知识图谱总体构建思路（流程图）
1 知识图谱的总体构建思路
如图所⽰，从原始的数据到形成知识图谱，经历了知识抽取、知识融合（实体对齐）、数据模型构建、质量评估等步骤。
原始的数据，按照数据的结构化程度来分，可以分为结构化数据、半结构化数据和⾮结构化数据，根据数据的不同的结构化形式，采⽤不同的⽅法，将数据转换为三元组的形式，然后对三元组的数据进⾏知识融合，主要是实体对齐，以及和数据模型进⾏结合，经过融合之后，会形成标准的数据表⽰，为了发现新知识，可以依据⼀定的推理规则，产⽣隐含的知识，所有形成的知识经过⼀定的质量评估，最终进⼊知识图谱，依据知识图谱这个数据平台，可以实现语义搜索，智能问答，推荐系统等⼀些应⽤。
以下对知识图谱构建中的步骤进⾏详细的介绍。
2 知识抽取
我们将原始数据分为结构化数据、半结构化数据和⾮结构化数据，根据不同的数据类型，我们采⽤不同的⽅法进⾏处理。
2.1 结构化数据处理
针对结构化数据，通常是关系型数据库的数据，数据结构清晰，把关系型数据库中的数据转换为RDF数据（linked data），普遍采⽤的技术是D2R技术。D2R主要包括D2R Server，D2RQ Engine和D2RRQ Mapping语⾔。
D2R Server 是⼀个 HTTP Server，它的主要功能提供对RDF数据的查询访问接⼝，以供上层的RDF浏览器、SPARQL查询客户端以及传统的 HTML 浏览器调⽤。 D2RQ Engine的主要功能是使⽤⼀个可定制的 D2RQ Mapping ⽂件将关系型数据库中的数据换成 RDF 格式。D2RQ engine 并没有将关系型数据库发布成真实的 RDF 数据，⽽是使⽤ D2RQ Mapping ⽂件将其映射成虚拟的 RDF 格式。该⽂件的作⽤是在访问关系型数据时将 RDF 数据的查询语⾔ SPARQL 转换为 RDB 数据的查询语⾔ SQL，并将 SQL 查询结果转换为 RDF
三元组或者 SPARQL 查询结果。D2RQ Engine 是建⽴在 Jena（Jena 是⼀个创建 Semantic Web 应⽤的 Java 平台，它提供了基于RDF，SPARQL 等的编程环境）的接⼝之上。 D2RQ Mapping 语⾔的主要功能是定义将关系型数据转换成 RDF 格式的 Mapping 规则。流程图转换为ns图
2.2 半结构化数据处理
半结构化数据，主要是指那些具有⼀定的数据结构，但需要进⼀步提取整理的数据。⽐如百科的数据，⽹页中的数据等。对于这类数据，主要采⽤包装器的⽅式进⾏处理。
包装器是⼀个能够将数据从HTML⽹页中抽取出来，并且将它们还原为结构化的数据的软件程序。⽹页数据输⼊到包装器中，通过包装器的处理，输出为我们需要的信息。
对于⼀般的有规律的页⾯，我们可以使⽤正则表达式的⽅式写出XPath和CSS选择器表达式来提取⽹页中的元素。但这样的通⽤性很差，因此也可以通过包装器归纳这种基于有监督学习的⽅法,⾃动的从标注好的训练样例集合中学习数据抽取规则,⽤于从其他相同标记或相同⽹页模板抽取⽬标数据。
2.3 ⾮结构化数据处理
对于⾮结构化的⽂本数据，我们抽取的知识包括实体、关系、属性。对应的研究问题就有三个，⼀是实体抽取，也称为命名实体识别，此处的实体包括概念，⼈物，组织，地名，时间等等。⼆是关系抽
取，也就是实体和实体之间的关系，也是⽂本中的重要知识，需要采⽤⼀定的技术⼿段将关系信息提取出来。三是属性抽取，也就是实体的属性信息，和关系⽐较类似，关系反映实体的外部联系，属性体现实体的内部特征。
⾮结构化数据的抽取问题，研究的⼈⽐较多，对于具体的语料环境，采取的技术也不尽相同。举个例⼦，⽐如关系抽取，有的⼈采⽤深度学习的⽅法，将两个实体，他们的关系，以及出处的句⼦作为训练数据，训练出⼀个模型，然后对于测试数据进⾏关系抽取，测试数据需要提供两个实体和出处的句⼦，模型在训练得到的已知关系中查，得出测试数据中两个实体之间的关系。这是⼀种关系抽取的⽅法。还有⼈⽤句法依存特征，来获取关系，这种⽅法认为，实体和实体之间的关系可以组成主谓宾结构，在⼀个句⼦中，出主谓关系和动宾关系，其中的谓词和动词如果是⼀个词，那么这个词就是⼀个关系。⽐如说“⼩明吃了⼀个苹果”，主谓关系是“⼩明吃”，动宾关系是“吃苹果”，那么就认为“吃”是⼀个关系。
当然，还有其它很多⽅法，可以在⼀定程度上实现实体抽取，关系抽取和属性抽取，效果可能会有差异，这需要在实践中测试和完善。
3 知识融合
