知識圖譜學習與實踐（2）——知識圖譜數據模型的構建

數據模型就是數據組織方式，是構建知識圖譜首要解決的問題，不管是開放域的知識圖譜仍是行業的知識圖譜，都須要收集大量的數據，這些數據的收集是有選擇性的，這個選擇的依據就是數據模型。數據模型，也能夠稱爲知識表達模型，解決知識圖譜如何組織數據的問題，是數據的底層架構，是一個知識體系框架，可以涵蓋住知識圖譜全部的數據，決定了數據收集的範圍。

1 數據的分類問題。

通用知識圖譜，它收集的數據比較全，涉及到各類各樣的知識。咱們能夠把通用知識圖譜認爲是一個大而全的知識圖譜，它基本能涵蓋全部的知識，固然，這類通用知識圖譜，因爲涵蓋的知識範圍廣，全部對於某一個知識點，可能不會說的特別細，也就是深度不夠。行業知識圖譜和通用知識圖譜，正好是一個互補的關係，行業知識圖譜是對某一個行業的知識，組織的很專業，研究的很深刻。

不管是通用知識圖譜仍是行業知識圖譜，都存在數據的組織問題，首要的就是數據如何分類，能夠畫一個樹狀圖，根節點爲物體或者對象，就是包含萬物，而後再一層層的進行分類，知識圖譜中的全部知識均可以在樹狀圖中找到對應的節點。

下面咱們以百科數據爲例，介紹一下知識圖譜的分類問題。其它通用知識圖譜，也有本身的分類體系，和百科的分類大同小異，但也有本身的一些特色。

百科知識的組織，第一層分類爲藝術、科學、天然、文化、地理、生活、社會、人物、經濟、體育、歷史等。

 

選擇一個分類，好比科學分類，就能看到第二層分類科學的分類體系，包括健康醫療、航空航天、天文學、環境生態、農業科學、生命科學、數理科學、心理學、信息科學、工程技術、化學、地球科學、其它等。

 

再繼續選擇，好比健康醫療，就能夠看到第三層的分類，醫學知識庫的知識分類狀況，從醫療症狀、藥物、中醫藥、診斷技術等幾個維度來組織醫學知識。

 

經過這種分類體系，就會發現，不管收集什麼知識，咱們均可以在體系中找到對應的分類，這樣有利於你們在這個知識圖譜中查找知識，也有利於添加知識，擴展知識圖譜的數據內容。

2 數據的屬性

對於數據組織體系，在分類到末端節點，也就是葉子節點，就須要對這個葉子節點（具體知識點）進行描述，如何將一個知識點描述清楚，在知識圖譜中，須要使用屬性來描述知識點。這些屬性能夠從多個方面，多個層次來描述事物。

咱們仍是以百科數據爲例，在醫學知識庫中，找到葉子知識點，好比糖尿病， 詞條中最重要的一個是定義或者叫作簡介，說明什麼是糖尿病，而後是幾個主要屬性，英文名稱、常見症狀、就診科室、傳染性等。把這些屬性放到最開始的位置，人們看到後，就能夠對糖尿病有一個大體的瞭解，這些屬性也可以簡單反映糖尿病這個知識點的基本狀況。

 

除了基本的屬性，對於糖尿病這個知識點，還有更多的描述，百科是從病因、檢查、鑑別診斷、臨牀表現、診斷、治療這幾個維度，來闡述糖尿病，經過這些更進一步的屬性，人們就會對糖尿病有一個更深刻的瞭解。

 

下面咱們再繼續來看一下，檢查這個屬性，都包括哪些內容。百科中列出了比較多的檢查項目或者稱爲檢查內容，血糖、尿糖、尿酮體、糖基化血紅蛋白（HbA1c）、糖化血清蛋白等等，並且對於每一項檢查內容，都有一個簡短的說明。

 

上面的屬性，就是百科對於疾病症狀的知識組織方式，咱們能夠看一下其餘的疾病症狀，基本上都是按照這個方式，來組織屬性數據。糖尿病這個疾病症狀，經過一些屬性，還能夠關聯到其它詞條，好比檢查內容中的血糖。這樣就能夠在知識點之間創建關聯，造成一個網狀的知識圖譜。

 

3 數據模型的構建過程

在構建數據模型的實踐中，基本上都會找一個相似的知識體系，或者粗略的數據分類體系，而後以其爲基礎，再進行擴展。固然，在收集數據的過程當中，也可能會收集到大量脫離數據模型的數據，這時候，就能夠根據這些數據進行數據模型的修改和完善。

構建數據模型的初始階段，能夠找一個知識圖譜的中心數據，好比構建一個音樂知識圖譜，能夠以歌曲爲中心，先考慮歌曲的屬性，好比演唱者、做詞、做曲、分類、歌詞、曲譜等等，對於這些屬性，一方面是考慮在知識圖譜中是否合適，須要不斷地斟酌，修改、增長或者刪除一些屬性，從而達到完善屬性的目的。另外一方面，還要肯定這些屬性對應的屬性值，好比演唱者、做詞、做曲都是對應的人，人也是一種實體，也會有不少屬性，好比出生日期、性別、姓名、籍貫、主要事蹟、做品等等，對於人的屬性，又能夠開啓屬性論證工做，肯定使用哪些屬性，屬性值的範圍等。

在不斷肯定屬性和屬性值範圍的過程當中，咱們還要明確一個邊界。由於對於這種關聯關係，能夠一直作下去，最後都會變成一個萬物互聯的通用知識圖譜。咱們有的時候，多是構建一個行業知識圖譜，這時候，邊界的肯定就很重要，好比出生日期，對於古代人，就不能寫成年月日的形式，可能就是一個朝代，這個朝代也是一個實體，咱們就沒有必要再對朝代進行屬性和屬性值的肯定。由於朝代對於咱們知識圖譜來講，已是相關性很小的知識了。對於朝代這類和知識圖譜相關性比較弱的知識實體來講，咱們才以爲辦法，最簡單的處理就是直接寫一個名稱，將它看做一個字符串或者是一個枚舉值，做爲枚舉值的話，須要羅列出全部的朝代。另一種處理方法就是將包含的朝代連接到通用知識圖譜，好比百度百科或者dbPedia等公認的通用知識圖譜。咱們專一於行業知識圖譜中，關聯性比較強的數據。

4 數據模型須要注意的問題

咱們最終構建的數據模型，須要注意兩個方面的問題。

一個是體系的完備性。有類、子類這樣的層次關係，實體都能劃分到這個層次關係中。類的屬性，子屬性，每一個類都有什麼屬性，屬性之間存在什麼樣的關係，對於一個屬性來講，它能夠看做是謂語，主語和賓語的範圍如何界定。將類、子類、屬性、子屬性之間的關係描述清楚，可以把知識圖譜中的相關實體都歸入到這個體系中，而且經過屬性敘述清楚實體，就表示這個數據模型知足了知識圖譜的完備性要求。

另外一個須要注意的是數據模型度的把握。雖然有完備性的要求，但也不能將全部的內容都羅列到數據模型中。對於數據模型中的類和屬性，要有所取捨，只選取那些和知識圖譜相關性強的類和屬性，一開始能夠選的粗一些，而後再逐漸細化。也能夠一開始就作的比較細緻，後面再進行刪減，最後造成一個內容適當的數據模型。

5 結語

如今構建知識圖譜數據模型，都有必定的依據，通常不會從零開始，有一個雛形做爲數據模型的基礎，再進行完善。基本模式是以自頂向下爲主，再根據收集的數據，對數據模型進行修正，也就是自底向上爲輔，這樣的構建方式比較廣泛。