1、KG定義

1.1 背景知識

????????人工智能分為三個層次，分別是運算智能，感知智能和認知智能。運算智能是讓機器能存會算；感知智能是讓機器能聽會說、能看會認；認知智能是解決機器能理解會思考的問題。由于知識圖譜的數(shù)據(jù)組織方式是計算機能理解的，認知智能需要知識圖譜。????????

?1.2 知識圖譜概念

? ? ? ? KG（Knowledge Graph/Vault），又稱科學(xué)知識圖譜，用各種不同的圖形等可視化技術(shù)描述知識資源及其載體，挖掘、分析、構(gòu)建、繪制和顯示知識及它們之間的相互聯(lián)系。

????????下面提供兩條相對準確的定義以供參考。

????????定義1（Ehrlinger et al.）：A knowledge graph acquires and integrates information into an ontology and applies a reasoner to derive new knowledge.?知識圖譜獲取信息并將其集成到本體中，并應(yīng)用推理器來獲取新知識。

????????定義2（Wang et al.）：A knowledge graph is a multi-relational graph composed of entities and relations which are regarded as nodes and different types of edges, respectively.?知識圖譜是由實體和關(guān)系組成的多關(guān)系圖，實體和關(guān)系分別被視為節(jié)點和不同類型的邊。

? ? ? ?KG可以看作圖，圖由節(jié)點和邊組成。節(jié)點表示?抽象的概念（如人工智能、知識圖譜等）或是實體（如一個人、一本書等）。邊可以是實體的屬性（如姓名、書名）或是實體之間的關(guān)系（如朋友、配偶）。

? ? ? ?KG的發(fā)展經(jīng)理了從邏輯知識--> 詞典--> 知識圖的歷程，其本質(zhì)是海量信息無序-->有序-->有用。

????????典型應(yīng)用： 維基百科、DBpedia、Yago、清華大學(xué)XLORE。

1.3?相關(guān)術(shù)語

概念：具有同等性質(zhì)的實體構(gòu)成的集合，用來表示集合、類別、對象類型、事務(wù)的種類等。

與WordNet等早起本體知識構(gòu)建不同，現(xiàn)有方法多在傳統(tǒng)分類法中結(jié)合大眾分類和機器學(xué)習(xí)來構(gòu)建語義網(wǎng)絡(luò)分類體系。

實體：具有可區(qū)分且獨立存在的某種事物，實體是KG中的最基本元素。

屬性：是對概念和實體外延或者內(nèi)涵的描述。

屬性值：對象、屬性的值。

關(guān)系：把圖中節(jié)點映射到布爾值的函數(shù)。

內(nèi)容：作為實體和語義類的解釋，用文本或音視頻來表達。

從DBpedia可以看出，概念的增長緩慢，但是屬性增長很快。

2、KG的表示

KG中的每兩個節(jié)點和節(jié)點之間的連線構(gòu)成了三元組，三元組是KG的一種通用表示方法。

主要包括兩種形式：

1.?“實體-關(guān)系-實體”，比如 中國-首都-北京

2.“實體-屬性-屬性值”，比如 北京-人口-2069萬人

還包括“is-a ” 和 “subclass-of”兩類。

????????KG由一條條知識組成，每條知識表示為一個SPO（Subject-Predicate-Object，主謂賓三元組）即： 資源-屬性-屬性值

????????知識圖譜分為模式層和數(shù)據(jù)層。模式層是數(shù)據(jù)的模式，是對數(shù)據(jù)層的提煉。數(shù)據(jù)層是具體的數(shù)據(jù)。

舉個例子

3、KG的存儲與查詢

? ? ? ? 3.1基于RDF結(jié)構(gòu)

????????RDF（Resource Description FrameWork，資源描述框架），RDF是使用XML語法來表示的數(shù)據(jù)模型。RDF的功能是用以三元組的形式于描述資源的特性以及資源之間的關(guān)系，一種以文本的形式逐行存儲三元組數(shù)據(jù)。

????????可以利用關(guān)系型數(shù)據(jù)庫對知識圖譜進行存儲。我們可以將圖數(shù)據(jù)用三元組表示，將每一個三元組作為表中的一行記錄。
????????下面是查詢生于1850年，死于1934年，創(chuàng)建過公司的人。
????????采用關(guān)系型數(shù)據(jù)庫存儲，多跳查詢會產(chǎn)生自連接（self-join）操作。
????????比如A->B為一跳，A->B->C為兩跳。? ?? ????????也可以采用水平表的方式進行存儲，每一行存儲一個主語對應(yīng)的所有的謂語和賓語。這種存儲方式適合于謂詞較少的知識圖譜。
????????主語一般只在極少的列上有值，導(dǎo)致存儲空間浪費。
????????并且這種存儲方式很難存儲多值屬性或者一對多關(guān)系。
????????比如函數(shù)的三要素是定義域、值域和對應(yīng)法則，用水平表存儲這種多值屬性，需要對值拼接后才能存儲。????????

