知识图谱的体系架构
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
开放链接知识库：Freeba、Wikidata、DBpedia、YAGO。包含⼤量半结构化、⾮结构化数据。
垂直⾏业知识库（特定领域）：IMDB（影视）、MusicBrainz（⾳乐）、ConceptNet（概念）等。
contracting⼀、知识图谱的关键技术
知识抽取、知识表⽰、知识融合以及知识推理
1. 知识抽取
⾯向开放的链接数据，通过⾃动化的技术抽取出可⽤的知识单元（三元组）。
实体抽取
1.2 关系抽取
早期：⼈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⼈⼯构造；
地震中的父与子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）
1.3 属性抽取（针对实体⽽⾔）
可以将实体属性的抽取问题转换为关系抽取问题
2. 知识表⽰
将实体的语义信息表⽰为稠密低维实值向量，进⽽再低维空间中⾼效计算实体、关系及其之间的复杂语义关联。
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（N
LP）等提供了极⼤的便利cet6准考证打印入口>canus
2、
3. 知识融合
进⾏异构数据整合、消歧、加⼯、推理验证、更新等，形成⾼质量知识库
younthflexible3.1 实体对齐
world cup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；
山西财经大学怎么样（3）对齐算法（成对实体对齐、全局（局部）集合实体对齐）进⾏实例融合。
3.2 知识加⼯
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。
3.2.1 本体构建
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。
可分为⼈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。
3.2.2 质量评估
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。
3.3 知识更新
主要包括模式层的更新与数据层的更新。
4. 知识推理儿童英语迈格森
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。
知识推理的对象：实体、关系、属性、本体库中概念的层次结构等。
paycheck4.1 基于逻辑的推理
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。
4.2 基于图的推理
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.
