了一个统一的标准,用于描述实体/资源。RDF形式上表示为主谓宾SPO三元组。表示实体与实体间的关系(实体1-关系-实体2),或者实体的某个属性的值是什么(实体-属性-属性值)

		- Subject:通常是实体、事实或者概念中的任何一个。

		- Predicate:通常是关系或者属性。

		- Object:既可以是实体、事件、概念,也可以是普通的值。

- 图数据库存储

	- 图数据库的结构定义相比RDF数据库更为通用,实现了图结构中的节点\边以及属性来进行图数据的存储,典型的开源图数据库就是Neo4j。

		- 节点(node):通常表示实体,例如人员、账户、事件等,节点可以有属性和标签

		- 边(edge):又被称为关系(relationships),具有名字和方向,并有开始节点和一个结束节点,边是图数据库中最显著的一个特征,在RDBMS中没有对应实现。

		- 属性(properties):类似KV数据库中的键值对,节点和边都可以有属性

## 5 视图图谱的构建过程

### 从原始的数据到形成知识图谱,经历[知识抽取、知识表示、知识融合和知识推理]四个过程

### 1 知识抽取

- 从不同来源、不同结构的数据中进行知识提取,形成知识(结构化数据)存入到知识图谱

- 结构化数据处理

	- 结构化数据,通常是关系型数据库的数据,把关系型数据库中的数据转换为RDF数据(linked data),普遍采用的技术是D2R技术。D2R主要包括D2R Server,D2RQ Engine和D2RRQ Mapping语言。

- 半结构化数据处理

	- 采用包装器的方式进行处理

	- 包装器是一个能够将数据从HTML网页中抽取出来,并且将它们还原为结构化的数据的软件程序

	- 包装器归纳主要包括网页清洗、网页标注、包装器空间生成、包装器评估、包装器归纳结果等步骤

- 非结构化数据处理

	- 实体抽取(命名实体识别):实体包括概念,人物,组织,地名,时间

	- 关系抽取:实体和实体之间的关系

	- 属性抽取:实体的属性信息

### 2 知识融合

- 将多个来源的关于同一个实体或概念的描述信息融合起来

- 知识融合的目的就是将不同知识库对实体的描述进行整合,从而获得实体的完整描述。

### 3 知识加工

- 知识加工主要包括三方面内容:本体抽取、知识推理和质量评估

- 本体抽取

	- 本体(ontology)是指公认的概念集合、概念框架,如“人”、“事”、“物”等

	- 人工编辑

	- 自动化本体构建

		- 实体并列关系相似度计算 → 实体上下位关系抽取 → 本体的生成。

- 知识推理

	-  知识推理的对象也并不局限于实体间的关系,也可以是实体的属性值,本体的概念层次关系

- 质量评估

	- 可以对知识的可信度进行量化,通过舍弃置信度较低的知识来保障知识库的质量

## 6 例题

### 1 在知识图谱的构建中,知识提取包括

- [实体抽取]

- [关系抽取]

- [属性抽取]

### 2 在知识图谱中先搜集数据然后建立本体的构建过程,采用了[自下向上]的构建方式 

### 3 知识图谱在逻辑上可以由“实体—关系—实体”三元组,或者“实体-属性—属性值”构成,实体间通过关系相互联结,构成网状的知识结构

### 4 从知识图谱数据组织的架构来看,可以把知识图谱的数据分为两个层次,一个是[模式层],另一个是[数据层]

文章来源:https://blog.csdn.net/yang2330648064/article/details/135032018
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。