????????也可以按照實體的類型對知識圖譜進行劃分，這種方式適合于實體類別較少的情況。
同樣地，存儲多值屬性或一對多關(guān)系需要對值進行拼接。????????

????????也可以根據(jù)謂詞對知識圖譜進行劃分。對每一個謂詞創(chuàng)建一張表。這種方式解決了數(shù)據(jù)存儲稀疏性問題，也可以存儲多值屬性。但是涉及多個謂詞的查詢會導(dǎo)致多表連接操作。????????

????????3.2 基于圖數(shù)據(jù)庫

? ? ? ? 免費開源的圖數(shù)據(jù)庫例如Neo4j、JanusGraph、Nebula Graph等。

? ? ? ? 3.2.1 數(shù)據(jù)存儲

????????圖數(shù)據(jù)庫是以圖的方式來保存的，圖數(shù)據(jù)庫的優(yōu)點在于查詢和搜索的速度比較快 ，并且在圖數(shù)據(jù)庫中實體節(jié)點可以保留屬性，這就意味著實體可以保留更多的信息，此外圖數(shù)據(jù)庫像其他的關(guān)系數(shù)據(jù)庫一樣有完整的查詢語句，支持大多數(shù)的圖挖掘算法。

????????目前使用范圍最廣的圖數(shù)據(jù)庫為Neo4j。

? ? ? ? 屬性圖(property graph)是圖數(shù)據(jù)庫中最常用的數(shù)據(jù)模型，由節(jié)點和邊構(gòu)成。
????????比如下面這幅圖，有三個節(jié)點，每個節(jié)點表示一個對象。
????????第一個節(jié)點的標簽是Employee，這個節(jié)點的屬性用鍵值對存儲，比如姓名為Amy peters, 出生日期為1984年3月1日，ID為1。
????????Company 和 Employee之間有邊HAS_CEO，邊上也可以有屬性，比如Company has CEO 開始日期為2008年。

????????

? ? ? ? 3.2.2 數(shù)據(jù)查詢
????????下面是一個圖數(shù)據(jù)庫查詢1號節(jié)點認識的節(jié)點中，年齡大于30的節(jié)點參加過的項目。

????????其中Gremlin和Cypher是圖數(shù)據(jù)庫兩種查詢語言。Gremlin是過程式（procedural）語言；用戶需指明具體的導(dǎo)航步驟，也就是在圖上怎么走；它是業(yè)界標準查詢語言，除了Neo4j外，幾乎所有圖數(shù)據(jù)庫均支持。Cypher是Neo4j專用語言，它是聲明式（declarative）語言；用戶只需聲明“查什么”, 無需關(guān)心“怎么查”。

????????

? ? ? ? 兩種方式的特性對比如下：

4、KG的構(gòu)建

? ? ? ?4.1 構(gòu)建概述

????????從數(shù)據(jù)來源來說，包括從結(jié)構(gòu)化，半結(jié)構(gòu)化和非結(jié)構(gòu)化的海量數(shù)據(jù)中抽取知識，構(gòu)建圖譜。

????????按構(gòu)建者分，可以分為眾包構(gòu)建和自動化構(gòu)建。眾包構(gòu)建，就是利用許多人進行編輯，構(gòu)建知識圖譜，維基百科，百度百科都是眾包構(gòu)建的。自動化構(gòu)建，就是利用機器進行自動構(gòu)建。
????????按構(gòu)建方式分，可以分為自上而下的構(gòu)建和自下而上的構(gòu)建。????????

????????斯坦福大學(xué)醫(yī)學(xué)院開發(fā)的七步法，用于領(lǐng)域本體構(gòu)建。七步驟為：

????????1.確定領(lǐng)域本體的范疇；

????????2.復(fù)用現(xiàn)有的本體；

????????3.列出領(lǐng)域內(nèi)的術(shù)語；

????????4.定義類和類的等級關(guān)系；

????????5.定義類的屬性；

????????6.定義屬性的限制；屬性的限制包括：屬性的基數(shù)，屬性值的類型，以及屬性的定義域和值域。

????????7.填充實例。? ? ?

