1.3-知识图谱怎么去作？

知识图谱怎么去作，这固然不是几句话说得清楚的。首先确定要先基于自身的业务进行思考，这里整理一些知识图谱构建的主要路径。

构建的逻辑思路

• 一、梳理业务，构建本体：是否须要用知识图谱？成本怎么样，能达到怎么的效果？是否有能力构建知识图谱？数据、团队等状况是否能支撑？若是有必要，如何根据业务梳理一套本体框架？
• 二、编辑本体，给出业务知识表示框架：能够利用Protege进行本体编辑，得到一个用OWL表示的知识表示文件。
• 三、给本体补充实例数据：先找一些示例数据，便于理解。

构建的不一样方式

• 自顶向下的构建方式：先定义本体和数据模式，再将实体加入知识库。利用一些现有的结构化知识库做为其基础知识库。
• 自底向上的构建方式：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。

构建过程当中的关键技术

• 大致包含五个方面：知识抽取、知识表示、知识融合、知识加工、知识评估
• 经过知识提取技术，能够从一些公开的半结构化、非结构化和第三方结构化数据库的数据中提取出实体、关系、属性等知识要素。
• 知识表示则经过必定有效手段对知识要素表示，便于进一步处理使用。分布式的知识表示造成的综合向量对知识库的构建、推理、融合以及应用均具备重要的意义。
• 而后经过知识融合，可消除实体、关系、属性等指称项与事实对象之间的歧义，造成高质量的知识库。
• 知识加工则是在已有的知识库基础上进一步挖掘隐含的知识，构建新本体，补全关系，从而丰富、扩展知识库。
• 知识评估能够对知识的可信度进行量化，保留置信度较高的，舍弃置信度较低的，有效确保知识的质量。
• 除此以外，大规模知识图谱构建，还须要多种技术的支持：分布式存储和计算、图数据库、图推理、内存数据库等。

数据的存储数据库选择

• 知识图谱的存储和查询语言也经历了历史的洗涤，从RDF到OWL以及SPARQL查询，都逐渐由于使用上的不便及高昂的成本，而被工业界主流所遗弃。

图数据库逐步成为目前主要的知识图谱存储方式。

• 目前应用比较普遍的图数据库包括Neo4j、graphsql、sparkgraphx（包含图计算引擎）、基于hbase的Titan、BlazeGraph等，各家的存储语言和查询语言也不尽相同。

实际应用场景下，OrientDB和postgresql也有不少的应用，主要缘由是其相对低廉的实现成本和性能优点。

应用推理和知识自学习

• 在知识图谱构建过程当中，还存在不少关系补全问题。虽然一个普通的知识图谱可能存在数百万的实体和数亿的关系事实，但相距补全还差很远。

知识图谱的补全是经过现有知识图谱来预测实体之间的关系，是对关系抽取的重要补充。

• 传统方法TransE和TransH经过把关系做为从实体A到实体B的翻译来创建实体和关系嵌入，可是这些模型仅仅简单地假设实体和关系处于相同的语义空间。

而事实上，一个实体是由多种属性组成的综合体，不一样关系关注实体的不一样属性，因此仅仅在一个空间内对他们进行建模是不够的。

相关资料

• 大规模知识图谱的构建、推理及应用
• 肖仰华 | 大规模知识图谱构建与应用