节点表示实体，连边表示实体和实体之间的关系。

实体包括：概念、实例

构建领域知识图谱的 四步法 ：

1）领域本体构建

2）众包半自动语义标注

3）外源数据补全

4）信息抽取

领域本体构建

本体：一种概念化的精确的规格说明；共享概念模型的明确形式化规范说明

构建方法

1）人工（领域专家）构建本体

案例：WordNet

方法：骨架法、TOVE法、SENSUS法、Methontology法、Ontology Development 101法

2）自动构建本体、本体学习

利用知识获取技术、机器学习技术及统计技术从数据资源中自动地获取本体知识

方法：OpenIE

本体学习对象的层次：概念、关系、公理

现状：极少有方法能够得到覆盖率和准确率都表现良好的本体

3）半自动构建本体

构建流程

本体构建的基本原则

也即本体中类的设计的独立性和共享性原则。

独立性原则：类可以独立存在，不依赖于特定的领域。

共享性原则：类可以是共享的，有被复用的可能和必要。

最小化原则：本体中包含的类的数据应尽可能最小化，去除冗余的类。

归纳领域概念

领域的核心概念是领域术语的子集，对应本体中的类（owl:Class），每个核心概念都有许多对应实例。

构建方法：

1）统计法

基本假设：

· 领域的核心概念是领域术语的子集，可通过获取领域术语来获取领域概念。

· 重要术语在领域相关文档中出现的频率相对较高，术语在领域相关文档中出现的频率远高于在普通中出现的频率；

算法：

· TF-IDF：用于评估一个词语对于一个语料库的其中一份文档的重要程度。核心思想是，一个词语的重要性随着它在文档中出现的次数成正比地增加，但同时随着它在语料库中出现的频率成反比地下降。缺陷是没有对有联系的词语进行综合考虑。

· TextRank：核心思想与PageRank算法相同，在词语网络中词语的重要程度取决于与它连接的词语给它的投票数，且票的权重取决于该词语自己的票数。

2）参考高质量的知识图谱或数据源

Schema.org：包含语义信息的被各大搜索引擎所支持的html标签的词汇表。

DBpedia：大规模通用知识图谱

Geonames：每个地名都对应featurecode信息

3）众包半自动语义标注

依据本体构建的基本原则进行修正

定义领域关系及其约束

关系：对领域中的概念、实例之间的相互作用的描述。

关系的重要作用：是本体的核心基本要素；直接决定了知识丰富层级以及基于应用范围。

定义关系的方法

1）OpenIE法：先进行无监督的批量抽取，再进行过滤。

2）参考质量较高的通用知识图谱或数据源：参考其领域概念相关的关系列表及标签

3）根据核心概念和百科信息框来确定关系：通过整合同一概念下多个实例在百科

4）众包半自动补充关系

本体检查

领域专家参与，对本体进行检查评估。

评估内容：核心概念是否合理；每个概念的合理性、必要性，相似概念间的辨析。

语义标注

语义标注：对原始数据做标记，使其包含一定的语义信息，使人和机器都能理解。

存储方式：嵌入式存储、独立存储

标注格式：JSON-LD、MicroData、RDFa

标注工具：Google结构化数据标记辅助工具、开源语义标注工具Pundit

语义标注的种类

类型标注：将文档中与本体中概念相对应的词语标记出来，并将词语作为概念所对应的实例。

关系标注：找出实例之间存在的与本体中关系相对应的关系，丰富实例的内在信息，通常将实例与实例间的关系表示为三元组。

对语义标注系统的需求

1、标注依据：必须能够导入本体描述文件，提供基于本体的语义标注功能。

2、标注对象：支持对文本文件、静态网页、图片等文件的标注

3、标注方式：提供类型标注、关系标注

4、本体语言：支持主流的本体语言，如RDF(S)、OWL、XML、DAML+OIL

5、协同式标注：支持大量人员同时在线标注

6、标注审核：支持用户权限组及控制控制，包括标注人员、审核人员

7、标注溯源：能够追溯到标注来源的元数据信息。通常采用XPointer计算，根据数据在XML文件中的位置、字符内容、属性值等特性进行定位。

8）标注数据存储：可采用Sesame数据库，进行标注数据存储。

9）共指消解：遇到相同的实例时，选择已存在的实例进行标注，从而避免重新生成新的实例造成的实例共指问题。

标注方式

手工标注

定义：标注人员之间将语义数据写入到标注文档中

案例、工具：Semantic Wiki、SHOW Knowledge、OntoMat Annotizer

半自动标注

定义：由标注人员制定网页或网页中的文本片段，然后由标注人员选择合适的本体概念（或熟悉）或者由系统自动显示可选的本体概念（或属性），最后生成并保存语义标注结果。

案例、工具：

· W3C主导的Annotea，基于RDF的语义标注项目，实现了半自动语义标注工具Amaya，必须在客户端软件完成，不适合大规模网页语义标注。

· SMORE

· Pundit：可以满足众包标注过程的标注审核、溯源、共指消解、数据存储

自动标注

定义：标注工具可以按照预定的规则自动产生并保存语义标注信息。

案例、工具：

· AeroDAML：把常见的概念和关系映射到DAML+OIL本体中的类和属性

自动标注的质量很难得到保证。

外源数据补全

定义：外部数据源按照领域本体结构处理后得到的与标注数据结构一致的RDF数据。

Geonames知识图谱

百度百科信息框

中国行政区划信息

国家统计局网站、民政部网站

信息抽取

扩充数据：指的是利用之前得到的标注数据和外源数据，运用机器学习等方法，从文本中抽取的RDF三元组数据。

文本语料：《中国大百科全书》、百度百科、维基百科

实体抽取

实体抽取：也称命名实体抽取，是从文本中自动识别出命名实体

实体集扩充：根据种子实体集，从文本中抽取出相同类别的新实体。采用Bootstrapping方法，根据种子实体从文本中抽取出特征模板，然后利用这些模板从文本中抽取出新的实体，再根据新实体从文本中抽取新的特征模板，反复迭代此过程，但存在语义漂移问题。

方法：词向量法+实体消歧

关系抽取

关系抽取：从文本中抽取出实体和实体之间的关系，将零散的实体联系起来。

基于规则

基于机器学习

多分类问题，采用Bootstrapping、协同训练、标注传播等算法

· 无监督：基于规则的方法（正则模板）、LDA模型（识别文本中隐藏的关系类别信息，用词袋表示每类关系的特征）

· 有监督：将已有的关系数据作为训练数据，从文本中抽取相应的三元组。

· 半监督：基于多语言注意力机制的远程监督方法

属性抽取

属性抽取：从文本中抽取出实体的属性信息（实体和属性间的一种名词性关系，可视为关系抽取问题）

参考文献

《一种准确而高效的领域知识图谱构建方法》

领域（学科）知识图谱构建心得   https://www.jianshu.com/p/f66d7614fb49