????????知識圖譜的構(gòu)建分為眾包構(gòu)建和自動化構(gòu)建。由于眾包構(gòu)建涉及技術(shù)較少。我們這里主要介紹自動化構(gòu)建。
????????這是知識圖譜自動化構(gòu)建的流程。
????????首先從數(shù)據(jù)庫，百科網(wǎng)站，垂直網(wǎng)站等數(shù)據(jù)來源獲取結(jié)構(gòu)化，半結(jié)構(gòu)化，和非結(jié)構(gòu)化數(shù)據(jù)。
????????對非結(jié)構(gòu)化數(shù)據(jù)和半結(jié)構(gòu)化數(shù)據(jù)進行實體抽取，關(guān)系抽取，屬性抽取，并與結(jié)構(gòu)化數(shù)據(jù)進行整合，形成初步的三元組知識。
????????然后通過實體消歧得到標準知識表示。
????????對標準知識構(gòu)建本體，形成數(shù)據(jù)模型。
????????對知識進行推理，發(fā)現(xiàn)新的知識。
????????對知識進行質(zhì)量評估，從而進行質(zhì)量控制。
????????對知識圖譜添加新的實體，或者修改舊的實體，對知識圖譜進行更新。
????????對構(gòu)建好的知識圖譜進行存儲，方便下游應(yīng)用。
????????對知識圖譜進行表示學(xué)習(xí)，將知識圖譜離散的符號轉(zhuǎn)化為連續(xù)的數(shù)值。
????????對知識圖譜進行應(yīng)用，主要包括內(nèi)容理解，搜索，推薦，問答等應(yīng)用。

????????

框圖來源：?如何從零構(gòu)建知識圖譜？三分鐘帶你快速了解知識圖譜的架構(gòu)與邏輯！_嗶哩嗶哩_bilibili

4.2?KG的數(shù)據(jù)源

????????包括結(jié)構(gòu)化數(shù)據(jù)、半結(jié)構(gòu)化數(shù)據(jù)及非結(jié)構(gòu)化數(shù)據(jù)三大種類。

4.3? 知識抽取

? ? ? ? 知識抽取方法包括：實體識別（命名實體識別 NER）、關(guān)系抽取（RE）、屬性抽取

????????非結(jié)構(gòu)化的數(shù)據(jù)包括文本、視頻、音頻、圖片等，需要對其進行知識抽取，才能進一步建立KG。

????????半結(jié)構(gòu)化數(shù)據(jù)是介于結(jié)構(gòu)化和非結(jié)構(gòu)化數(shù)據(jù)之間的一種數(shù)據(jù)，也需要進行知識抽取。如 互動百科。

????????結(jié)構(gòu)化數(shù)據(jù)，KG通常可以直接利用和轉(zhuǎn)換，形成基礎(chǔ)數(shù)據(jù)集，再利用KG補全技術(shù)，進一步擴展KG。如 Freebase。

????????其中屬性抽取可以使用python爬蟲爬取百度百科、維基百科等網(wǎng)站，操作較為簡單，因此命名實體識別（NER）和實體關(guān)系抽取（RE）是知識抽取中非常重要的部分，命名實體識別與關(guān)系抽取是兩個獨立的任務(wù)，命名實體識別任務(wù)是在一個句子中找出具有可描述意義的實體，而關(guān)系抽取則是對兩個實體的關(guān)系進行抽取。命名實體識別是關(guān)系抽取的前提，關(guān)系抽取是建立在實體識別之后。

?4.3.1 實體識別方法

????????對于非結(jié)構(gòu)化數(shù)據(jù)，先經(jīng)過預(yù)處理，比如全角轉(zhuǎn)半角等，然后進行分詞，詞性標注，語法解析，依存分析等NLP工具對文本進行解析，進一步進行實體識別，然后關(guān)系抽取，實體消歧，事件抽取等構(gòu)成三元組知識。

? ? ? ? 4.3.1.1 使用CRF完成命名實體識別
????????CRF（Conditional random field，條件隨機場）是一種判別式模型 （HMM是生成式模型）。是給定一組輸入隨機變量條件下另一組輸出隨機變量的條件概率分布模型，其特點是假設(shè)輸出隨機變量構(gòu)成馬爾可夫隨機場。

