領域知識圖譜的基本概念與構建特點

楊媛媛

本刊核心層次論文

領域知識圖譜的基本概念與構建特點

楊媛媛

(渤海大學 文學院，遼寧 錦州 121013)

知識圖譜作為人工智能發展的基礎性內核技術，逐漸成為計算語言學與自然語言處理研究的熱點問題。對領域知識圖譜的基本概念和構建特點進行系統梳理，對領域知識圖譜的理論與實踐研究具有一定價值。本文對領域知識圖譜的基本概念、主要特點、發展歷程、構建流程等內容進行了描寫和分析。在梳理領域知識圖譜取得的研究成果的基礎上，總結了目前領域知識圖譜構建的主要特點：數據來源和數據處理具有較強的領域特性，關系抽取是領域知識圖譜構建的關鍵技術問題，領域知識圖譜構建需要領域知識與構建技術的深度融合。

領域知識圖譜；知識圖譜；構建；特點

國家“十四五”發展規劃明確將科技自強作為國家發展的重要戰略任務，將人工智能列為最高級別優先發展的對象。《國務院辦公廳關于全面加強新時代語言文字工作的意見》明確提出“大力推動語言文字與人工智能、大數據、云計算等信息技術的深度融合。”知識圖譜作為基礎性內核技術，是人工智能得以實現的重要基礎。2012年，搜索引擎巨頭谷歌公司最早提出了“知識圖譜”的概念。知識圖譜的出現，為傳統信息檢索帶來了巨大的變革，讓人們看到了信息檢索所可能達到的最簡潔、直接的效果，也讓人們看到了相關問題的無限延伸，意識到知識庫規模的重要性。繼谷歌之后，各大互聯網巨頭紛紛構建了自己的知識圖譜，國外如Freebase、WikiData等；國內如百度知心、搜狗知立方等。目前，世界各大公司都在不斷擴充自己的知識圖譜規模，使其包含的實體規模數量更大，關系更復雜，體系更完備。與覆蓋各個領域的通用知識圖譜相比，專注于某一特定領域的領域知識圖譜所需實體數量規模和關系搭建難度相對降低。各個領域都在構建自己的知識圖譜，并試圖將其應用在專業領域來解決實際問題，如醫療、金融、地理、軍事、政治、語言、旅游等領域。目前各領域知識圖譜構建都有了初步探索，并取得了一定成果。

一、領域知識圖譜的概念

“知識圖譜”產生于語義網（Semantic Web）的快速發展，其本質內涵是語義網的延伸和擴展。20世紀中后期，計算機科學領域的專家學者普遍發現，使用圖形來表示知識更便于知識的表達和理解。隨著學者們逐漸認識到語義關系在計算機信息處理中的重要性，將圖論與語義關系構建相結合的語義網絡便應運而生。語義網絡，是用網絡表示不同實體和概念之間語義關系的一種形式，通常以圖的形式表現出來。

“知識圖譜”正是在語義網絡的基礎上發展起來，其本質是一種使用圖形表示知識之間關系的知識表示形式。與語義網絡相比，知識圖譜所覆蓋的知識范圍更大，關系更復雜。“知識圖譜”主要由實體和關系構成。實體就是一個確切的對象，每個實體都會有很多屬性，比如“梅西”是一個實體，屬性包括身高、生日、國籍、所屬俱樂部等。實體是相對獨立的，而屬性往往依附于實體，有時實體的某個或多個屬性，也可以是一個或多個獨立的實體，比如“梅西的家人”對應了父親、母親、哥哥、姐姐等，在每個稱謂都對應了一個實體的同時，這個稱謂本身就是一種屬性。關系則包括實體與屬性、實體與實體、屬性與屬性之間各種各樣的聯系。關系是形成知識圖譜的關鍵，基于知識圖譜的檢索系統正是通過遍歷每個節點尋找它們之間的語義關系，從而鎖定檢索目標。

