当前位置：文档之家 › 知识图谱研究进展

知识图谱研究进展

  • 格式：pdf
  • 大小：4.50 MB
  • 文档页数：22

technology intelligence engineering0042017年第3卷 第1期 知识图谱研究进展

The Research Advances of Knowledge Graph东南大学计算机科学与工程学院　南京　211189

School of Computer Science and Engineering, Southeast University, Nanjing 211189, China 漆桂林 高桓 吴天星

QI GuiLin GAO Huan WU TianXing随着大数据时代的到来，知识工程受到了广泛关注，如何从海量的数据中提取有用的知识，是

大数据分析的关键。知识图谱技术提供了一种从海量文本和图像中抽取结构化知识的手段，从而具有

广阔的应用前景。本文首先简要回顾知识图谱的历史，探讨知识图谱研究的意义。其次，介绍知识图

谱构建的关键技术，包括实体关系识别技术、知识融合技术、实体链接技术和知识推理技术等。然后，

给出现有开放的知识图谱数据集的介绍。最后，给出知识图谱在情报分析中的应用案例。

With the advent of big data era, knowledge engineering has attracted wide attention, as mining knowledge from large-scale data is critical for big data analysis. Knowledge graph techniques provide a way to extract structured knowledge from large-scale texts and images, thus have wide application prospect. In this article, we first gave a brief overview of the history of knowledge graph, and discussed the importance of knowledge graph research. We then introduced key technologies of knowledge graph, including techniques of instance relation detection, techniques of knowledge fusion, techniques of instance mapping, and techniques of knowledge reasoning. After that, we introduced some well-known open knowledge graph datasets. Finally, we presented some use cases of knowledge graph in intelligence analysis. 关键词：人工智能，知识图谱，知识挖掘，情报分析

基金项目：本文受国家自然科学基金面上项目：基于图的并行OWL本体推理方法研究（61672153）的资助。

作者简介：漆桂林（1977-），博士，教授，研究方向：人工智能、知识工程、语义网，gqi@seu.edu.cn；高桓（1984-），博士研究

生，研究方向：数据挖掘，信息抽取，知识库构建；吴天星（1990-），博士研究生，研究方向：知识图谱，语义Web，知识挖掘。

中图分类号：G35

Keywords：Artificial Intelligence, knowledge graph, knowledge mining, intelligence analysisdoi:10.3772/j.issn.2095-915x.2017.01.002sPEcial articlEstechnology intelligence engineering2017年第3卷 第1期

0051 知识图谱历史回顾

知识图谱（Knowledge Graph）的概念由谷

歌2012年正式提出，旨在实现更智能的搜索引

擎，并且于2013年以后开始在学术界和业界普

及，并在智能问答、情报分析、反欺诈等应用

中发挥重要作用。知识图谱本质上是一种叫做

语义网络（semantic network）的知识库，即具

有有向图结构的一个知识库，其中图的结点代

表实体（entity）或者概念（concept），而图的

边代表实体/概念之间的各种语义关系，比如

说两个实体之间的相似关系。语义网络[1]是19

世纪50年代末60年代初提出，代表性人物有M. Ross Quillian和Robert F. Simmons。语义网

络可以看成是一种用于存储知识的数据结构，

即基于图的数据结构，这里的图可以是有向图，

也可以是无向图。使用语义网络，可以很方便

地将自然语言的句子用图来表达和存储，用于

机器翻译[2]、问答系统[3]和自然语言理解[4]。19世纪70年代开始有不少工作研究语义网络

跟一阶谓词逻辑之间的关系，比如说，文献[5]

提供了一个算法将一个语义网络转化成谓词逻辑

的形式，但是具有计算方面的优势，而文献[6]

