hairuo的论坛回复_云社区-华为云

知识图谱的构建方法，主要包含4大类：逻辑建模，隐含空间分析，人机交互，本体模型。如图：知识图谱的自动构建和数据挖掘有一定的关联，自动构建知识图谱和手动构建不是一个概念。简单介绍一下图中的部分概念：（1）知识表示：知识表示学习的代表模型有距离模型、单层神经网络模型、双线性模型、神经张量模型、矩阵分解模型、翻译模型等。详细可以参考清华大学刘知远的知识表示学习研究进展。（2）单层神经网络模型：式中向量Ut是关系r的向量化表示，函数g(x)为tanh(x)函数，Mr,1和Mr,2是通过关系r定义的两个矩阵。（3）知识推理：所谓知识推理就是通过各种方法获取新的知识或者结论，这些知识和结论满足语义，其具体任务可分为可满足性、分类、实例化。目前知识推理的研究主要集中在针对知识图谱缺失关系的补足，即挖掘两个实体之间隐含的语义关系。读了一些博客文章的介绍之后，我认为：知识图谱构建的关键技术，包括关系抽取技术、知识融合技术、实体链接技术和知识推理技术。A.实体关系识别技术：基于统计学的方法在实体关系识别时需要加入实体关系上下文信息确定实体间的关系，然而基于监督的方法依赖大量的标注数据，因此半监督或者无监督的方法受到了更多关注。（1）监督学习：无论是流水线方法还是联合抽取方法，都属于有监督学习，因此需要大量的训练语料，尤其是对基于神经网络的方法，需要大量的语料进行模型训练，因此这些方法都不适用于构建大规模的 Knowledge Base。（2）半（弱）监督学习：半监督学习主要是利用少量的标注信息进行学习，这方面的工作主要是基于 Bootstrap 的方法。（3）无监督学习：无监督学习一般利用语料中存在的大量冗余信息做聚类，在聚类结果的基础上给定关系，但由于聚类方法本身就存在难以描述关系和低频实例召回率低的问题，因此无监督学习一般难以得很好的抽取效果。B.知识融合技术：知识融合（knowledge fusion）指的是将多个数据源抽取的知识进行融合。与传统数据融合（datafusion）任务的主要不同是，知识融合可能使用多个知识抽取工具为每个数据项从每个数据源中抽取相应的值，而数据融合未考虑多个抽取工具。由此，知识融合除了应对抽取出来的事实本身可能存在的噪音外，还比数据融合多引入了一个噪音，就是不同抽取工具通过实体链接和本体匹配可能产生不同的结果。另外，知识融合还需要考虑本体的融合和实例的融合。在知识融合技术中，本体匹配扮演着非常重要的角色，提供了概念或者实体之间的对应关系。截止目前，人们已经提出了各种各样的本体匹配算法，一般可以分为模式匹配（schema matching）和实例匹配（instance matching），也有少量的同时考虑模式和实例的匹配[32-34]。从技术层面来讲，本体匹配可分为启发式方法、概率方法、基于图的方法、基于学习的方法和基于推理的方法。下面围绕模式匹配和实例匹配，具体介绍各自分类中几个具有代表性的匹配方法。C.实体链接技术：歧义性和多样性是自然语言的固有属性，也是实体链接的根本难点。（1）基于概率生成模型方法：韩先培和孙乐提出了一种生成概率模型，将候选实体 e 出现在某页面中的概率、特定实体 e 被表示为实体指称项的概率以及实体 e 出现在特定上下文中的概率三者相乘，得到候选实体同实体指称项之间的相似度评分值。（2）基于主题模型的方法：张等人通过模型自动对文本中的实体指称进行标注，生成训练数据集用于训练 LDA 主题模型，然后计算实体指称和候选实体的上下文语义相似度从而消歧得到目标实体。（3）基于图的方法：Han 等人构造了一种基于图的模型，其中图节点为所有实体指称和所有候选实体；图的边分为两类，一类是实体指称和其对应的候选实体之间的边，权重为实体指称和候选实体之间的局部文本相似度，采用词袋模型和余弦距离计算得出。另一类是候选实体之间的边，权重为候选实体之间的语义相关度，采用谷歌距离计算。（4）基于深度神经网络的方法：周明和王厚峰等人提出了一种用于实体消歧的实体表示训练方法。该方法对文章内容进行自编码，利用深度神经网络模型以有监督的方式训练实体表示，依据语义表示相似度对候选实体进行排序，但该方法是一种局部性方法，没有考虑同一文本中共同出现的实体间相关性。D.知识推理技术：（1）基于符号逻辑的推理方法：为了使得语义网络同时具备形式化语义和高效推理，一些研究人员提出了易处理（tractable）概念语言，并且开发了一些商用化的语义网络系统。（2）基于统计的推理方法：知识图谱中基于统计的推理方法一般指关系机器学习方法，如：实体关系学习方法，类型推理方法，模式归纳方法PS:以上内容是我研读一些论文的相关研究总结的内容和所学到的，不足和错误之处请谅解！