知識圖譜分為通用知識圖譜和領域知識圖譜。通用知識圖譜中的實體與關系覆蓋范圍廣，能夠滿足人們日常對各個行業、各種知識的檢索。領域知識圖譜只服務于特定的研究領域。

通用知識圖譜與領域知識圖譜的主要區別就是實體的范圍。領域知識圖譜在構建過程中，只構建特定領域內的實體，實體之間的關系描述與抽取則需要熟練的專業知識作為支撐。同時，領域知識圖譜通常為解決特定領域內專業人員的檢索需求而構建，具有很強的針對性，服務特定領域和特定人群，如雙語旅游知識圖譜、區域地理知識圖譜、政治領域知識圖譜等。領域知識圖譜的上位概念是行業知識圖譜，多個精專的研究領域構成了特定行業。行業知識圖譜的規模通常比領域知識圖譜更大，知識覆蓋的廣度更大。

二、領域知識圖譜的特點

“知識圖譜”從誕生之初的通用知識圖譜（General-purpose Knowledge Graph），到行業知識圖譜，再到領域知識圖譜(Domain-specific Knowledge Graph)，這一系列知識圖譜的產生和構建，體現了人工智能為了滿足人們對知識和知識表示形式不同層面的需求而取得的一系列成果。與通用知識圖譜相比，領域知識圖譜具有以下特點：

（一）知識表示深度延長

領域知識圖譜與通用和行業知識圖譜相比，最突出的特點是具有領域專業性，這種專業性主要體現在知識表示的深度與粒度上。領域知識圖譜根據具體需求可以達到更深的知識層面，比如我們最熟悉的電商領域，相對“裙子”這個通用概念，“日系夏季新款百搭氣質優雅收腰顯瘦小個子中長款修身連衣裙”在通用概念的基礎上，進行了精細化分類，從各個分類角度對實體進行描述與定位，從而為搜索引擎提供了更多的檢索鏈條。有時人們對于深度的認識不能達成一致，即使在相同的學科背景之下，對于一些概念或知識點的分層，學者們存在一定的分歧，這種主觀認知上的差別是領域知識圖譜構建所面臨的主要困難之一。

（二）知識表示粒度細化

領域知識圖譜所覆蓋的知識粒度也更細，知識圖譜內部的知識單位，可以是一個幾十頁的文件，幾百字的段落，或只有一個漢字的關鍵詞。領域知識圖譜為了滿足專業的檢索需求，其粒度往往要覆蓋到具體知識點，甚至一個知識點的下位概念、相關概念、相關概念的下位概念等。如，醫學領域知識圖譜，關于一種疾病的知識表示，包括它發生的部位、產生癥狀、對應檢查、并發疾病、治療方式、治療藥物、相關流行病、社會學調查等一系列知識單位。每個知識單位繼續層層展開分類，直到具體的關鍵詞為止。正是因為領域知識圖譜所覆蓋的粒度更細，粒度之間的聯系更加復雜、多維，才能滿足專業領域的深度檢索需求，解決更專業的問題。

三、領域知識圖譜的發展歷程

（一）符號與推理模型階段

“知識圖譜”的誕生要追溯整個人工智能的發展歷程。作為人工智能龐大體系中的一個組成部分，知識圖譜是人工智能在大數據時代發展的重要突破。人工智能研究的終極目標是使計算機像人腦一樣，不僅僅能夠處理簡單的計算和推理，并且能夠完成類似人類大腦通過思考來處理問題的一系列復雜任務。

人工智能興起之初，學者們并沒有像現在這樣認識到知識的重要性，而是側重于使用符號構建各種各樣的推理模型。面對某一特定問題，通過構建模型和數據的推導來得到一個結果，這就是答案。這種推理方式可以說是冷酷無情的，將互聯網中所有的信息轉化為格式化數據，所有信息的關系依靠運算符號進行推導和歸納，這種數據化的結構方式忽略了信息本身的特性，突出的是結構化的共性。