则给出了如何用语义网络来表示一阶谓词逻辑

中的连接词和量词。到了19世纪80年代，人

工智能研究的主流变成了知识工程和专家系统，

特别是基于规则的专家系统开始成为研究的重

点。这一时期，语义网络的理论更加完善，特

别是基于语义网络的推理出现了很多工作（例

如文献[7]中的工作），而且语义网络的研究开始转向具有严格逻辑语义的表示和推理。19

世纪80年代末到90年代，语义网络的工作集

中在对于概念(concept)之间关系的建模，提出

了术语逻辑（terminological logic）以及描述逻

辑。这一时期比较有代表性的工作是Brachman

等人提出的CLASSIC语言[8]和Horrock实现的FaCT推理机[9]。进入20世纪，语义网络有了

一个新的应用场景，即语义Web。语义Web是由Web的创始人Berners-Lee及其合作者提出[10]，

通过W3C①的一些标准来实现Web的一个扩

展，从而数据可以在不同应用中共享和重用。

语义Web跟传统Web的一个很大的区别是用

户可以上传各种图结构的数据（采取的是W3C

的标准RDF），并且数据之间建立链接，从而

形成链接数据[11]。链接数据项目汇集了很多高

质量知识库，比如说Freebase②、DBpedia③和Yago④，这些知识库都是来源于人工编辑的大

规模知识库－维基百科。这些高质量的知识库

的发布，为谷歌知识图谱项目的成功打下了坚

实的基础。

谷歌知识图谱很重要的一部分是一个大规模的协同合作的知识库，叫Freebase，即链接数据的一个数据集。Freebase采用的数据结构是图模型，即可以把一个Freebase的知识库看成是有向图，这种数据模型相对于传统数据库的优势在于可以处理更复杂的数据以及方便数据的插入。谷歌知识图谱的模式（Schema）是由谷歌自己的专业团队在Freebase的基础上开发和设计的。谷歌知识图谱中，所有的对象都有属于它的Type。Type

的数量不是固定的，有tHE rEsEarcH aDVancEs oF KnoWlEDGE GraPH知识图谱研究进展

①https://www.w3.org②https://en.wikipedia.org/wiki/Freebase③http://wiki.dbpedia.org④

http://www.mpi-inf.mpg.de/departments/databases-and-information-systems/research/yago-naga/yago/technology intelligence engineering0062017年第3卷 第1期 一个数据结构Collection记录的是计算机自动抽

取出的类型，Collection中有成千上万种类型，

有些今天生成后第二天就被删除了，有些则能

长期的保留在Collection中，如果Collection中

的某一种类型能够长期的保留，发展到一定程

度后，由专业的人员进行决策、命名，最后上

升为一种Type，作为谷歌知识图谱的一种类型

保存在模式中。谷歌知识图谱的Type有音乐家、

网球运动员等等。不过谷歌的知识图谱中的模

式并没有太多去考虑类型的层次性。虽然很多

文献都把知识图谱看成是一个实体-关系的有

向图，但是也有一些观点认为知识图谱应该包

含更抽象的概念之间的关系，比如说，谷歌和

必应、雅虎一起推出了Schema.org2来提供一个

覆盖广泛主题（包括人物、地点、事件等）的

模式（schema）。

跟早期的语义网络相比，知识图谱具有自

己的特点。首先，知识图谱强调的是实体之间

的关联，以及实体的属性值，虽然知识图谱中

也可以有概念的层次关系，这些关系的数量相

比实体之间的关系的数量要少很多，而早期的语义网络主要用于对自然语言的句子做表示；其次，知识图谱的一个重要来源是百科，特别是百科中半结构化的数据抽取得到，这跟早期语义网络主要靠人工构建不一样，通过百科获取高质量知识作为种子知识，然后通过知识挖掘技术可以快速构建大规模、高质量知识图谱；最后，知识图谱的构建强调不同来源知识的融合以及知识的清洗技术，而这些不是早期语义

网络关注的重点。知识图谱跟本体标准语言，比如说RDFS⑤

和OWL⑥具有紧密的关系。一方面，知识图谱

可以看成是一种知识存储的数据结构，本身并

不具备形式化的语义，但是可以通过RDFS或

者OWL的规则应用于知识图谱进行推理，从

而赋予知识图谱形式化语义。另外一方面，并

不是所有的OWL本体都适合转化成知识图谱，

因为转化过程中会丢失语义信息（在文献[12]

中，OWL EL语言表示的本体已经被证明适合

转化成知识图谱，并且可以实现高效推理机）。

下面几个小节将介绍知识图谱构建的关键

技术、一些开放知识图谱以及知识图谱在情报

分析的应用案例。

2 知识图谱构建技术

本节首先给出知识图谱的技术地图，然后

介绍知识图谱构建的关键技术，包括关系抽取

技术、知识融合技术、实体链接技术和知识推

理技术。

2.1 知识图谱技术地图

构建知识图谱的主要目的是获取大量的、

让计算机可读的知识。在互联网飞速发展的今

天，知识大量存在于非结构化的文本数据、大

量半结构化的表格和网页以及生产系统的结构

化数据中。为了阐述如何构建知识图谱，本文

给出了构建知识图谱的技术地图，该技术地图

如图

2.1所示。整个技术图主要分为三个部分，第一个部分是知识获取，主要阐述如何从非结doi:10.3772/j.issn.2095-915x.2017.01.002sPEcial articlEs⑤https://www.w3.org/TR/rdf-schema/⑥https://www.w3.org/TR/owl2-overview/