????????實體識別一般建模成序列標注任務(wù)。輸入一個序列，經(jīng)過詞嵌入，和雙向LSTM編碼，然后用CRF進行解碼。其中函數(shù)預(yù)測的標簽是B-Noun, E-Noun, B和E分別表示mention的開始和結(jié)束，Noun表示類型。f(x)預(yù)測為表達式，其中I-Expr, I表示Inside, Expr表示表達式。

? ? ? ? ?BIOES標簽: B-begin，I-inside，O-outside，E-end，S-single

? ? ? ? BIO體系：標簽采用“BIO”體系，即實體的第一個字為 B_，其余字為 I_，非實體字統(tǒng)一標記為 O。大部分情況下，標簽體系越復(fù)雜，準確度也越高。

? ? ? ?

????????當BERT出現(xiàn)后，由于BERT效果好，常采用BERT來對句子進行編碼。

????????當識別出了文本中的實體，還需要對文本中的實體，兩兩進行關(guān)系分類。一般我們會收集并標注一個關(guān)系分類的訓(xùn)練集，來訓(xùn)練一個模型，然后用模型對測試數(shù)據(jù)進行預(yù)測。

????????比如我們訓(xùn)練好模型后，對測試數(shù)據(jù)，集合中的元素有多種特性，包括確定性，互異性，無序性進行預(yù)測。我們需要預(yù)測元素與確定性之間的關(guān)系，預(yù)測結(jié)果為特性。也就是集合有一個特性是確定性。

由于BERT的興起，常用BERT來做關(guān)系分類。

????????技術(shù)實現(xiàn)方法：使用pycrfsuite和hanlp完成基于CRF的命名實體識別

????????1）?獲取語料庫：nltk、人民日報、其他公開標注語料

????????2）特征函數(shù)：定義特征函數(shù)，這里其實更像是定義特征函數(shù)的模板，因為真正的特征函數(shù)會根據(jù)這個定義的模板去生成，而且一般生成的特征函數(shù)數(shù)量是相當大的，然后通過訓(xùn)練確定每個特征函數(shù)對應(yīng)的權(quán)重。

????????3）訓(xùn)練模型：接著可以開始創(chuàng)建 Trainer 進行訓(xùn)練，將語料的每個句子轉(zhuǎn)成特征及標簽列表，然后設(shè)置好 Trainer 的相關(guān)參數(shù)，并將樣本添加到 Trainer 中開始訓(xùn)練。最終會將模型保存到model_path中。

????????4）預(yù)測：創(chuàng)建 Tagger 并加載模型，即可在測試集中選擇一個的句子打標簽。

????????5）評估：最后是評估我們的模型總體效果，將測試集中所有句子輸入到訓(xùn)練出來的模型，將得到的預(yù)測結(jié)果與測試集句子對應(yīng)的標簽對比，輸出各項指標。

? ? ? ? 4.3.1.2 基于Bilstm+CRF的命名實體識別
????????BiLSTM指的是雙向LSTM；CRF指的是條件隨機場。

????????1）數(shù)據(jù)預(yù)處理：字向量處理：依據(jù)字典與標簽字典，將文字與標簽分別轉(zhuǎn)成數(shù)字。第一行是文本，第二行是標簽。

????????2）模型構(gòu)建：采用雙向LSTM對序列進行處理，將輸出結(jié)果進行拼接。

????????3）模型訓(xùn)練與測試。

????????4）模型驗證

? ? ? ? 4.3.1.3 基于關(guān)鍵詞技術(shù)的實體抽取
????????基于TextRank的關(guān)鍵詞提取技術(shù)：

????????算法原理：如果一個單詞出現(xiàn)在很多單詞后面的話，那么說明這個單詞比較重要。一個TextRank值很高的單詞后面跟著的一個單詞，那么這個單詞的TextRank值會相應(yīng)地因此而提高。

?4.3.2?實體關(guān)系抽取

????????實體和實體之間存在著語義關(guān)系, 當兩個實體出現(xiàn)在同一個句子里時, 上下文環(huán)境就決定了兩個實體間的語義關(guān)系。

????????完整的實體關(guān)系包括兩方面：關(guān)系類型和關(guān)系的參數(shù)，關(guān)系類型說明了該關(guān)系是什么關(guān)系, 如雇傭關(guān)系、 類屬關(guān)系等； 關(guān)系的參數(shù)也就是發(fā)生關(guān)系的實體，如雇傭關(guān)系中的雇員和公司。

