基于知识图谱的知识库是什么

本文目录一览

• 壹、基础知识-知识图谱
• 贰、知识图谱是思维导图吗
• 叁、知识库和知识图谱区别？
• 肆、知识图谱（一）

壹、基础知识-知识图谱

知识图谱的构建形式：
自顶向下：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。
自底向上（常用）：从一些开放链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。
（1）语义信息抽取；（2）多元数据集成与验证（知识融合）；（3）知识图谱补全

知识库分类：
开放链接知识库：Freebase、Wikidata、DBpedia、YAGO。 包含大量半结构化、非结构化数据。
垂直行业知识库（特定域）：IMDB（影）、MusicBrainz（音乐）、ConceptNet（概念）等。

基于规则与词典的方法（为目标实体写模板，然后进行匹配）：写大量规则或模板，覆盖域有限，难以适应新需求
基于统计机器学习的方法（机器学习，训练模型，识别实体）：监督学习算法受训练集限，准确率和召回率不够理想
（召回率：真阳性/真阳性+假阳性；准确率：真阳性+真阴性/真阳性+假阳性+真阴性+假阴性）
面向开放域的抽取方法（面向海量的Web语料）：通过少量实体实例建立特征模型，再通过它应用于新的数据集，给新实体做分类与聚类。 （迭代扩展）

早期：工构造语义规则以及模板的方式；
实体间的关系模型代替了早期的工构造；
面向开放域的信息抽取框架（OIE）：对隐含关系抽取性能低下。
（隐含关系抽取：基于马尔科夫逻辑网、基于本体推理的深层隐含关系抽取方法）

可以将实体属性的抽取问题转换为关系抽取问题

分布式表示目的在于用一个综合的向量来表示实体对象的语义信息，这种形式在知识图谱的计算、补全、推理等方面起到重要的作用：
1、语义相似度计算：实体间的语义关联程度，为自然语言处理（NLP）等提供了极大的便利
2、

消除异构数据中实体冲突、指向不明等不一致性问题。
（1）待对齐数据分区索引；
（2）利用相似度函数或相似性算法查找匹配实例；
（3）对齐算法（成对实体对齐、全（部）集合实体对齐）进行实例融合。

经过实体对齐后得到一系列的基本事实表达，然后事实并不等于知识，它只是知识的基本单位。

本体相当于知识库的模具，使其具有较强的层次结构和较小的冗余程度。

可分为工构建和数据驱动自动构建。
数据驱动的本体自动构建：
①纵向概念间的并列关系计算：计算两个实体间并列关系的相似度，辨析他们在语义层面是否属于同一个概念。
②实体上下位关系抽取。
③本体生成：对各层次得到的概念进行聚类，并为每一类的实体指定1个或多个公共上位词。

通常是与实体对齐任务一起进行：对知识可信度进行量化，保留置信度较高的，舍弃置信度较低的。

主要包括模式层的更新与数据层的更新。

一阶谓词逻辑、描述逻辑以及规则等
（1）一阶谓词逻辑：以命题为基本，命题包含个体（实体）和谓词（属性或关系）。
（2）基于描述逻辑的规则推理：在（1）的基础上发展而来，目的是在知识表示能力与推理复杂度之间追求一种平衡。
（3）通过本体的概念层次推理。

一些算法主要是利用了关系路径中的蕴涵信息：
通过图中两个实体间的多步路径来预测它们之间的语义关系，即从源节点开始，在图上根据路径建模算法进行游走，如果能够到达目标节点，则推测源节点和目标节点间存在联系。
（关系路径的建模研究仍处于初期阶段，需要进一步探索完成）

参考文献：
[1]徐增林,盛泳潘,贺丽荣,王雅芳.知识图谱技术综述[J].电子科技大学学报,2016,45(04):589-606.

