知识图谱的构建和应用

第36卷 第2期 福 建 电 脑 Vol. 36 No.2 2020年2月 Journal of Fujian Computer Feb. 2020

——————————————— 本文得到国家自然科学基金项目(No.61673186)、福建省自然科学基金项目(No.2012J01274)、泉州市科技计划项目(No.2017G019)资助。金雅妮，女，1998年生，本科生，主要研究领域为知识图谱、自然语言处理、医学检验数据分析。E-mail: yanirjin@。王华珍（通信作者），女，1975年生，博士/副教授，主要研究领域为机器学习、可信计算、信息可视化。E-mail: wanghuazhen@。王硕，男，1997年生，本科生，主要研究领域为知识图谱、自然语言处理。E-mail: ws752499660@。刘骏龙，男，1997年生，本科生，主要研究领域为机器学习、数据分析。E-mail: kile1997@。 医学检验知识的图谱构建与应用

金雅妮 王华珍 王硕 刘骏龙

(华侨大学计算机科学与技术学院 福建 厦门 361021)

摘 要 为填补未有基于检验科信息系统（Laboratory information system，LIS）真实检验数据的医学检验知识图谱的领域空

白，本文提出一种基于LIS构建医学检验知识图谱的方法与系统。首先通过概念层设计和实例层学习构建了包括1234个实

体结点和29956条关系的医学检验知识图谱，然后将医学检验知识图谱应用于检验查询和合理检验两个方面。所构建的LIS

医学检验知识图谱具有良好的知识表示结构、高速的信息查询和深层次的关系推理等优点，能提高医生的工作效率，同时也

能开拓LIS系统的应用场景。

关键词 LIS；医学检验；知识图谱；知识查询；关系推理

中图法分类号 TP399 DOI:10.16707/ki.fjpc.2020.02.001

d題！实践 I PRACTICE

文物知识图谱的构建与应用探讨

文!J绍南/首都博物馆北京100045杨鸿浪/首都博物馆北京100045侯霞/首都博物馆北京100045

摘要：随着我国文物征集、保护、研究、传播事业的不断发展，形成了来源不同、格式不同的海量文物数据，其中蕴含着巨大的数据

价值。文物知识图谱对于文物知识数据分析、展示和利用具有天然的优势。在文物领域构建知识图谱后，语义检索、推荐、问答是最

典型的三类应用，是在智慧博物馆建设中迈出的一大步。

关键词：智慧博物馆，文物知识图谱，关联数据，知识学习，文物元数据模型

为了更好地展示、保护和研究文物遗产，世界各

国建立了数以万计各种类型的博物馆，博物馆逐渐成

为文物保护和文化传承的主要载体。博物馆的发展可 以划分为传统博物馆、数字博物馆和智慧博物馆三个

阶段。

传统实体博物馆中，信息的传递主要以文物到人

的形式存在，人到文物的信息传递需要考虑到文物展

出的时间和空间要求。而数字博物馆的建立克服了时

空要求，通过集中式的数据采集将文物实体数字化，

并借助互联网和多媒体技术在终端上更好的将文物展

示给人。但是文物与人的信息传递被数字化所阻隔，

人看到的只是冷冰冰的数字化的文物，导致真实感、 交互性和体验感不足，尤其是对于文物与文物之间的

关系挖掘和研究支持不足，不利于文物的维护、保管

和研究。智慧博物馆的提出是现代技术进步的产物， 随着互联网、云计算、虚拟现实和人工智能技术的进

步，数字博物馆存在的问题也逐渐得到解决。其中知

识图谱是一种可以挖掘实体与实体之间关系的技术，

可以有效挖掘文物与文物间的关系，构建知识数据 库，进而有效地解决文物的存储、展示和管理问题。

因此将知识图谱引入到智慧博物馆建设中，是目前的

发展方向。知识图谱最早于201 2年由谷歌提出并成功应用 于搜索引擎，当前知识图谱已为语义搜索、大数据分

析、智能推荐和数据集成等提供强大的支撑，正在多

知识管理论坛

2016年 第3期（总第3期

）

2261 引言

自从语义网络的概念提出以来，大量的链

接开放数据（Linked Open Data，简称LOD）和

用户生成内容（User-generated Content，简称

UGC）发布在互联网中，互联网从仅包含网页