????????實體關(guān)系抽取問題可以看做一個分類問題。使用有監(jiān)督（標記學(xué)習(xí)）、半監(jiān)督（統(tǒng)計分析）或無監(jiān)督（聚類方法）等方法進行。實體關(guān)系抽取往往關(guān)注一個句子內(nèi)的上下文。

? ? ? ? 實現(xiàn)技術(shù)：基于依存句法分析的開放式中文實體關(guān)系抽取方法實現(xiàn)：

????????Hanlp分詞HanLP是一系列模型與算法組成的NLP工具包，由大快搜索主導(dǎo)并完全開源，目標是普及自然語言處理在生產(chǎn)環(huán)境中的應(yīng)用。HanLP具備功能完善、性能高效、架構(gòu)清晰、語料時新、可自定義的特點。

????????Hanlp提供的功能包括：

? ? ? ? a.中文分詞
? ? ? ? b.詞性標注（pos）
? ? ? ? c.命名實體識別（ner）
? ? ? ? d.關(guān)鍵詞提取
? ? ? ? e.自動摘要
? ? ? ? f.短語提取
? ? ? ? g.拼音轉(zhuǎn)換
? ? ? ? h.簡繁轉(zhuǎn)換
? ? ? ? i.依存句法分析
? ? ? ? j.word2vec
????????hanlp提供了兩種依存句法分析的器，默認采用的是基于神經(jīng)網(wǎng)絡(luò)的依存句法分析器，另一種為基于最大熵的依存句法分析器。

4.4?知識融合

????????主要任務(wù)是實體消歧和指代消解。

????????4.4.1?實體消歧的本質(zhì)在于一個詞有很多可能的意思，也就是在不同的上下文中所表達的含義不太一樣。實體消歧專門用于解決同名實體產(chǎn)生歧義的問題。

????????4.4.1.1 基于詞典的詞義消歧
????????基于詞典的詞義消歧方法研究的早期代表工作是Lesk 于1986 的工作。給定某個待消解詞及其上下文，該工作的思想是計算語義詞典中各個詞義的定義與上下文之間的覆蓋度，選擇覆蓋度最大的作為待消解詞在其上下文下的正確詞義。但由于詞典中詞義的定義通常比較簡潔，這使得與待消解詞的上下文得到的覆蓋度為0，造成消歧性能不高。

????????4.4.1.2 有監(jiān)督詞義消歧
????????有監(jiān)督的消歧方法使用詞義標注語料來建立消歧模型，研究的重點在于特征的表示。常見的上下文特征可以歸納為三個類型：

????????（1）詞匯特征通常指待消解詞上下窗口內(nèi)出現(xiàn)的詞及其詞性；

????????（2）句法特征利用待消解詞在上下文中的句法關(guān)系特征，如動－賓關(guān)系、是否帶主/賓語、主/賓語組塊類型、主/賓語中心詞等；

????????（3）語義特征在句法關(guān)系的基礎(chǔ)上添加了語義類信息，如主/賓語中心詞的語義類，甚至還可以是語義角色標注類信息。

????????4.4.1.3 無監(jiān)督和半監(jiān)督詞義消歧
????????雖然有監(jiān)督的消歧方法能夠取得較好的消歧性能，但需要大量的人工標注語料，費時費力。為了克服對大規(guī)模語料的需要，半監(jiān)督或無監(jiān)督方法僅需要少量或不需要人工標注語料。一般說來，雖然半監(jiān)督或無監(jiān)督方法不需要大量的人工標注數(shù)據(jù)，但依賴于一個大規(guī)模的未標注語料，以及在該語料上的句法分析結(jié)果。

? ? ? ? 目前消歧通常涉及聚類法、空間向量模型、語義模型等

4.4.2 指代消解是為了避免代詞指代不清的情況。

4.5?知識推理

????????基于KG的知識推理旨在識別錯誤并從現(xiàn)有的數(shù)據(jù)中推斷新結(jié)論。通過知識推理，可以導(dǎo)出實體間的新關(guān)系并反饋以豐富KG，從而支持高級應(yīng)用。知識推理的方法包括：

????????（1）基于符號邏輯的推理——本體推理

????????（2）基于表運算（Tableaux）及改進的?法： FaCT++、 Racer、 Pellet Hermit等

????????（3）基于Datalog轉(zhuǎn)換的?法如KAON、 RDFox等????????

