Cómo construir un gráfico de conocimiento
Cómo construir un gráfico de conocimiento se presenta a continuación:
Modelo de construcción, diseño de ontología de conceptos. El diseño de ontologías de conceptos y modelos de construcción es la construcción de ontologías. La construcción de ontologías generalmente incluye dos métodos, de arriba hacia abajo y de abajo hacia arriba.
Extracción de conocimiento. Generalmente se divide en dos tipos, uno es un método de canalización que extrae entidades primero y luego extrae relaciones, y el otro es un método de canalización que extrae relaciones de entidades al mismo tiempo.
Integración de conocimientos. Presentemos brevemente estos dos métodos, uno es un método basado en reglas y el otro es un método basado en aprendizaje profundo.
Almacenamiento de conocimiento. Finalmente, todo el conocimiento se almacena.
Expansiones relacionadas
1. Fuentes de conocimiento
Los datos de los gráficos de conocimiento se pueden obtener de una variedad de fuentes, incluidos texto, bases de datos estructuradas, datos multimedia y datos de sensores. y crowdsourcing artificial, etc.
La intelectualización de cada fuente de datos requiere la integración de diversos medios técnicos. Por ejemplo, para fuentes de datos de texto, es necesario integrar varias tecnologías de procesamiento de lenguaje natural, como reconocimiento de entidades, vinculación de entidades, extracción de relaciones y extracción de eventos, para extraer conocimiento del texto.
2. Representación del conocimiento e ingeniería de esquemas
La representación del conocimiento se refiere al uso de símbolos informáticos para describir y representar el conocimiento en el cerebro humano para respaldar métodos y tecnologías para que las máquinas simulen al ser humano. mente para razonar. La representación del conocimiento determina los objetivos de salida de la construcción de gráficos, a saber, el marco de descripción semántica (Marco de descripción), el esquema y la ontología (Ontología), la gramática de intercambio de conocimientos (Sintaxis), la denominación de entidades y el sistema de identificación del gráfico de conocimiento.
3. Extracción de conocimiento
La extracción de conocimiento se puede dividir en extracción de conceptos, reconocimiento de entidades, extracción de relaciones, extracción de eventos y extracción de reglas según las tareas. En la era de los sistemas expertos tradicionales, el conocimiento dependía principalmente del aporte manual de expertos, lo que dificultaba ampliar la escala.
La construcción de gráficos de conocimiento modernos generalmente se basa en la transformación de recursos de datos estructurados existentes para formar un conjunto de datos básico, y luego se basa en la extracción automatizada de conocimientos y la tecnología de finalización de gráficos de conocimientos para ampliar aún más el conocimiento de múltiples fuentes de datos. .Graficar y mejorar aún más la calidad del gráfico de conocimiento mediante crowdsourcing artificial.
4. Fusión de conocimiento
Al crear un gráfico de conocimiento, el aporte de conocimiento se puede obtener de productos de base de conocimiento de terceros o de datos estructurados existentes. Por ejemplo, el proyecto Linked Open Data (Datos abiertos vinculados) publica periódicamente sus datos de conocimiento semántico acumulados y organizados, que incluyen tanto las bases de conocimiento generales DBpedia y Yago presentadas anteriormente, como también productos de base de conocimiento para campos específicos.
5. Finalización y razonamiento del gráfico de conocimiento
Los métodos de finalización del gráfico de conocimiento comúnmente utilizados incluyen: métodos de finalización basados en el razonamiento ontológico, como el razonamiento basado en la lógica de descripción [67-69], y Implementaciones de motores de inferencia relacionados, como RDFox, Pellet, RACER, HermiT, TrOWL, etc. Este tipo de razonamiento se dirige principalmente a TBox, es decir, razonamiento a nivel conceptual, y también se puede utilizar para completar relaciones a nivel de entidad.
6. Recuperación de conocimiento y análisis de conocimiento
La forma de implementación de recuperación de conocimiento basada en gráficos de conocimiento incluye principalmente recuperación semántica y preguntas y respuestas inteligentes. Los motores de búsqueda tradicionales se basan en hipervínculos entre páginas web para buscar páginas web, mientras que la búsqueda semántica busca directamente cosas, como personas, instituciones, lugares, etc. Estas cosas pueden provenir de diversos recursos de información, como texto, imágenes, videos, audios, dispositivos IoT, etc.