知识图谱学习小记

一、知识图谱的架构(逻辑结构+体系架构)

1.1 知识图谱的逻辑结构(数据层+模式层)

数据层主要是由一系列的事实组成,而知识将以事实为单位进行存储。如果用(实体1,关系,实体2)、(实体、属性,属性值)这样的三元组来表达事实,可选择图数据库作为存储介质,例如开源的Neo4j、Twitter的FlockDB、sones的GraphDB等。
模式层构建在数据层之上,主要是通过本体库来规范数据层的一系列事实表达。本体是结构化知识库的概念模板,通过本体库而形成的知识库不仅层次结构较强,并且冗余程度较小。

1.2 知识图谱的体系架构(自顶向下top-down+自底向上bottom-up)

自顶向下指的是先为知识图谱定义好本体与数据模式,再将实体加入到知识库。该构建方式需要利用一些现有的结构化知识库作为其基础知识库。
自底向上指的是从一些开放链接数据中提取出实体,选择其中置信度较高的加入到知识库,再构建顶层的本体模式。目前,大多数知识图谱都采用自底向上的方式进行构建。

二、知识图谱的关键技术(知识抽取、知识表示、知识融合、知识推理等)

2.1 知识抽取(实体抽取+关系抽取+属性抽取)

知识抽取主要是面向开放的链接数据,通过自动化的技术抽取出可用的知识单元,知识单元主要包括实体(概念的外延)、关系以及属性3个知识要素。

2.2 知识表示(实体和关系的分布式表示)

虽然基于三元组的知识表示形式受到了广泛认可,但是其在计算效率、数据稀疏性等方面却面临着诸多问题。近年来,以深度学习为代表的表示学习技术取得了重要的进展,可以将实体的语义信息表示为稠密低维实值向量,进而在低维空间中高效计算实体、关系及其之间的复杂语义关联。

2.3 知识融合(实体对齐+知识加工+知识更新)

由于知识图谱中的知识来源广泛,存在知识质量良莠不齐、来自不同数据源的知识重复、知识间的关联不够明确等问题,所以必须要进行知识的融合。知识融合是高层次的知识组织,使来自不同知识源的知识在同一框架规范下进行异构数据整合、消歧、加工、推理验证、更新等步骤,达到数据、信息、方法、经验以及人的思想的融合,形成高质量的知识库。

2.4 知识推理(基于逻辑的推理与基于图的推理)

知识推理则是在已有的知识库基础上进一步挖掘隐含的知识,从而丰富、扩展知识库。在推理的过程中,往往需要关联规则的支持。由于实体、实体属性以及关系的多样性,人们很难穷举所有的推理规则,一些较为复杂的推理规则往往是手动总结的。对于推理规则的挖掘,主要还是依赖于实体以及关系间的丰富同现情况。知识推理的对象可以是实体、实体的属性、实体间的关系、本体库中概念的层次结构等。

知识表示学习方法

1. 距离模型、单层神经网络模型、能量模型、双线性模型、张量神经网络模型、矩阵分解等基本模型

2. 基于TransE的多种变体模型(TransH, TransD, TransA, TransAH)

3. 其它(TorusE, ConvE, ConvKB, KBGAN)

posted @ 2020-07-18 21:21  快到皖里来  阅读(516)  评论(0编辑  收藏  举报