《知识图谱》

衡水学院学报投稿平台ｈｔｉｐ：／／ｈｓｓｚ　ｃｂｐｔ　ｃｎｋｉ　ｎｅｔ／　第１６卷　

检测用户名和密码的正确性，如果正确就会登录成功．但如果用户名或密码错误，就还保持在登录界面．　

３）Ｓｅｓｓｉｏｎ测试：Ｓｅｓｓｉｏｎ通常用来存储系统所需要的信息和用户在应用系统的操作，通过测试Ｓｅｓｓｉｏｎ可　

以保证数据在整个系统之间的传递数据的正确性．当使用系统的用户或管理员登录后，会把他们的信息保存在　

Ｓｅｓｓｉｏｎ中．这样在跳转到主页面时会从Ｓｅｓｓｉｏｎ中获取此信息，通过判断登录类型显示不同的菜单，所以此时　

定要验证从Ｓｅｓｓｉｏｎ中获取的数据是否正确．　

网络病例查询系统信息查询灵活、快捷、准确，数据库存储方便，强大的查询功能，最大限度地实现了易　

维护性和易操作性　１．具体实现了用户注册、用户登录、病例查询、在线留言、管理员管理用户信息、医生查　

询与增加病人病例、病人查询病例等功能．设计出一个良好且实用的系统，不仅前期的需求分析和掌握的技术　

非常重要，而且要有正确的态度．现在的技术有限，随着以后技术水平的提高，相信网络病例查询系统在今后　

会逐渐解决数据信息的安全性问题，系统会越来越完善．　

ｆ指导教师：安志宏）　

参考文献：　［１］肖金秀，冯沃辉，陈少　甬ＡＳＲＮＥＴ程序设计教案［Ｍ］北京：冶金工业出版社，２０１１：１－３　［２］钟石根，林宗朝Ａｓｐｎｅｔ　３．５＋ＳＱＬ　Ｓｅｗｅｒ　２００５动态网站开发买例教程ｌＭ］北京：北京趸通大学出版社，２０１０：７７—８２　［３］郑阿奇ＳＱＬ　Ｓｅｉ￣ｃｅｒ买用教程［Ｍ］２版北京：电子工业出版社，２Ｏ１２：１２０—１２８　［４］周之英软件工程［Ｍ］北京：科学出版社，２Ｏ１０：１０３—１０５　［５］朱俊林，陶和，牛水胜基于Ｗｅｂ方式的娲人网络信息管理系统的构建ｌ　Ｊｌ中国卫生事业管理，２０１２（６）：３８１—３８２　