与网页之间超链接的文档万维网逐步转变为包

含大量描述实体和实体之间丰富关系的数据万

维网。在此背景下，为改善搜索引擎效果，谷

歌公司于2012年提出“知识图谱”的概念[1]：一【学术探索】

垂直知识图谱的构建与应用研究

◎ 阮彤1 王梦婕2 王昊奋1 胡芳槐3

1华东理工大学信息学院 上海 2002372华东理工大学计算机科学与工程系 上海 2002373上海海翼知信息科技有限公司 上海 200433

摘要：[目的/意义]近年来，知识图谱技术受到学术界和工业界的普遍关注。提出数据驱动的增量式知识图谱构建方法，为构建垂直知识图谱提供一种新思路。同时，通过3个用例研究提供垂直知识图谱的应用示范。[方法/过程]首先给出知识图谱的形式化定义，然后提出数据驱动的增量式知识图谱构建方法，重点研究构建垂直知识图谱数据图的细节与难点。基于该方法，本文构建了中医药知识图谱、海洋知识图谱和企业知识图谱。[结果/结论]以上垂直知识图谱的构建证实了本方法的可行性，它们各自的垂直应用体现了知识图谱的广泛应用。关键词：知识获取 知识融合 语义搜索 辅助开方 关系发现分类号：TP391

引用格式：阮彤, 王梦婕, 王昊奋, 等．垂直知识图谱的构建与应用研究[J/OL]. 知识管理论坛, 2016, 1(3): 226-234[引用日期]. /paperView?id=43.

基金项目：本文系国家高技术研究发展计划“心血管疾病与肿瘤疾病中西医临床大数据处理分析与应用研究”（项目编号：2015AA020107）研究成果之一。作者简介：阮彤（ORCID：0000-0002-3546-8338），自然语言处理与大数据研究室主任，中国计算机学会大数据专委会常务委员，中文信息处理学会CCIR专委会委员，副教授，博士，ruantong@；王梦婕（ORCID：0000-0003-4068-8869），硕士研究生；王昊奋（ORCID：0000-0002-0672-8081），自然语言处理与大数据研究室副主任，中国计算机学会术语工作委员会执委，中文信息学会语言与知识计算专委会委员，讲师，博士；胡芳槐（ORCID：0000-0002-7747-6686），总裁，博士。

知识图谱篇

互联网、大数据的背景下，谷歌、百度、搜狗等搜索引擎纷纷基于该背景，创建自己的知识图谱Knowledge Graph（谷歌）、知心（百度）和知立方（搜狗），主要用于改进搜索质量。

1、什么是知识图谱

一种基于图的数据结构，由节点(Point)和边(Edge)组成。其中节点即实体，由一个全局唯一的ID标示，关系（也称属性）)用于连接两个节点。通俗地讲，知识图谱就是把所有不同种类的信息（Heterogeneous Information）连接在一起而得到的一个关系网络。知识图谱提供了从 “关系” 的角度去分析问题的能力。

知识图谱本质上是语义网络，是一种基于图的数据结构。其结点代表实体(entity)或者概念(concept)，边代表实体/概念之间的各种语义关系。搜索引擎中使用知识图谱，知识图谱可用来更好地查询复杂的关联信息，从语义层面理解用户意图，改进搜索质量。知识图谱（Knowledge Graph）的构建使信息检索变成了实体的检索（Entity Search）。

以下就是一个neo4j图数据库，由顶点-边组成，常用于微博好友关系分析、城市规划、社交、推荐等应用。

2、知识卡片

知识卡片旨在为用户提供更多与搜索内容相关的信息，例如，当在搜索引擎中输入“姚明”作为关键词时，我们发现搜索结果页面的右侧原先用于置放广告的地方被知识卡片所取代。下侧即使与关键词匹配的文档列表。

3、知识图谱的作用

知识图谱最早由谷歌提出，主要用于优化现有的搜索引擎，例如搜索姚明，除了姚明本身的信息，还可关联出姚明的女儿、姚明的妻子等与搜索关键字相关的信息。也就是说搜索引擎的知识图谱越庞大，与某关键字相关的信息越多，再通过分析搜索者的特指，计算出最可能想要看到的信息，通过知识图谱可大大提高搜索的质量和广度。

所以这也可理解为何谷歌百度等搜索引擎大头都为之倾心，创建自己符合自己用户搜索习惯的知识图谱。据不完全统计，Google知识图谱到目前为止包含了5亿个实体和35亿条事实(形如实体-属性-值，和实体-关系-实体)