知识图谱学习小记

1、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。若是用(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，可选择图数据库做为存储介质，例如开源的Neo4j、Twitter的FlockDB、sones的GraphDB等。
模式层构建在数据层之上，主要是经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，经过本体库而造成的知识库不只层次结构较强，而且冗余程度较小。

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。该构建方式须要利用一些现有的结构化知识库做为其基础知识库。
自底向上指的是从一些开放连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。

2、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连接数据，经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普遍承认，可是其在计算效率、数据稀疏性等方面却面临着诸多问题。近年来，以深度学习为表明的表示学习技术取得了重要的进展，能够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）

因为知识图谱中的知识来源普遍，存在知识质量参差不齐、来自不一样数据源的知识重复、知识间的关联不够明确等问题，因此必需要进行知识的融合。知识融合是高层次的知识组织，使来自不一样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，造成高质量的知识库。

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。在推理的过程当中，每每须要关联规则的支持。因为实体、实体属性以及关系的多样性，人们很难穷举全部的推理规则，一些较为复杂的推理规则每每是手动总结的。对于推理规则的挖掘，主要仍是依赖于实体以及关系间的丰富同现状况。知识推理的对象能够是实体、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）