Ｄｅｓｉｇｎ　ｏｆ　Ｎｅｔｗｏｒｋ　Ｃａｓｅｓ　Ｑｕｅｒｙ　Ｓｙｓｔｅｍ　Ｂａｓｅｄ　Ｏｎ　ＡＳ　ＮＥＴ　

-17-大规模知识图谱构建与应用的问题与挑战—大规模知识图谱构建与应用研讨会1.引言2017年01月05日，由由中国人民大学、北京大学中科院网络中心联合主办的“大规模知识图谱构建与应用”研讨会，在中国人民大学逸夫会议中心召开，并获得圆满成功。本次研讨会着重探讨了知识图谱构建的技术、方案、策略和知识图谱在机器人、金融、安全领域的应用，以及知识图谱中其他待研究问题和挑战。会议汇集国内外知名专家和学者，进行了为期半天的深入研究和探讨。本次会议由中国人民大学孟小峰教授、北京大学邹磊副教授和中国科学院网络网络信息中心黎建辉研究员担任大会主席。文因互联CEO鲍捷，深圳狗尾草智能科技公司CTO王昊奋，北京明略软件系统有限公司联合创始人兼CTO冯是聪，极光数据研究院解决方案中心总监伊宁，北京大学副教授邹磊，中国人民大学讲师王秋月等六位专家学者出席了会议，介绍了最新的前言技术和发展动态，分别做了精彩的报告。2.问题与挑战本次研讨会的主题是语义、知识与链接大数据，将着重探讨知识图谱构建的技术、方案、策略和知识图谱在机器人、金融、安全领域的应用，以及知识图谱中其他待研究问题和挑战，促进研究单位之间以及研究界和产业界之间的学术交流，探索今后大规模知识图谱构建的研讨和合作机制。包括大规模知识库的构建，大规模知识库的用于和大规模知识库的分析等内容。下面分别从各个专家学者的角度，介绍大规模知识库的构建与应用方面的问题和挑战。2.1知识库构建这些杀手级应用不太冷——从语义网到知识图谱的回顾（鲍杰·文因互联）所谓的杀手级应用（KillerApplication），是指某个非常有用的、消费者愿意为其购买某硬件软件产品的计算机程序。本次讲座中鲍杰博士复盘了语义网/知识图谱绝地反击的漂亮过程，并展望在Web下半场的25年中，会有哪些更加梦幻的杀手级应用。Web本身是Internet的一个应用，它试图实现三个递进的网络：文档的互联（Web）、知识的互联（SemanticWeb，把文档变成机器可读的知识结构）和人和知识的互联（SemanticWiki，形成一个可读可写的大规模协作网络）。Web技术的发展也是潮起潮落，过去几年尤其从2012年以后，技术发生了巨大的进步，语义网和其他技术融合催生了知识图谱的技术，使语义网技术走出了低谷。这一切都是历史的必然，随着大数据的关联、交叉与融合，外部-18-环境的变迁使杀手级应用成为可能。而知识图谱的应用加快了企业的快速成长，为其带来的经济效益使得巨头会从对知识工程的方法质疑走向热情拥抱。鲍杰博士也展望了Web的50年，他说Web的下半场将是DataWeb（2015-2020）、IntelligentWeb（2020-2030）和Socialmachine（2030-2040）的天下。知识图谱在聊天机器人中的应用和探索（王昊奋·深圳狗尾草智能科技公司）2016年聊天机器人（Chatbot）是互联网界和投资界的热点之一。目前聊天机器人可以分为三种类型：任务驱动类型的，如Apple的Siri；以多轮对话为特点的聊天机器人，如微软小冰；以QuestionAnsweringEngine形式存在的，常见于搜索，如百度和谷歌。聊天机器人目前在智能硬件、在线客服、智能教育、智能问答和个人助理上有很大的应用。来自深圳狗尾草机器人公司CTO王昊奋博士介绍了知识图谱在其公司产品聊天机器人公子小白中的应用。知识图谱技术，让小白识别句子中包含的实体、属性、关系等，逐步构建用户画像，为自我认知和个性化答案提供支持。在多轮对话过程中，知识图谱技术可以进行指代消解和对结构化数据缺失补全，对信息进行挖掘和处理。这些技术使得公子小白更精准地输出以及表达。2.2知识图谱应用基于机器学习的新一代积分预警模型（冯是聪·北京明略软件系统有限公司）去年发生的金水桥涉恐事件，恐怖分子开车冲击了金水桥，造成了一些伤亡和不好的政治影响，这就产生了一个疑问，为什么警力投入这么多，却不能将犯罪活动扼杀在萌芽之中，防范于未然，只能亡羊补牢。预警是公安系统当前首要解决的问题，其中最重要的就是对重点人员的管控，对不同的人员根据积分有不同的预警等级，但存在三个问题：其一是“狼来了”的问题，无效预警过多；其二是是更新太慢，达不到侦察的效果；其三就是不能做到因地制宜，各地面临的主要犯罪问题各不相同。为此明略公司建立一个以人为中心的知识图谱，刻画出人物的所有属性信息，用半监督学习在图上做知识传播，对知识图谱上人员的社交网络进行打分，最终交叉验证的预警成功率能达到60%-80%。移动大数据在金融领域的应用（伊宁·极光数据研究院）移动互联网发展至今，数据应用一直是一个热门话题。极光数据研究院解决方案中心总监伊宁通过银行客户贷款需求预测、信贷企业风险控制、嫌疑分子轨迹跟踪等案例，介绍了极光数据，如何通过采集、分析和加工移动互联网数据，在金融领域提供客户行为分析服务，帮助金融企业实现外部数据应用和客户风险侦测。极光早期主要面向App厂商提供开发者服务，帮助厂商实现推送等功能，在这一过程中积累了海量用户日志，之后成立数据研究院，进而提供商业化的大数据产品。目前，极光-19-数据已覆盖30万App、20亿个移动终端，每月活动终端达6亿个。随着2016年国家颁布规范互联网金融领域发展的多项管控措施，依托于互联网的理财需求会越来越多，对于这些小额金融交易，控制风险的需求也会爆发，对海量数据建立知识图谱，能为互联网金融风控带来更多的解决方案。2.3知识图谱分析基于图的RDF知识图谱数据管理（基于图的RDF知识图谱数据管理）语义网的发展与知识图谱密切相关。RDF是由W3C提出面向语义网的数据库模型，工业界和学术界都已经涌现出大量RDF知识图谱数据，大规模RDF知识图谱为目前的数据管理带来新的挑战和机遇，如RDF数据的存储和查询，即基于关系数据库的RDF引擎、图数据库技术和分布式RDF数据管理；面向知识图谱的推理和挖掘，即基于规则的推理、大规模并行推理系统和异质信息网络的挖掘；交互式RDF数据检索和浏览平台，包括自然语言问题理解、图数据的可视化、CHI界面的设计等。为了提高图数据库的查询效率，邹老师提出通过子图匹配的思路来回答SPARQL查询，他们团队基于已有研究开发了gStore图数据库管理系统，在性能上已得到同行认可。知识图谱的可视化交互分析和关系发现（王秋月·中国人民大学）智能社会中，人们迫切地需要把各种知识表示成一种可推理的形式，从而能产生更多的知识，并支撑智能化的应用，大规模知识图谱应运而生。王秋月博士报告了一种较通用的知识图谱的可视化交互分析方法，在两个真实可用数据集上初步实现并验证了该方法：C-DBLP数据集（），包含国内主要期刊上发表的论文、作者、单位等；中科院微生物研究所的的微生物资源引用数据（），包含1953年以来发表的关于微生物的论文、专利、基因组序列、核苷酸序列等。该可视化分析界面具有较高的可移植性，方便用户理解和交互。另外，在各领域中，在许多应用领域都有重要作用和意义，如国家安全部门、智能分析，以及科学研究领域如生物信息学等。王老师介绍了几个原型系统并分析了它们各自的优缺点和适用情况。3.总结及未来展望知识图谱相关研究如火如荼地开展着，知识图谱的构建与应用如雨后春笋般出现。大规模知识图谱的构建与应用发展十分迅速，具有广阔的发展前景。本次研讨会着重探讨知识图谱构建的技术、方案、策略和知识图谱在机器人、金融、安全领域的应用，以及知识图谱中其他待研究问题和挑战，促进研究单位之间以及研究界和产业界之间的学术交流，探索今后大规模知识图谱构建的研讨和合作机制。这为后续学者进行科学研究以及企业界的应用发展奠定了基础。