合集下载

基于知识图谱的智能问答技术研究与应用

基于知识图谱的智能问答技术研究与应用

基于知识图谱的智能问答技术研究与应用

随着人工智能技术的不断发展和普及，智能问答技术已经成为人们生活中不可或缺的一部分。基于知识图谱的智能问答技术更是成为了当前研究的热点之一。下面，本文将从知识图谱和智能问答两个方面来探讨基于知识图谱的智能问答技术的研究与应用。

一、知识图谱的介绍

知识图谱（Knowledge Graph）是一种语义网技术，它利用语义信息将多个实体之间的关系进行建模，形成图形结构。知识图谱不仅仅是一个庞大的知识库，同时也是一种强大的语义计算工具。知识图谱的构建离不开人工智能技术的支持，例如自然语言处理、机器学习、图像处理等技术，这些技术的发展也为知识图谱的发展提供了坚实的技术基础和理论支持。

二、智能问答技术的介绍

智能问答技术（Intelligent Question Answering）是一种基于人工智能技术的问答系统，它可以对用户提出的自然语言问题进行理解和分析，并从庞大的知识库中获取相关知识，最终给出准确的答案。在智能问答技术的研究中，知识图谱的应用功不可没。通过将知识图谱和智能问答技术结合起来，可以构建出高效准确的智能问答系统，为人们提供便捷的服务。

三、基于知识图谱的智能问答技术的研究

1. 数据预处理

在基于知识图谱的智能问答技术研究中，数据预处理是一个非常重要的步骤。在数据预处理中，需要对原始数据进行清洗和标注，最终得到结构化的数据。通过这些数据，可以构建出知识图谱，并为后续的智能问答提供良好的数据基础。

2. 知识图谱的构建 知识图谱的构建是基于知识图谱的智能问答技术研究中的关键步骤。知识图谱的构建需要借助自然语言处理、机器学习等人工智能技术，对大量的结构化数据进行处理，最终构建出一个包含众多知识点的知识图谱。

3. 问答匹配技术

在基于知识图谱的智能问答技术研究中，问答匹配技术是非常重要的。问答匹配技术可以对用户输入的问题进行解析和匹配，从而为用户提供准确的答案。通过使用自然语言处理、语义匹配等技术，可以更好地解决问答匹配难题。

智慧医疗中的医疗知识图谱构建技术研究

智慧医疗中的医疗知识图谱构建技术研究

智慧医疗中的医疗知识图谱构建技术研究

在智慧医疗的时代，医疗领域的知识图谱构建技术成为医疗大数据分析和决策的核心支撑技术。医疗知识图谱可以提供完整、准确、可信的医疗信息，为医疗科学研究和医学教育提供便利，同时也可以帮助病人准确理解自己的病情，寻找最合适的治疗方案。

一、医疗知识图谱概念和应用

医疗知识图谱是将医疗领域的知识组织成一张结构化的图谱，其中包含了医学实体、医疗知识、医学概念等丰富信息，并通过图谱可视化展示。医疗知识图谱是智慧医疗的核心技术之一，它可以帮助医护人员更快、更准确地获取医疗知识，为临床决策提供支持，也可以为医药研究提供数据支撑。

医疗知识图谱的应用场景主要包括以下几个方面：

1.病历自动标注：将病历记录转换为结构化数据，便于数据挖掘和应用。

2.知识检索：通过医疗知识图谱的可视化，让医护人员更快找到需要的关键信息。

3.医学教育：将医学知识组织成知识点，为医学教育提供协助。

4.疾病分类和诊断：通过提取症状、检查结果等信息，进行疾病的自动分类和诊断。

二、医疗知识图谱构建步骤

医疗知识图谱的构建包括以下三个主要步骤：数据预处理、知识抽取和知识融合。

1.数据预处理：医疗领域的数据通常为非结构化数据，需要进行数据清洗和预处理，包括文本去重、自然语言处理和实体识别等。 2.知识抽取：在数据预处理完成后，需要通过文本挖掘技术进一步提取出医学实体、医学知识和概念等信息，即知识抽取。

3.知识融合：将抽取的知识融合到医疗知识图谱中，生成结构化的知识图谱，并通过图谱可视化展示。

三、医疗知识图谱构建技术研究进展

随着人工智能技术的发展，医疗知识图谱构建技术也在不断进步。目前，重点关注的是如何实现更加精准和高效的知识抽取和融合。

1.深度学习技术：深度学习技术在医疗知识图谱构建中有着广泛的应用，其中最常用的技术是卷积神经网络（CNN）和循环神经网络（RNN），可以实现对医学实体、医学概念的自动提取和抽取。

