中文知识图谱构建方法研究3

最新推荐文章于 2022-07-16 15:44:19 发布

原创最新推荐文章于 2022-07-16 15:44:19 发布 · 3k 阅读

6 ·

CC 4.0 BY-SA版权

知识图谱专栏收录该内容

4 篇文章

订阅专栏

本文介绍了知识图谱在语义检索、知识导航及决策支持等领域的应用案例，并探讨了其背后的实现原理和技术挑战。

3 知识的应用

3.1 语义检索

传统的检索是基于关键词，搜索引擎并不理解用户的输入，仅对用户的输入进行切分得到关键词，得到关键词后再与目标数据进行匹配，把匹配的结果通过一定的排序算法返回给用户，用户在这些结果中选取想要的目标结果。

基于知识图谱的语义检索的目标在于理解用户的输入，为用户给出更加直接和准确的答案。语义检索分为三个过程：

（1）通过分词和实体识别从输入中识别概念、实体和属性；

（2）结合知识图谱的数据模式，对识别的结果进行理解；

（3）把理解的结果在目标数据集上进行搜索并返回结果；

如图所示，用户搜索“罗志祥的年龄”，不仅列出了罗志祥的年龄，还给出了罗志祥相关度较大的人物的年龄，右侧显示了罗志祥的关系图谱以及同年出生的人。这些检索结果看似简単，但这些场景背后蕴含着极其丰富的信息：首先，搜索引擎需要知道用户输入中的“罗志祥”代表的是一个人；其次，需要同时明白“年龄”一词代表什么含义；最后，还需要在后台有丰富的知识图谱数据的支撑，才能回答用户问题。

图3.1 搜狗搜索结果快照

3.2 知识导航

知识图谱包括了概念、实体以及它们之间的关系，是一个具备体系结构的知识库，因此可以辅助和引导用户进行学习：

（1）实体和概念本身的知识，通常以知识卡片的形式提供；

（2）实体、概念之间的关联关系，主要包括上下位层次关系和属性关系；

3.3 决策支持

决策支持系统，是一种辅助人类做决策的信息系统，强调的是支持而非替代人类进行决策。决策的过程主要是对数据、信息及相关资料进行统计与分析，从中发现数据的规律，为用户决定提供参考。

基于知识图谱的决策支持系统的优点如下：

（1）使得一些无结构或者离散孤立的数据的利用变得可能；

（2）同时也可以使用多种类型的数据进行综合分析，提供推理功能，更好地辅助用户决策。

基于知识图谱的决策支持系统的使用方法如下：

（1）使用基于自然语言的语义查询来获取结果；

（2）也可以使用所提供的SPARQL查询接口或RESTful接口进行知识的搜索；

4 参考文献

[1] Buitelaar P, Cimiano P, Magnini B. Ontologylearning from text: methods, evaluation and applications[M]. IOS press, 2005.

[2] Maedche A, Staab S. The text-to-onto ontologylearning environment[C]//Software Demonstration at ICCS-2000-EightInternational Conference on Conceptual Structures. 2000, 38.

[3] Stojanovic L, Stojanovic N, Volz R. Migratingdata-intensive web sites into the semantic web[C]//Proceedings of the 2002 ACMsymposium on Applied computing. ACM, 2002: 1100-1107.

[4] Shinzato K, Torisawa K. Acquiring HyponymyRelations from Web Documents[C]//HLT-NAACL. 2004: 73-80.

[5] 维基百科中文版. https://zh.wikipedia.org/wiki/%E4%B8%AD%E6%96%87%E7%BB%B4%E5%9F%BA%E7%99%BE%E7%A7%91

[6] 互动百科. http://www.baike.com/

[7] 百度百科. http://baike.baidu.com/

[8] Yin X, Shah S. Building taxonomy of web searchintents for name entity queries[C]//Proceedings of the 19th international conferenceon World wide web. ACM, 2010: 1001-1010.

[9] Pasca M. Turning Web Text and Search Queriesinto Factual Knowledge: Hierarchical Class Attribute Extraction[C]//AAAI. 2008:1225-1230.

[10] Novak J D, Cañas A J. The theory underlyingconcept maps and how to construct and use them[J]. 2008.

[11] A.A Krizhanovsky and A.V. Smirnov. An approachto automated construction of a general-purpose lexical ontology based onWiktionary. Journal of Computer and Systems SciencesInternational,2013,52:215-225.

[12] HowNet.http://www.keenage.com/

[13] 梅家驹，高蕴奇.《同义词词林》.上海辞书出版社，1983.

[14] Auer S, Bizer C, Kobilarov G, et al. Dbpedia: Anucleus for a web of open data[M]. Springer Berlin Heidelberg, 2007.

[15] Fabian M S, Gjergji K, Gerhard W. YAGO: A coreof semantic knowledge unifying wordnet and wikipedia[C]//16th InternationalWorld Wide Web Conference, WWW. 2007: 697-706.

[16] Freebase. https://www.freebase.com/

[17] Niu X, Sun X, Wang H, et al. Zhishi. me-weavingchinese linking open data[M]//The Semantic Web–ISWC 2011. Springer BerlinHeidelberg, 2011: 205-220.

[18] Volz J, Bizer C, Gaedke M, et al. Discoveringand maintaining links on the web of data[M]. Springer Berlin Heidelberg, 2009.