知識(shí)圖譜構(gòu)建方法研究

1、1基于多數(shù)據(jù)源的知識(shí)圖譜構(gòu)建方法研究基于多數(shù)據(jù)源的知識(shí)圖譜構(gòu)建方法研究摘要：摘要：針對(duì)多數(shù)據(jù)源的融合應(yīng)用，構(gòu)建了基于多數(shù)據(jù)源的知識(shí)圖譜。首先，對(duì)不同領(lǐng)域內(nèi)的數(shù)據(jù)源構(gòu)建相應(yīng)本體庫，并將不同本體庫通過數(shù)據(jù)融合映射到全局本體庫，然后，利用實(shí)體對(duì)齊和實(shí)體鏈接方法進(jìn)行知識(shí)獲取和融合，最后，搭建知識(shí)圖譜應(yīng)用平臺(tái)，提供查詢和統(tǒng)計(jì)等操作。在實(shí)體對(duì)齊方面，利用傳統(tǒng)的基于相似性傳播實(shí)體對(duì)齊方法，獲得良好的實(shí)體對(duì)齊效果；在實(shí)體鏈接方面，提出了基于約束嵌入轉(zhuǎn)換

2、的預(yù)測(cè)推理方法，實(shí)驗(yàn)結(jié)果表明，在預(yù)測(cè)準(zhǔn)確率上取得較好的結(jié)果。0引言引言在大數(shù)據(jù)時(shí)代背景下，隨著海量數(shù)據(jù)的出現(xiàn)以及多數(shù)據(jù)源融合交叉應(yīng)用，傳統(tǒng)的數(shù)據(jù)管理模式以及查詢方式受到一定的制約。近年來，知識(shí)圖譜（KnowledgeGraph）[1]作為一種新的知識(shí)表示方法和數(shù)據(jù)管理模式，在自然語言處理、問題回答、信息檢索等領(lǐng)域有著重要的應(yīng)用。知識(shí)圖譜是結(jié)構(gòu)化的語義知識(shí)庫，用于以符號(hào)形式描述物理世界中的概念及其相互關(guān)系；其基本組成單位是“實(shí)體關(guān)系實(shí)體”

3、三元組，以及實(shí)體及其相關(guān)屬性值對(duì)，實(shí)體間通過關(guān)系相互聯(lián)結(jié)，構(gòu)成網(wǎng)狀的知識(shí)結(jié)構(gòu)[2]。隨著谷歌知識(shí)圖譜的發(fā)布，知識(shí)圖譜的構(gòu)建與應(yīng)用研究引起了學(xué)術(shù)界和工業(yè)界的廣泛關(guān)注。在國內(nèi)，知識(shí)圖譜的構(gòu)建與研究已經(jīng)起步，相應(yīng)取得許多重要的研究成果。如：搜狗的知立方、百度知心；復(fù)旦大學(xué)GDM實(shí)驗(yàn)室設(shè)計(jì)了一種面向圖書閱讀領(lǐng)域的中文知識(shí)圖譜[3]；金貴陽等[4]利用知識(shí)圖譜和語義網(wǎng)技術(shù)，提出構(gòu)建企業(yè)知識(shí)圖譜的方法，并應(yīng)用于鋼鐵企業(yè)信息集成，提高了企業(yè)信息查詢的

4、效率；胡芳槐[5]在博士論文中研究了基于多數(shù)據(jù)源的中文知識(shí)圖譜構(gòu)建方法，涉及到本體層構(gòu)建、實(shí)體層的學(xué)習(xí)等，同時(shí)構(gòu)建行業(yè)領(lǐng)域知識(shí)圖譜的應(yīng)用平臺(tái)；王巍巍等[6]構(gòu)建了雙語影視知識(shí)圖譜，包括影視本體庫的構(gòu)建、實(shí)體的鏈接、實(shí)體匹配等，并搭建了應(yīng)用平臺(tái)與開放數(shù)據(jù)訪問接口；鄂世嘉等[7]提出了一種端到端基于中文百科數(shù)據(jù)的中文知識(shí)圖譜自動(dòng)化構(gòu)建方案，并開發(fā)面向用戶的中文知識(shí)圖譜系統(tǒng)?，F(xiàn)有的行業(yè)領(lǐng)域知識(shí)圖譜通常采用手工構(gòu)建方式，缺乏統(tǒng)一的構(gòu)建方法，且這

