最近读了这本书，在思路上很有启发，对知识图谱有了初步的认识，以下是原书前5章的读书笔记，很多内容需要结合原书才更好理解。
知识图谱表示与建模、存储
知识表示
RDF：
RDF(Resource Description Framework)，即资源描述框架，RDF由节点和边组成，
节点表示实体/资源、属性，边则表示了实体和实体之间的关系以及实体和属性的关系
例如，罗纳尔多----职业----足球运动员
OWL：
即“Web Ontology Language”，语义网技术栈的核心之一。
在rdf的基础上，可以进一步说明每一个属性的阈值、限制条件（例如这个属性是日期等数据属性，或者是否具有四级证书等对象属性）
例如下例，表明职业这个属性属于person，是一种DatatypeProperty，必须是字符串
career rdf:type owl:DatatypeProperty;
rdfs:domain :Person;
rdfs:range xsd:string.
知识图谱的建模
独热编码、词袋模型、词向量、词嵌入等
将实体映射到高维空间，即知识图谱嵌入或知识表示学习。 包括两种方法，距离转移模型TransE、PTransE和【文献1】，或语义匹配模型rescal， 前者主要描述首位实体的距离，后者主要挖掘实体之间的关系和潜在寓意。
【文献1】：Knowledge Graph and text jointly embedding，emnlp 2015，wang zheng
知识存储
三元组：
按照主语、谓语、宾语三列来存储
缺点是跨表查询太复杂
水平表：
以主语作为主键，把所有的关系和属性作为索引列
例如以ibm为主键，存储这家公司的雇员数量、创建年份、创立者、所属国家等
有点是查询方便，缺点是空值太多
属性表：
对水平表细化，将同类主语存入一张表，例如将ibm和微软存入一张表，将创始人比尔盖茨和相关属性（生卒年月、地址等）
缺点是属性太多，并且在跨表操作时仍有限制
垂直划分：
只包含两列，将水平表中的索引作为表名，例如将所属国家作为划分依据，那么就会得到“ibm-美国”、“微软-美国”等
缺点是不是和做表的连接操作
六重索引：
空间换时间，将三元组所需的主谓宾三种元素进行全排列，得到原来六倍体积的表
这样每一种单表查询都可以快速地完成，原来需要进行多个表的跨表操作，现在在六重索引中能减少连接的次数
缺点是体积大，并且更新索引、插入数据都更难
db2rdf：
主语对应的表中存多个值，
例如ibm属于硬件、互联网、软件三个企业，
那么在主语表就令ibm的“领域”字段为1，在主语外表中，将1作为主键，对应“硬件、互联网、软件”三个值（三个值可以存到一列或多列中）
宾语中也存放多个值
例如“硬件”领域中有ibm、中科曙光两家企业，
那么在谓语表中令“硬件”的对应字段为1，在谓语外表中，令1为主键，且对应“ibm、中科曙光”两个值（两个值可以存到一列或多列中）
以主语表为例，假设所有实体只有三个字段与外表对应，那么就好处理；当与外表对应的字段不确定时，可以按照下面的格式跨表存储：
主语 | spill | filed1 | val1 | filed2 | val2 |.........| filed k | val k
idm | 1 | 领域 | 外表1 | 地址 | 美国 |.........| 人数 | 50000
ibm | 1 | 营收 | 1亿 |
知识抽取与知识挖掘
知识抽取
非结构化数据的命名实体识别：
实体抽取的方法包括马尔可夫，最大熵、lstm-crf等
非结构化数据的关系抽取：
关系抽取的基本方法包括模板法，流水线深度学习（实体识别和关系抽取分开）、联合关系抽取（实体识别和关系抽取不分开）
基于弱监督学习的抽取方法包括远程监督（例如知识图谱中有乔布斯和苹果的关系，那么就把所有包含这两个词的句子作为数据去学习）、
bootstrapping方法（只用少量已标记数据，训练一个模型，把模型作用在未标记数据上，从中抽取新的关系并迭代这个过程）