贰、知识图谱是思维导图吗

知识图谱不是思维导图。

知识图谱和思维导图虽然都是用于组织和表示知识的工具，但它们在结构、目的和应用上存在显著的差异。 知识图谱是一种基于图的数据结构，用于表示实体间的关系。 它通常用于大规模的知识库构建，如语义网、智能问答系统等。 知识图谱的节点代表实体，边代表实体间的关系，这种结构能够清晰地展示出知识之间的关联，便于进行复杂的查询和推理。 例如，在一个关于历史物的知识图谱中，节点可能代表不同的物，而边则表示他们之间的关系，如亲属关系、师徒关系等。

相比之下，思维导图则是一种觉化的思维工具，用于帮助个或团队进行脑风、梳理思路或定计划。 思维导图通常从一个中心主题出发，向外发散出多个分支，每个分支代表一个与中心主题相关的子主题或想法。 这些分支还可以进一步细分，形成一个层次化的结构。 思维导图更注重的是思维的发散和创意的生成，不强调实体间严格的关系定义。 例如，在作一个关于项目计划的思维导图时，中心主题可能是项目的名称，而分支则可能包括项目的目标、任务分解、时间表等。

总的来说，知识图谱和思维导图虽然都是知识表示的工具，但前者侧重于实体间关系的精确描述和大规模知识的组织，后者则更侧重于个或团队思维的可化和创意的发。 两者在结构、目的和应用上有着明显的区别。

在实际应用中，知识图谱和思维导图可以相互补充。 例如，在进行学术研究时，可以使用知识图谱来梳理域内的知识体系，明确不同概念之间的关系；而在定研究计划或撰写论文时，则可以使用思维导图来发灵感，整理思路。 通过灵活运用这两种工具，可以更有效地进行知识的获取、整合和创新。

叁、知识库和知识图谱区别？

跟你说说知识图谱和传统知识库与关系数据库的区别吧。
知识图谱、传统知识库和数据库各自尤其特点，它们之间的区别主要在语义层和数据层上包含信息的多少而产生一定的不同。
知识图谱需要完成语义推理等任务，并且还需要提供丰富的实例数据来实现关联检索任务，因此，同时包含语义知识和丰富的实例数据。 而关系型数据库主要完成数据检索任务，只含有丰富的数据，传统知识库主要为了实现推理任务，含有丰富的语义知识，也就是概念知识及其之间的关联关系，有时也含有少量的实例数据。 这三者之间最主要的区别和联系在于：
知识图谱是在传统知识库的基础上发展而来的，但更注重其中的实例数据。
知识图谱无法替代数据库，大规模图谱处理需借助数据库技术。
知识图谱包含语义信息，可进行一定的推理，且形式更灵活，可扩展性更好。

肆、知识图谱（一）

知识图谱技术是工智能的重要组成部分，其研究的是对类知识的获取、表示、推理、应用等技术。 知识图谱于2012年5月17日Google正式提出，其初衷是为了提高搜索引擎的能力，增强用户的搜索质量以及搜索体验。 目前，随着智能信息服务应用的不断发展，知识图谱已广泛应用于智能搜索、智能问答、个性化推荐等域。 知识图谱代表的是工智能认知层面的问题，而深度学习很大程度上处理感知层面的问题，未来的技术大趋势是深度学习与知识图谱的结合，实现数据统计与知识驱动的结合，推动工智能的发展。
1.1知识图谱的定义
在维基百科的方词条中:知识图谱是Google用于增强其搜索引擎功能的知识库。 本质上，知识图谱是一种揭示实体之间关系的语义网络，可以对现实世界的事物及其相互关系进行形式化地描述。 现在的知识图谱已用来泛指各种大规模的知识库。
三元组是知识图谱的一种通用表示方式，即G=(E,R,S)，其中E={e1,e2,……,e|E|}是知识库中的
实体集合，共包含|E|种不同实体;R={r,r,……,r}12|E|是知识库中的关系集合，共包含|R|种不同关系;S⊆E×R×E代表知识库中的三元组集合。 三元组的基本形式主要包括实体1、关系、实体2和概念、属性、属性值等，实体是知识图谱中的最基本元素，不同的实体间存在不同的关系。 概念主要指集合、类别、对象类型、事物的种类，例如物、地理等;属性主要指对象可能具有的属性、特征、特性、特点以及参数，例如籍、生日等;属性值主要指对象指定属性的值，例如中、1988-09-08等