5、類知識(shí)庫目標(biāo)是特定行業(yè)領(lǐng)域，因此，其描述范圍極為有限。針對(duì)這些問題，提出了將不同領(lǐng)域知識(shí)庫進(jìn)行融合成一個(gè)知識(shí)圖譜，旨在構(gòu)建語義一致、結(jié)構(gòu)一致的多數(shù)據(jù)融合知識(shí)圖譜，實(shí)現(xiàn)對(duì)不同領(lǐng)域內(nèi)的知識(shí)進(jìn)行查詢和展示，從而提高了數(shù)據(jù)查詢效率。本文提出一個(gè)多數(shù)據(jù)源融合的知識(shí)圖譜構(gòu)建流程，并對(duì)關(guān)鍵技術(shù)進(jìn)行研究，包括數(shù)據(jù)源的獲取、領(lǐng)域本體庫的構(gòu)建、全局本體庫的構(gòu)建、實(shí)體對(duì)齊、實(shí)體鏈接以及應(yīng)用平臺(tái)的搭建。文中利用某地區(qū)的醫(yī)院醫(yī)療保健數(shù)據(jù)、空氣污染監(jiān)測(cè)數(shù)據(jù)和環(huán)境監(jiān)

6、測(cè)數(shù)據(jù)，構(gòu)建了多數(shù)據(jù)融合的知識(shí)圖譜。1知識(shí)圖譜構(gòu)建過程知識(shí)圖譜構(gòu)建過程知識(shí)圖譜構(gòu)建是知識(shí)圖譜得以應(yīng)用發(fā)展的前提，涉及實(shí)體抽取和實(shí)體及實(shí)體之間關(guān)系的建立，同時(shí)還需要很好地組織和存儲(chǔ)抽取的實(shí)體與關(guān)系信息，使其能夠被迅速的訪問和操作[8]。知識(shí)圖譜構(gòu)建過程通?？梢苑殖蓛刹剑褐R(shí)圖譜本體層構(gòu)建和實(shí)體層的學(xué)習(xí)[5]。本體層構(gòu)建通常包含術(shù)語抽取、同義詞抽取、概念抽取、分類關(guān)系抽取、公理和規(guī)則學(xué)習(xí)；實(shí)體層學(xué)習(xí)則包含實(shí)體學(xué)習(xí)、實(shí)體數(shù)據(jù)填充、實(shí)體對(duì)齊和實(shí)

7、體鏈接等。知識(shí)圖譜的構(gòu)建方法通常有自頂向下和自底向上兩種[2]。所謂自頂向下的方法是指先構(gòu)建知識(shí)圖譜的本體，即從行業(yè)領(lǐng)域、百科類網(wǎng)站及其它等高質(zhì)量的數(shù)據(jù)源中，提取本體和模式信息，添加到知識(shí)庫中；而自底向上的方法是指從實(shí)體層開始，借助于一定的技術(shù)手段，對(duì)實(shí)體進(jìn)行歸納組織、實(shí)體對(duì)齊和實(shí)體鏈接等，并提取出具有較高置信度的新模式，經(jīng)人工審核后，加入到知識(shí)圖譜中。然而，在實(shí)際的構(gòu)建過程中，并不是兩種方法孤立單獨(dú)進(jìn)行著，而是兩種方法交替結(jié)合的過程。

8、本文在構(gòu)建多數(shù)據(jù)源的知識(shí)圖譜時(shí)采用兩種方法的結(jié)合，首先采用自頂向下的方式來構(gòu)建本體庫，然后采用自底向上的方式進(jìn)行提取知識(shí)來擴(kuò)展知識(shí)圖譜。3概念之間的關(guān)系、概念與屬性間的聯(lián)系。因此，要利用一定的規(guī)則將關(guān)系模式映射為本體模型。本文設(shè)計(jì)了一系列轉(zhuǎn)換規(guī)則，如：將關(guān)系模式中的表名轉(zhuǎn)換為本體中的概念名；表與表間的關(guān)系轉(zhuǎn)換為本體中的概念與概念的關(guān)系；將關(guān)系模式中的字段名轉(zhuǎn)換為本體的屬性名等。通過上述的轉(zhuǎn)換規(guī)則，可以獲得領(lǐng)域本體模型。最后，對(duì)領(lǐng)域本體模

