知識圖譜的通用表示方法
本質上，知識圖譜是一種揭示實體之間關係的語義網絡 ，可以對現實世界的事物及其相互關係進行形式化地描述 。現在的知識圖譜己被用來泛指各種大規模的知識庫 。
三元組是知識圖譜的一種通用表示方式，即 G=(E，R，S)G=(E，R，S)，其中 E=e1，e2，…，e|E|E=e1，e2，…，e|E|是知識庫中的實體集合，共包含 |E||E| 種不同實體，R=r1，r2，…,r|E|R=r1，r2，…,r|E| 是知識庫中的關係集合，共包含 |R||R| 種不同關係，S⊆E×R×ES⊆E×R×E 代表知識庫中的三元組集合。
三元組的基本形式主要包括實體 A、關係、實體 B 和概念、屬性、屬性值等，實體是知識圖譜中的最基本元素，不同的實體間存在不同的關係。概念主要指集合、類別、對象類型、事物的種類，例如人物、地理等；屬性主要指對象可能具有的屬性、特徵、特性、特點以及參數，例如國籍、生日等；屬性值主要指對象指定屬性的值，例如中國、1988—09—08等。每個實體（概念的外延）可用一個全局唯一確定的 ID 來標識，每個屬性—屬性值對可用來刻畫實體的內在特性，而關係可用來連接兩個實體，刻畫它們之間的關聯。
如下圖是實體 A 與實體 B 組成的一個簡單三元組形式。
知識圖譜的架構
知識圖譜的架構主要包括自身的邏輯結構以及體系架構，分別說明如下。
1. 知識圖譜的邏輯結構。
知識圖譜在邏輯上可分爲模式層與數據層兩個層次，數據層主要是由一系列的事實組成，而知識將以事實爲單位進行存儲。如果用（實體 A，關係，實體 B）、（實體、屬性，屬性值）這樣的三元組來表達事實，可選擇圖數據庫作爲存儲介質，例如開源的 Neo4j、Twitter 的 FlockDB、Sones 的 GraphDB 等。模式層構建在數據層之上，主要是通過本體庫來規範數據層的一系列事實表達。本體是結構化知識庫的概念模板，通過本體庫而形成的知識庫不僅層次結構較強，並且冗餘程度較小。
2. 知識圖譜的體系架構。
知識圖譜的體系架構是指其構建模式結構，如圖下圖所示。
知識圖譜主要有自頂向下與自底向上兩種構建方式。自頂向下指的是先爲知識圖譜定義好本體與數據模式，再將實體加入到知識庫。該構建方式需要利用一些現有的結構化知識庫作爲其基礎知識庫，例如 Freebase 項目就是採用這種方式，它的絕大部分數據是從維基百科中得到的。自底向上指的是從一些開放鏈接數據中提取出實體，選擇其中置信度較高的加入到知識庫，再構建頂層的本體模式。目前，大多數知識圖譜都採用自底向上的方式進行構建，其中最典型就是 Google 的 Knowledge Vault。
知識圖譜的關鍵技術
1. 知識抽取。
知識抽取技術，可以從一些公開的半結構化、非結構化的數據中提取出實體、關係、屬性等知識要素。
知識抽取主要包含實體抽取、關係抽取、屬性抽取等，涉及到的 NLP 技術有命名實體識別、句法依存、實體關係識別等。
2. 知識表示。
知識表示形成的綜合向量對知識庫的構建、推理、融合以及應用均具有重要的意義。
基於三元組的知識表示形式受到了人們廣泛的認可，但是其在計算效率、數據稀疏性等方面卻面臨着諸多問題。近年來，以深度學習爲代表的表示學習技術取得了重要的進展，可以將實體的語義信息表示爲稠密低維實值向量，進而在低維空間中高效計算實體、關係及其之間的複雜語義關聯。
知識表示學習主要包含的 NLP 技術有語義相似度計算、複雜關係模型，知識代表模型如距離模型、雙線性模型、神經張量模型、矩陣分解模型、翻譯模型等。
3.知識融合。
由於知識圖譜中的知識來源廣泛，存在知識質量良莠不齊、來自不同數據源的知識重複、知識間的關聯不夠明確等問題，所以必須要進行知識的融合。知識融合是高層次的知識組織，使來自不同知識源的知識在同一框架規範下進行異構數據整合、消歧、加工、推理驗證、更新等步驟，達到數據、信息、方法、經驗以及人的思想的融合，形成高質量的知識庫。
在知識融合過程中，實體對齊、知識加工是兩個重要的過程。
4.知識推理。
知識推理則是在已有的知識庫基礎上進一步挖掘隱含的知識，從而豐富、擴展知識庫。在推理的過程中，往往需要關聯規則的支持。由於實體、實體屬性以及關係的多樣性，人們很難窮舉所有的推理規則，一些較爲複雜的推理規則往往是手動總結的。對於推理規則的挖掘，主要還是依賴於實體以及關係間的豐富情況。知識推理的對象可以是實體、實體的屬性、實體間的關係、本體庫中概念的層次結構等。
知識推理方法主要可分爲基於邏輯的推理與基於圖的推理兩種類別。
NEO4j創建知識圖譜
Cypher 命令
CREATE (n:Person { name: 'Andres', title: 'Developer' }) return n;
作用是創建一個 Person，幷包含屬性名字和職稱。
創建一個 Person 對象，屬性中只是名字和職稱不一樣。
CREATE (n:Person { name: 'Vic', title: 'Developer' }) return n;
進行兩個 Person 的關係匹配：
match(n:Person{name:"Vic"}),(m:Person{name:"Andres"}) create (n)-[r:Friend]->(m) return r;
match(n:Person{name:"Vic"}),(m:Person{name:"Andres"}) create (n)<-[r:Friend]-(m) return r;
查看數據庫中的圖形：
match(n) return n;
如下圖，返回兩個 Person 節點，以及其關係網，兩個 Person 之間組成 Friend 關係：
Neo4j 的 Python 操作
pip install py2neo
簡單的圖關係構建
from py2neo.data import Node, Relationship
a = Node("Person", name="Alice")