2018年第13期信息与电脑China Computer&Communication人工智能与识别技术

知识图谱与知识表示学习

丁允念（聊城大学，山东 聊城　252059）

摘　要：知识图谱是人工智能的一个重要分支，也是近几年比较热门的一个话题。知识图谱是由语义网络不断演化过来的知识库，并综合利用了KR、NLP、Web、ML、DB等多方面的方法和技术来实现语义处理和开放互联的功能。知识图谱和深度学习正在成为推动人工智能技术发展的核心动力，笔者主要阐述了知识图谱的发展历程以及知识表示方式。关键词：知识图谱；人工智能；语义处理；知识表示中图分类号：TP18 文献标识码：A 文章编号：1003-9767（2018）13-137-02Knowledge Map and Knowledge Representation Learning

Ding Yunnian(Liaocheng University, Liaocheng Shandong 252059, China)Abstract: Knowledge map is an important branch of artificial intelligence, and it is also a hot topic in recent years. Knowledge map is a knowledge base that has evolved from the semantic network. It uses many methods and techniques, such as KR, NLP, Web, ML, DB and so on, to realize semantic processing and open interconnection. Knowledge map and depth learning are becoming the core driving force to promote the development of artificial intelligence technology. The author mainly expounds the development process of knowledge map and the way of knowledge representation.Key words: mapping knowledge domain; artificial intelligence; semantic processing; knowledge representation

知识图谱——知识图谱的存储⽅式

⼀、知识图谱的存储种类

知识存储就是研究⽤采⽤何种⽅式将已有的知识图谱进⾏存储；⽬前知识图谱的存储⽅式有两种，1、基于RDF结构的存储⽅式，2、基于免

费开源的图数据库存储，例如Neo4j、JanusGraph、Nebula Graph等。

⼆、存储⽅式的区别

RDF（Resource Description FrameWork，资源描述框架），RDF是使⽤XML语法来表⽰的数据模型。RDF的功能是⽤以三元组的形式于

描述资源的特性以及资源之间的关系，⼀种以⽂本的形式逐⾏存储三元组数据。

图数据库是以图的⽅式来保存的，图数据库的优点在于查询和搜索的速度⽐较快 ，并且在图数据库中实体节点可以保留属性，这就意味着实

体可以保留更多的信息，此外图数据库像其他的关系数据库⼀样有完整的查询语句，⽀持⼤多数的图挖掘算法。⽬前使⽤范围最⼴的图数据

库为Neo4j。

三、两种存储⽅式的对⽐

图数据库RDF

节点存储三元组存储

容易管理容易传输

搜索效率⾼搜索效率低

⽀持查询算法、推理引擎灵活标准推理⽅法

⼴泛⽤于⼯业场景学术界应⽤⽐较多