9、型進(jìn)行評(píng)估和校驗(yàn)。該部分重點(diǎn)是對(duì)所構(gòu)造的領(lǐng)域本體模型進(jìn)行檢驗(yàn)，查看是否滿足本體庫的構(gòu)建原則，本體模型中的術(shù)語是否正確，本體模型中的概念及其關(guān)系是否完整等。通過對(duì)本體模型評(píng)估后，可以建立領(lǐng)域內(nèi)的本體庫。關(guān)系數(shù)據(jù)庫可具有完整的數(shù)據(jù)模式，包含完整的表結(jié)構(gòu)和完整性約束條件。因此可以將數(shù)據(jù)庫中的關(guān)系名轉(zhuǎn)換為本體中的概念，部分字段名轉(zhuǎn)換為本體中的屬性，示例如下：另外，為了擴(kuò)充和完善領(lǐng)域本體庫，需要對(duì)非關(guān)系型的數(shù)據(jù)進(jìn)行采集和填充。本文對(duì)行業(yè)領(lǐng)域內(nèi)的半

10、結(jié)構(gòu)化數(shù)據(jù)進(jìn)行結(jié)構(gòu)化處理，對(duì)相應(yīng)百科網(wǎng)站通過網(wǎng)頁爬蟲技術(shù)獲取相應(yīng)的知識(shí)，并將半結(jié)構(gòu)化數(shù)據(jù)轉(zhuǎn)換成結(jié)構(gòu)化數(shù)據(jù)，最后利用上述關(guān)系數(shù)據(jù)轉(zhuǎn)換成本體的規(guī)則進(jìn)行轉(zhuǎn)換。2）全局本體庫構(gòu)建為了能便于構(gòu)建多數(shù)據(jù)融合的知識(shí)圖譜，需要將多個(gè)領(lǐng)域內(nèi)的本體庫進(jìn)行融合，構(gòu)建全局本體庫。其過程如圖3所示。在上述構(gòu)建的領(lǐng)域本體庫基礎(chǔ)上，通過相似性檢測(cè)和沖突解決等規(guī)則，將多個(gè)領(lǐng)域的本體庫融合在一起組成了全局本體庫。其步驟如下：首先，由于不同領(lǐng)域內(nèi)的本體庫進(jìn)行知識(shí)融合，對(duì)存

11、在著一些相同或相似的概念和屬性等，采用了相似性檢測(cè)規(guī)則對(duì)這些不同領(lǐng)域內(nèi)的本體進(jìn)行檢測(cè)。如：語義相似性檢測(cè)、概念相似性檢測(cè)、屬性相似性檢測(cè)、數(shù)據(jù)格式相似性檢測(cè)等。通過這些相似性檢測(cè)后，能將不同領(lǐng)域內(nèi)的相同或相似本體進(jìn)行統(tǒng)一，但并不能解決它們之間的沖突。抽取關(guān)系模式關(guān)系模式映射成本體的一些轉(zhuǎn)換規(guī)則獲取領(lǐng)域本體模型評(píng)估與校驗(yàn)領(lǐng)域內(nèi)的本體庫領(lǐng)域內(nèi)的關(guān)系數(shù)據(jù)庫領(lǐng)域本體庫1領(lǐng)域本體庫n全局本體庫根據(jù)相似性檢測(cè)規(guī)則將相似概念進(jìn)行統(tǒng)一根據(jù)沖突解決規(guī)則對(duì)

12、相似或相近的概念進(jìn)行消除歧義、冗余和錯(cuò)誤將不同領(lǐng)域本體進(jìn)行知識(shí)融合對(duì)剩余的領(lǐng)域本體進(jìn)行沖突解決及實(shí)體消岐等其次，采用沖突解決規(guī)則對(duì)上面存在著相似概念或?qū)傩缘冗M(jìn)行解決。通過沖突解決規(guī)則可以消除概念的歧義，剔除冗余和錯(cuò)誤概念，從而保證全局本體庫的質(zhì)量。主要是對(duì)上述中存在著相近或相似的概念或?qū)傩赃M(jìn)行消除，使其達(dá)到統(tǒng)一，并合并為全局本體。將關(guān)系名轉(zhuǎn)換為本體概念的OWL語言：…….將字段名轉(zhuǎn)換為屬性名的OWL語言：…….圖3全局本體庫構(gòu)建過程Fi