半结构化面向web和百科的数据抽取：
web手工方法：找xpath路径
web包装器方法：在标注数据上找到不同的xpath集合，从中归纳若干子集，并使这些子集能覆盖尽可能多的夺得标注数据
web自动抽取：通过聚类找到xpath的共现模式并聚类，在每一类中再去寻找包装器并使用
百科数据抽取：利用各种属性分类信息、链接信息（同义词，反义词）、内部链接（例如张楚岚词条中有一个“战绩”的内部链接，
那么就可以把战绩作为新知识加到张楚岚的实体中）
事件抽取：
类似于关系抽取
指代歧义消除
例如提到了“乔丹”（m），判断指的是“篮球运动员乔丹”（e1）还是“大学教授乔丹”（e2）
真实所指的对象为e1的概率，等于e1自身的概率，乘以m出现的情况下e1出现的概率，再乘上下文环境(例如体育报道中)中e1出现的概率。
规则挖掘
1.例如预测 球员 和 所属职业联赛 的关系，比如 张稀哲 属于 中超，
那么连接 张稀哲 和 中超 之间的路径中， 球员效力于球队 和 球队属于联赛 这两个路径就很重要。
需要用到 路径排序算法（path ranking algorithm）
2.路径较多时，可以用随机游走算法计算 路径被选中 的概率，概率较大的路径具备更强解释性与置信度，可以作为规则。
例如 球员 和 所属职业联赛= 球员效力于球队的概率 乘 球队属于联赛的概率
知识图谱融合
本体映射与集成
本体映射：一般指概念间的映射，在异构本体中建立映射规则，以便信息传递，一般指概念间的映射，而不是实例间的映射。
本体集成：把这些本体融合成一个本体，例如把几个实例融合成一个，或者把几个概念融合到一起
本体映射方法
1.比较本体间字符串的相似程度、属于见的同义词关系等；
2.比较本体的结构，例如属性个数、属性的数据类型等；方法包括AnchorPROMPT、iPROMPT、MAFRA等方法。
3.基于实例的本体映射，看有多少实例是重复的、重复比例是多少；方法包括Jaccard和最特化双亲MSP方法。
实例匹配与融合
就是把不同实体融合到一起，例如 北京国安俱乐部 和 国安足球俱乐部 实际上是一个俱乐部。
方法1：
快速相似度计算，时间复杂度0(n^2t)，n为实体个数，t为属性数量
方法2：
em挖掘匹配规则，可以参考论文 an effective rule miner for instance matching in a web of data，NIU X,RONG S
方法3：
分治法，把大规模知识图谱分解到k个小的类簇中，
例如，利用数据库中用户的邮编和姓名进行划分，在两个族中进行匹配，匹配之后再去融合。
方法4：
基于索引，可以将实例的名称，进行分词并保留关键词作为名称索引a（可以把邻居节点进行类似处理，得到虚拟索引b）
再根据名称索引a或虚拟索引b建立倒排索引，以便筛选出相似的实例；
筛选时，可以自行发挥以提升效率，例如针对每一个分词建立一个倒排索引，或者针对二项分词建立联合索引；
筛选结束后，再去进行相似度计算，进行最终融合。
方法5：
在论文作者融合中，首先对文本进行相似词汇处理，构造社群网络（合作关系图），将网络中相似的节点进行融合（此时网络是高度内聚的）；
迭代结束之后，使用svm进行训练，训练数据由正例反例做差得来。（例如，作者A发表文献的年份是1、2、3，作者a发表的年份是1、2、3，
作者B发表的年份是3、4、5，那么在年份这一列上，a和A的区别是0，B和A的区别是2，构造出其他列之后再去训练svm）
也就是说整体分成两部分，首先使用社交网络发掘相似关系并进行合并，之后再从中选取正反例作差，训练svm
参见 A semi-supervised framework for author disambiguation in academic socialnetwork ，kdd2013，zhao j y，wang p
相关文章
您阅读本篇文章共花了：
发表评论