一、知识图谱简介
知识图谱，是结构化的语义知识库，主要用于描述现实世界中的实体及其相互关系，由节点和边组成。节点可以是实体，如汽车、街道等，或是抽象的概念，如AI、疾病等。边可以是实体的属性，如颜色、名字或是实体之间的关系，如朋友、配偶。如下图所示：
1.1 知识图谱的几个关键概念
本体（ontology）：领域术语集合，用于定义和描述特定领域的知识，包括该领域中的实体、属性、关系及其约束。本体提供了一个结构化框架，使得知识能够以一种一致且明确的方式进行表示和处理。
类型（ type）：具有相同特点或属性的实体集合的抽象，如足球球员、足球联赛、足球教练。
实体（Entities）：实体就是type的实例，如足球球员–梅西，足球联赛–西甲等。
类层次结构（Class Hierarchy）：定义概念之间的继承关系。例如，“鸟类”是“动物”的子类，“麻雀”是“鸟类”的子类。
关系（Relations）：实体与实体之间通过关系关联起来，如梅西是巴塞罗那的球员。
属性（Attributes）：实体自带信息是属性，如梅西 出生日期 1987年6月24日， 身高 1.7米等。
知识图谱（Knowledge graph）：图状具有关联性的知识集合。可以由三元组(实体——关系——实体)表示。
知识库（Knowledge Base）：一个知识数据库，包含了知识的本体和知识，可以看成是由图数据库存储的知识库。
1.2 知识图谱的分层架构
知识图谱由数据层（data layer）和模式层（schema layer）构成。
数据层：数据层是知识图谱的基础层，负责存储和管理知识图谱中的所有原始数据。这些数据以结构化的形式存在，知识以事实（fact）为单位存储在图数据库中，通常表示为三元组，包括“实体—关系—实体”和“实体—属性—属性值”等形式。
模式层：知识图谱的核心，是知识图谱的概念模型和逻辑基础。模式层通常包括本体、类层次结构、关系类型和数据模式等元素。通过定义本体、类层次结构、关系类型和属性，模式层构建了一个系统的、结构化的知识框架，确保了数据的一致性和完整性，并支持高级应用和语义推理。
1.3 知识图谱数据类型和存储方式
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、链接数据
半结构化数据（Semi-Structured Data），如：XML、JSON、百科
非结构化数据（Unstructured Data），如：文本、图片、音频、视频
知识图谱的存储方式主要分为两种：
资源描述框架（RDF）：RDF是一种用于描述网络上资源及其关系的标准格式。RDF使用三元组来表示实体及其关系，比较常用的有 Jena ，Virtuoso等。RDF存储的优点在于其标准化和互操作性，可以方便地与其他语义数据进行集成。然而，对于非常复杂或大规模的数据集，查询性能可能会成为一个瓶颈。
图数据库（Graph Databases）：图数据库专门为处理图结构数据而设计，使用节点和边来表示实体及其关系，具有很高的查询性能和灵活性，常用的有 Neo4j，JanusGraph等，适用于大规模和关系复杂的数据场景，具有高效的查询性能和灵活性。
1.4知识图谱构建流程
知识图谱的构建方法主要有两种：自底向上（data layer）和自顶而下（data layer）。
自底向上是从数据开始构建知识图谱的。数据驱动，能充分利用现有数据资源；可以自动地从知识图谱中抽取概念、概念层次和概念之间的关系，实体和关系的识别可以更加细致和全面。其缺点是需要大量的预处理和数据清洗工作，以及难以保证图谱的全局一致性。
构建流程：数据收集 → 数据清洗 → 实体抽取 → 关系抽取 → 模式构建 → 图谱融合。
自顶而下是从设计模式和本体开始构建知识图谱的。
构建流程：需求分析 → 本体设计 → 数据对齐 → 实例填充 → 验证和优化。
本次学习主要是自底向上的构建技术。构建知识图谱是一个迭代更新的过程，根据知识获取的逻辑，每一轮迭代包含三个阶段：信息抽取、知识融合、知识加工
信息抽取：从各种类型的数据源中提取出实体、属性以及实体间的相互关系，在此基础上形成本体化的知识表达。
知识融合：在获得新知识之后，需要对其进行整合，以消除矛盾和歧义，比如某些实体可能有多种表达，某个特定称谓也许对应于多个不同的实体等。
知识加工：对于经过融合的新知识，需要经过质量评估之后（部分需要人工参与甄别），才能将合格的部分加入到知识库中，以确保知识库的质量。
知识抽取（infromation extraction）
知识抽取是一种自动化地从半结构化和无结构数据中抽取实体、关系以及实体属性等结构化信息的技术，其关键问题是：如何从异构数据源中自动抽取信息得到候选指示单元。涉及的关键技术包括：实体抽取、关系抽取和属性抽取
实体抽取：也称为命名实体识别，是指从文本数据集中自动识别出命名实体。
例如：非洲某国发生叛乱，中国海军执行撤侨任务，冷锋奉命只身闯入硝烟四起的战场。不屈不挠的战狼，与冷酷无情的敌人展开了悬殊之战。
通过实体抽取，从中抽取出四个实体：“非洲”、“中国海军”、“冷锋”、“战狼”。
关系抽取：文本语料经过实体抽取之后，得到的是一系列离散的命名实体。为了得到语义信息，还需要从相关语料中提取出实体之间的关联关系，通过关系将实体联系起来，才能够形成网状的知识结构。
属性抽取：从不同信息源中采集特定实体的属性信息，如针对某个公众人物，可以从网络公开信息中得到其昵称、生日、国籍、教育背景等信息。
知识融合（Knowledge Fusion）
通过信息抽取，从原始的非结构化和半结构化数据中获取到了实体、关系以及实体的属性信息。因此，在获得新知识之后，需要对其进行整合，以消除矛盾和歧义。知识融合包括2部分内容：实体链接、知识合并。
实体链接（entity linking）：将文本中抽取得到的实体对象链接到知识库中对应的正确实体对象。其基本思想是首先根据给定的实体指称项，从知识库中选出一组候选实体对象，然后通过相似度计算将指称项链接到正确的实体对象。
知识合并：数据来源除了半结构化数据和非结构化数据以外，还有结构化数据。对于结构化数据，知识融合主要分为两种：合并外部知识库、合并关系数据库。
知识加工(Knowledge Processing)
通过信息抽取，从原始语料中提取出了实体、关系与属性等知识要素，并且经过知识融合，消除实体指称项与实体对象之间的歧义，得到一系列基本的事实表达。然而事实本身并不等于知识。要想最终获得结构化、网络化的知识体系，还需要经历知识加工的过程。知识加工主要包括3方面内容：本体抽取、知识推理和质量评估。
本体抽取：本体可以采用人工编辑的方式手动构建（借助本体编辑软件），也可以以数据驱动的自动化方式构建本体。
自动化本体构建过程包含三个阶段： 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：经过以上步骤，知识图谱之间大多数关系仍缺失严重，则需要使用知识推理技术，去完成进一步的知识发现。
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等。
推理属性值：已知某实体的生日属性，可以通过推理得到该实体的年龄属性；
推理概念：已知(老虎，科，猫科)和（猫科，目，食肉目）可以推出（老虎，目，食肉目）
这一块的算法主要可以分为3大类：基于知识表达的关系推理技术；基于概率图模型的关系推理技术路线示意图；基于深度学习的关系推理技术路线示意图。
质量评估：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。
参考文章：知识图谱构建全流程