知识图谱技术的发展现状与未来趋势

知识图谱技术的发展现状与未来趋势

知识图谱技术的发展现状与未来趋势

在当今大数据时代，我们正面临着海量信息的挑战。从搜索引擎到智能语音助手，我们渴望从这些信息中找到准确、有用的知识。然而，传统的搜索方法往往无法满足我们的需求。因此，知识图谱技术应运而生。它是一种以图形结构来模型化和组织知识的技术，已经在许多领域取得了重大进展，如自然语言处理、智能问答和智能推荐等。

一、知识图谱技术的发展现状

1. 知识表示

知识图谱的核心在于如何有效地表示知识。传统的关系型数据库和多数基于文本的方法难以处理大规模的复杂关系。因此，图结构逐渐成为知识图谱表示的主流方式。其中，最有代表性的是Facebook的“Open Graph”和Google的“Knowledge

Graph”。

2. 知识抽取

知识图谱的构建需要从海量文本中抽取和获取知识。自然语言处理等技术使得从文本中抽取实体、关系和属性等知识成为可能。例如，命名实体识别、关系抽取和实体链接等方法被广泛应用于知识图谱的建设。

3. 知识融合和推理

知识图谱的价值在于对知识进行推理和融合，以生成新的知识。例如，给定“父亲是男性”的事实，通过推理可以得到“父亲是男性且必须是成年人”。传统的逻辑推理和统计推理方法用于知识图谱的推理和融合，但仍然存在挑战，例如不完备性和一致性。

二、知识图谱技术的未来趋势 1. 图神经网络的发展

图神经网络（Graph Neural Networks）是近年来兴起的一种深度学习方法，专门用于处理图结构数据。图神经网络可以处理节点特征和图拓扑结构，用于节点分类、关系预测等任务。随着图神经网络的发展，相信它将在知识图谱技术中发挥更加重要的作用。

2. 语义理解与知识推理

当前的知识图谱技术大多是基于浅层语义的，对于复杂的语义理解和知识推理仍然存在挑战。未来的研究应该更加注重深入理解语义和逻辑，以便更好地进行知识推理和生成高质量的知识。

3. 多模态知识图谱

传统的知识图谱主要基于文本数据，但未来的知识图谱将更加注重多模态数据的融合，如图像、音频和视频等。融合多模态数据可以更全面地理解世界，为日常生活中更多的场景提供有用的知识。

知识图谱构建与应用研究综述

知识图谱构建与应用研究综述

知识图谱构建与应用研究综述

知识图谱已经成为了人工智能领域的热门话题，得到了广泛的关注和研究。它是一种把各种实体和概念以及它们之间的关系抽象为图形的方法，从而建立起一个具有层级和语义结构的知识库。知识图谱可以应用于众多领域，如推荐系统、智能搜索、自然语言处理、机器翻译以及语义信息检索等等。本文将综述知识图谱构建和应用研究的现状和进展。

一、知识图谱构建技术

1.知识抽取和知识表示

知识抽取是将人工、半自动或自动地将人类知识从大量非结构化或半结构化的文本信息中提取出来。同时进行知识表示以便于机器系统能够进行准确的理解和应用。常用的知识抽取和知识表示技术包括：自然语言处理（NLP），信息抽取（IE），实体识别（NER），语义角色标注（SRL），事件提取（ET），关系抽取（RE）以及结构化表示技术（如RDF等）。

2.知识建模和知识融合

知识建模是将获得的知识组织为一组可管理、可查询和可重用的模型，其目的是确定知识之间的本质关系与层次体系，使得知识能够形成一个完整的知识库。知识融合是将具有不同来源和形式的知识进行集成，使其具有进一步的数据处理、推理和应用能力，包括数据清理、数据转换、数据转移和语义融合等。

3.知识存储和管理

知识的存储和管理是知识图谱构建中至关重要的一部分，它涉及到了知识库、数据库以及基础设施环境、硬件设备等方面的问题。目前应用广泛的存储技术包括关系型数据库和非关系型数据库，如图数据库、文本数据库和半结构化数据库等。同时在存储技术的基础上还需要考虑知识访问、处理、查询、推理等问题。 二、知识图谱应用案例

1.智能搜索和知识推荐

智能搜索和知识推荐是最为常见的知识图谱应用，通过对知识图谱中实体、属性、关系等信息的处理，可以实现更为精准的搜索和推荐功能。其中谷歌的知识图谱和Facebook的社交图谱在搜索的领域应用尤为突出，谷歌的知识卡每日为数百万用户提供信息查询，而Facebook的社交图谱延伸了社交网络的概念，为用户提供个性化的社交互动。除此之外，知识图谱在电子商务、智能音箱等行业中的搜索和推荐也得到广泛的应用。