????????（4）基于產(chǎn)?式規(guī)則的算法（如rete）： Jena 、 Sesame、 OWLIM等

????????（5）基于圖結(jié)構(gòu)和統(tǒng)計規(guī)則挖掘的推理

????????（6）基于路徑排序?qū)W習(xí)?法(PRA， Path ranking Algorithm)

????????（7）基于關(guān)聯(lián)規(guī)則挖掘?法(AMIE)

????????（8）基于知識圖譜表示學(xué)習(xí)的關(guān)系推理:?

????????將實體和關(guān)系都表示為向量，通過向量之間的計算代替圖的遍歷和搜索來預(yù)測三元組的存在，由于向量的表示已經(jīng)包含了實體原有的語義信息，計算含有?定的推理能??？蓱?yīng)?于鏈接預(yù)測，基于路徑的多度查詢等。

????????（9）基于概率邏輯的方法

????????概率邏輯學(xué)習(xí)有時也叫Relational Machine Learning (RML)，關(guān)注關(guān)系的不確定性和復(fù)雜性。

通常使用貝葉斯網(wǎng)絡(luò)或者馬爾科夫網(wǎng)絡(luò)。

? ? ? ? 4.5 KG的評估

????????構(gòu)建好了知識圖譜后，我們需要對構(gòu)建好的知識圖譜進行規(guī)模和質(zhì)量的評估。規(guī)模一般用知識圖譜中有多少個實體，有多少個關(guān)系來描述。

????????質(zhì)量一般可以用準確率來衡量。由于知識圖譜三元組數(shù)量多，我們一般抽取若干個三元組，比如500個，對每一個三元組進行真假判斷，然后統(tǒng)計準確率。
????????右表展示了抽取8個三元組，計算準確率的過程。
????????一般來講，眾包構(gòu)建的準確率較高，自動化構(gòu)建的準確率相對較低；領(lǐng)域知識圖譜準確率較高，通用知識圖譜準確率相對較低。

5. 相關(guān)賽事

• 消息理解會議（MUC）
  • MUC是由美國DARPA發(fā)起，目的在于鼓勵和開發(fā)信息抽取系統(tǒng)，主要以召回率和精確率來評價信息抽取系統(tǒng)性能的重要指標，一般是基于召回率和精確率來計算法F1值
• 自動內(nèi)容抽取（ACE）
  • 由美國國家標準技術(shù)研究所（NIST）組織的評測會議，主要包括實體檢測與跟蹤、關(guān)系檢測與表征、事件檢測與跟蹤，與MUC解決的問題類似，只是對MUC的任務(wù)進行融合。
• 知識庫填充（KBP）
  • 由文本分析會議主辦，其目的是開發(fā)和評估從非結(jié)構(gòu)化文本中獲取知識填充知識庫的技術(shù)，主要任務(wù)包括實體發(fā)現(xiàn)與鏈接、槽填充、事件跟蹤和信念與情感分析。始辦于 2009 年，是國際上影響力最大、水平最高的知識圖譜領(lǐng)域賽事。
• 語義評測（SemEval）
  • 由ACL-SIGLEX組織發(fā)起，是比較早進行實體消歧的評測任務(wù)的機構(gòu)，目的是增進人們對詞義與語義現(xiàn)象的理解，主要包括語義角色標注、情感分析、跨語言語義分析等

6. 開源庫?

? ? ? ? 學(xué)術(shù)研究推動了開源運動，下表列出了常見的幾個開源庫。

? ? ? ? 其中，AmpliGraph：用于知識表征學(xué)習(xí)。

????????????????Grakn：用于集成知識圖譜與機器學(xué)習(xí)技術(shù)。

????????????????Akutan：用于知識圖譜存儲和查詢。

????????研究界還發(fā)布了代碼以促進進一步的研究。值得注意的是，有三個有用的工具包，即用于知識圖嵌入的scikit-kge和OpenKE，以及用于關(guān)系提取的OpenNRE。

????????????????

--------------------------

參考鏈接1：https://blog.csdn.net/xs1997/article/details/125061428

參考鏈接2：知識圖譜概述、構(gòu)建、存儲與應(yīng)用 - 知乎 (zhihu.com)

參考鏈接3：知乎 - 安全中心https://link.zhihu.com/?target=https%3A//shaoxiongji.github.io/knowledge-graphs/