b = Node("Person", name="Bob")
ab = Relationship(a, "KNOWS", b)
首先引入 Node 和 Relationship 對象，緊接着，創建 a 和 b 節點對象，最後一行匹配 a 和 b 之間的工作僱傭關係。
ab 對象的內容：
print(ab)
通過 print 打印出 ab 的內容：
(Alice)-[:KNOWS {}]->(Bob)
用 Neo4j 構建一個簡單的農業知識圖譜
語料是已經處理好的數據，包含6個 csv 文件，文件內容和描述如下。
- attributes.csv：文件大小 2M，內容是通過互動百科頁面得到的部分實體的屬性，包含字段：Entity、AttributeName、Attribute，分別表示實體、屬性名稱、屬性值。文件前5行結構如下：
Entity,AttributeName,Attribute
密度板,別名,纖維板
葡萄蔓枯病,主要爲害部位,枝蔓
坎德拉,性別,男
坎德拉,國籍,法國
坎德拉,場上位置,後衛
hudong_pedia.csv：文件大小 94.6M，內容是已經爬好的農業實體的百科頁面的結構化數據，包含字段：title、url、image、openTypeList、detail、baseInfoKeyList、baseInfoValueList，分別表示名稱、百科 URL 地址、圖片、分類類型、詳情、關鍵字、依據來源。文件前2行結構如下：
"title","url","image","openTypeList","detail","baseInfoKeyList","baseInfoValueList"
"菊糖","http://www.baike.com/wiki/菊糖","http://a0.att.hudong.com/72/85/20200000013920144736851207227_s.jpg","健康科學##分子生物學##化學品##有機物##科學##自然科學##藥品##藥學名詞##藥物中文名稱列表","[藥理作用] 診斷試劑 人體內不含菊糖，靜注後，不被機體分解、結合、利用和破壞，經腎小球濾過，通過測定血中和尿中的菊糖含量，可以準確計算腎小球的濾過率。菊糖廣泛存在於植物組織中,約有3.6萬種植物中含有菊糖,尤其是菊芋、菊苣塊根中含有豐富的菊糖[6,8]。菊芋(Jerusalem artichoke)又名洋姜,多年生草本植物,在我國栽種廣泛,其適應性廣、耐貧瘠、產量高、易種植,一般畝產菊芋塊莖爲2 000～4 000 kg,菊芋塊莖除水分外,還含有15%～20%的菊糖,是加工生產菊糖及其製品的良好原料。","中文名：","菊糖"
"密度板","http://www.baike.com/wiki/密度板","http://a0.att.hudong.com/64/31/20200000013920144728317993941_s.jpg","居家##巧克力包裝##應用科學##建築材料##珠寶盒##禮品盒##科學##糖果盒##紅酒盒##裝修##裝飾材料##隔斷##首飾盒","密度板（英文：Medium Density Fiberboard (MDF)）也稱纖維板，是以木質纖維或其他植物纖維爲原料，施加脲醛樹脂或其他適用的膠粘劑製成的人造板材。按其密度的不同，分爲高密度板、中密度板、低密度板。密度板由於質軟耐衝擊，也容易再加工，在國外是製作傢俬的一種良好材料，但由於國家關於高密度板的標準比國際標準低數倍，所以，密度板在中國的使用質量還有待提高。","中文名：##全稱：##別名：##主要材料：##分類：##優點：","密度板##中密度板纖維板##纖維板##以木質纖維或其他植物纖維##高密度板、中密度板、低密度板##表面光滑平整、材質細密性能穩定"
-
hudong_pedia2.csv：文件大小 41M，內容結構和hudong_pedia.csv文件保持一致，只是增加數據量，作爲hudong_pedia.csv數據的補充。 -
new_node.csv：文件大小 2.28M，內容是節點名稱和標籤，包含字段：title、lable，分別表示節點名稱、標籤，文件前5行結構如下：
title,lable
藥物治療,newNode
膳食纖維,newNode
Boven Merwede,newNode
亞美尼亞蘇維埃百科全書,newNode
wikidata_relation.csv：文件大小 1.83M，內容是實體和關係，包含字段 HudongItem1、relation、HudongItem2，分別表示實體1、關係、實體2，文件前5行結構如下：
HudongItem1,relation,HudongItem2
菊糖,instance of,化合物
菊糖,instance of,多糖
瓦爾,instance of,河流
菊糖,subclass of,食物
瓦爾,origin of the watercourse,萊茵河
wikidata_relation2.csv：大小 7.18M，內容結構和wikidata_relation.csv一致，作爲wikidata_relation.csv數據的補充。
語料加載。
語料加載，利用 Neo4j 的 LOAD CSV WITH HEADERS FROM... 功能進行加載，具體操作過程如下。
首先，依次執行以下命令：
// 將hudong_pedia.csv 導入
LOAD CSV WITH HEADERS FROM "file:///hudong_pedia.csv" AS line
CREATE (p:HudongItem{title:line.title,image:line.image,detail:line.detail,url:line.url,openTypeList:line.openTypeList,baseInfoKeyList:line.baseInfoKeyList,baseInfoValueList:line.baseInfoValueList})