知识融合，简单理解，就是将多个知识库中的知识进⾏整合，形成⼀个知识库的过程，在这个过程中，
主要需要解决的问题就是实体对齐。不同的知识库，收集知识的侧重点不同，对于同⼀个实体，有知识库的可能侧重于其本⾝某个⽅⾯的描述，有的知识库可能侧重于描述实体与其它实体的关系，知识融合的⽬的就是将不同知识库对实体的描述进⾏整合，从⽽获得实体的完整描述。
⽐如，对于历史⼈物曹操的描述，在百度百科、互动百科、等不同的知识库中，描述有⼀些差别，曹操所属时代，百度百科为东汉，互动百科为东汉末年，为东汉末期；曹操的主要成就，百度百科为“实⾏屯⽥制，安抚流民消灭雄，统⼀北⽅，奠定曹魏政权的基础，开创建安⽂学，提倡薄葬”，互动百科为“统⼀北⽅”，为“统⼀了东汉帝国核⼼地区”。
由此可以看出，不同的知识库对于同⼀个实体的描述，还是有⼀些差异，所属时代的描述差别在于年代的具体程度，主要成就的差别在于成就的范围不同，等等，通过知识融合，可以将不同知识库中的知识进⾏互补融合，形成全⾯、准确、完整的实体描述。 知识融合过程中，主要涉及到的⼯作就是实体对齐，也包括关系对齐，属性对齐，可以通过相似度计算，聚合，聚类等技术来实现。
4 数据模型构建
上⼀篇⽂章，我们阐述过知识图谱的构建⽅法，提到知识图谱的数据整体上可以分为数据模型和具体数据，数据模型就是知识图谱的数据组织框架，不同的知识图谱，会采⽤不同的数据模型。对于⾏业知识图谱来说，⾏业术语、⾏业数据都相对⽐较清晰，可以采⽤⾃顶向下的⽅式来建设知识图谱，也
就是先确定知识图谱的数据模型，然后，根据数据模型约定的框架，再补充数据，完成知识图谱的建设。 数据模型的构建，⼀般都会⼀个基础的参考模型，这个参考模型，可以参照⾏业的相关数据标准，整合标准中对数据的要求，慢慢形成⼀个基础的数据模型，再根据实际收集的数据情况，来完善数据模型。也可以从公共知识图谱数据模型中抽取，将与⾏业有关的数据模型从公共知识图谱数据模型中提取出来，然后结合⾏业知识进⾏完善。
5 知识推理
知识推理，就是根据已有的数据模型和数据，依据推理规则，获取新的知识或者结论，新的知识或结论应该是满⾜语义的。知识推理，依据描述逻辑系统实现。描述逻辑(Description Logic)是基于对象的知识表⽰的形式化，也叫概念表⽰语⾔或术语逻辑，是⼀阶谓词逻辑的⼀个可判定⼦集。
⼀个描述逻辑系统由四个基本部分组成： 最基本的元素：概念、关系、个体；TBox术语集：概念术语的公理集合； Abox断⾔集：个体的断⾔集合；TBox 和 ABox上的推理机制。
描述逻辑涉及到的内容也⽐较多，此处举⼏个例⼦，⽐如实体的分类包含关系，⼀个电脑椅是椅⼦，椅⼦是家具，可以说，⼀个电脑椅是家具。常识规则的推理，⼀个男⼈的孩⼦是A，⼀个⼥⼈的孩⼦是A，可以知道，这个男⼈和⼥⼈是配偶。
通过推理发现新的知识，应⽤⽐较多，说明知识图谱的时候也经常不⾃觉的会应⽤推理，⽐如前两年⽐较受⼈关注的王宝强离婚案，为什么会聘⽤张起淮做律师，通过知识图谱可以很清楚知道，王宝强和冯⼩刚关系⽐较密切，冯⼩刚聘⽤张起淮作为律师顾问，所以王宝强很容易和张起淮建⽴关系，这也可以看作是知识推理的范畴。当然，更确切地说，应该是规则的范畴。推理更强调的是固有的逻辑，规则⼀般是和业务相关的⾃定义逻辑，但推理和规则都是通过逻辑准则，获取新的知识或发现，在这⾥先不做区分。
6 质量评估
质量评估，就是对最后的结果数据进⾏评估，将合格的数据放⼊知识图谱中。质量评估的⽅法，根据所构建的知识图谱的不同，对数据要求的差异⽽有所差别。总的⽬的是要获得合乎要求的知识图谱数据，要求的标准根据具体情况确定。 ⽐如对于公共领域的知识图谱，知识的获取采⽤了众包的⽅法，对于同⼀个知识点，可能会有很多⼈来完成，如果这个知识点只有⼀个答案，可以采⽤的⼀种策略是，将多⼈的标注结果进⾏⽐较，取投票多的结果作为最终的结果。当然，这是不严谨的，因为真理往往掌握在少数⼈的⼿⾥，特别是针对⼀些⾏业的知识图谱，表现尤为突出。⾏业内的⼀条知识，可能只有⾏业专家能够给出权威正确的答案，如果让⼤众投票来决定，可能会得到⼀条错误的知识。所以，针对⾏业知识图谱，可能会采⽤不同于公共知识图谱的策略，来进⾏知识的质量评估。
以上零零散散的将知识图谱的构建过程，⼤体做了⼀个描述，知识图谱的构建是⼀个复杂的系统⼯程，涉及到的知识和技术都很多，肯定会有很多知识或技术没有说到，或者是描述的⽐较浅显，没有把握住⼀些构建⽅法的本质，希望⼤家补充，我会在后⾯做项⽬的过程中，不断细化构建过程，将构建中碰到的具体问题，再进⾏详细的描述说明。