執行成功之後，控制檯顯示成功：
上面這張圖，表示數據加載成功，並顯示加載的數據條數和耗費的時間。
// 新增了hudong_pedia2.csv
LOAD CSV WITH HEADERS FROM "file:///hudong_pedia2.csv" AS line
CREATE (p:HudongItem{title:line.title,image:line.image,detail:line.detail,url:line.url,openTypeList:line.openTypeList,baseInfoKeyList:line.baseInfoKeyList,baseInfoValueList:line.baseInfoValueList})
// 創建索引
CREATE CONSTRAINT ON (c:HudongItem)
ASSERT c.title IS UNIQUE
以上命令的意思是，將 hudong_pedia.csv 和 hudong_pedia2.csv 導入 Neo4j 作爲結點，然後對 titile 屬性添加 UNIQUE（唯一約束/索引）。
數據導入命令：
// 導入新的節點
LOAD CSV WITH HEADERS FROM "file:///new_node.csv" AS line
CREATE (:NewNode { title: line.title })
//添加索引
CREATE CONSTRAINT ON (c:NewNode)
ASSERT c.title IS UNIQUE
//導入hudongItem和新加入節點之間的關係
LOAD CSV WITH HEADERS FROM "file:///wikidata_relation2.csv" AS line
MATCH (entity1:HudongItem{title:line.HudongItem}) , (entity2:NewNode{title:line.NewNode})
CREATE (entity1)-[:RELATION { type: line.relation }]->(entity2)
LOAD CSV WITH HEADERS FROM "file:///wikidata_relation.csv" AS line
MATCH (entity1:HudongItem{title:line.HudongItem1}) , (entity2:HudongItem{title:line.HudongItem2})
CREATE (entity1)-[:RELATION { type: line.relation }]->(entity2)
導入 new_node.csv 新節點，並對 titile 屬性添加 UNIQUE（唯一約束/索引），導入 wikidata_relation.csv 和 wikidata_relation2.csv，並給節點之間創建關係。
導入實體屬性，並創建實體之間的關係：
LOAD CSV WITH HEADERS FROM "file:///attributes.csv" AS line
MATCH (entity1:HudongItem{title:line.Entity}), (entity2:HudongItem{title:line.Attribute})
CREATE (entity1)-[:RELATION { type: line.AttributeName }]->(entity2);
LOAD CSV WITH HEADERS FROM "file:///attributes.csv" AS line
MATCH (entity1:HudongItem{title:line.Entity}), (entity2:NewNode{title:line.Attribute})
CREATE (entity1)-[:RELATION { type: line.AttributeName }]->(entity2);
LOAD CSV WITH HEADERS FROM "file:///attributes.csv" AS line
MATCH (entity1:NewNode{title:line.Entity}), (entity2:NewNode{title:line.Attribute})
CREATE (entity1)-[:RELATION { type: line.AttributeName }]->(entity2);
LOAD CSV WITH HEADERS FROM "file:///attributes.csv" AS line
MATCH (entity1:NewNode{title:line.Entity}), (entity2:HudongItem{title:line.Attribute})
CREATE (entity1)-[:RELATION { type: line.AttributeName }]->(entity2)
知識圖譜查詢展示
最後通過 cypher 語句查詢來看看農業圖譜展示。
首先，展示 HudongItem 實體，執行如下命令：
MATCH (n:HudongItem) RETURN n LIMIT 25
對 HudongItem 實體進行查詢，返回結果的25條數據，結果如下圖：
接着，展示 NewNode 實體，執行如下命令：
MATCH (n:NewNode) RETURN n LIMIT 25
對 NewNode 實體進行查詢，返回結果的25條數據，結果如下圖：
之後，展示 RELATION 直接的關係，執行如下命令：
MATCH p=()-[r:RELATION]->() RETURN p LIMIT 25
展示實體屬性關係，結果如下圖：