（二）知識工程階段

隨著人工智能的發展，當信息處理發展到一定程度，僅依靠單一化、絕對化的符號處理不能體現龐大、多元、復雜的結構關系，也無法充分體現數據的本質特性之后，學者們逐漸認識到“知識”的重要性。“知識”體現在兩個方面：

第一是結構化數據背后所隱藏的信息的特有屬性和知識價值；

第二是模擬人腦所具有的，使用已經獲得的知識進行相關推理的能力。讓計算機能夠像人腦一樣具有相關知識的識別和推理能力，而不是單純通過構建模型進行數據推導，使人工智能發展到了一個新的階段。

這種讓計算機具有領域專家一樣的知識推導能力的思想叫作“知識工程”。“知識工程”的核心思想是讓計算機具有專家級別的知識體系，構建“專家系統”。在專家系統的構建工程中，這些門類復雜的知識如何有效地表達出來，是一個關鍵問題。海量知識的存儲和表示，是構建知識之間推理關系的重要前提。

因此，尋找一種能夠準確、高效地完成知識表示的方法是推動知識工程構建的關鍵步驟。知識表示是將來源于現實世界的具體信息轉換成結構化數據，以便實現后期知識推理。而現實世界中的海量信息語義關系復雜，邏輯關系層次混亂，常常需要專業的分析和思考。為了解決知識表示所面臨的困難，學者們嘗試了多種知識表示的方法，語義網絡就是其中一種，此外還包括謂詞邏輯、決策樹、貝葉斯網絡、馬爾科夫邏輯網等[1]。

（三）知識表示階段

知識圖譜就是在這些方法的基礎上誕生的知識表示方法之一。但知識圖譜誕生之初，就有著與傳統知識工程的知識表示方法本質的區別。知識圖譜興起于大數據時代，互聯網的高速發展催生了用戶對數據規模的需求，這就要求新的知識表示方法，能夠適用于具有龐大數據規模并且處于不斷更新之中的大數據網絡。

2012年谷歌公司推出了知識圖譜，這種全新的知識表示形式更新了傳統的知識表示，擴大了知識工程的規模，打破了傳統知識工程中既定專家系統的邊界，滿足了大數據時代的互聯網信息檢索需求。知識圖譜誕生于大數據時代，根植于互聯網系統，以大規模的知識表示為主要任務。作為大數據時代知識工程的代表性方法，其突出特點是融合了互聯網所生成的內容，包括網站、網頁、論壇、百科以及各種信息來源和各種形式的信息。這些來自用戶的海量信息以極大的開放性、復雜性和超乎想象的速度日益增長，面對如此巨大的信息規模，基于互聯網的知識圖譜的構建面臨著巨大的挑戰，同時也具有極大的應用價值。

四、領域知識圖譜的構建流程

領域知識圖譜的核心要件是海量的實體和多維復雜的實體之間的關系，因此構建知識圖譜的工作主要分為實體識別和抽取實體之間的兩大關系。

（一）實體識別

實體識別是構建知識圖譜的基礎性工作。實體是構成知識圖譜關系網絡的個體，擁有足夠數量的實體才能構成規模性知識圖譜。實體識別是在來源各異、形式多樣的海量信息中將具體的時間、地點、任務、學科等實體信息識別出來。根據構建需求，實體的識別可以達到不同的粒度，如機構的識別，就有“中央民族大學”和“中央民族大學中國少數民族語言學院蒙古語言文學系”兩種不同的粒度，識別的層次分別是學校名稱和具體院系名稱。實體識別的方法主要有兩種：

一種是制定好規則或者固定的模板，并配合一定的人工參與，比如“大學”這個字段前面的內容就是一個特定機構的名稱，“大學”就是模板之一。而規則的制定是需要豐富的語言學知識的，需要一定的人工參與。這種方法的特點就是高度依賴模板和規則，前期模板描寫和規則制定需要大量的準備工作。

另一種方法就是依靠機器學習，通過訓練模型對目標文本進行自動標注和識別。根據具體的需求，構建標簽體系，對目標文本中的每個詞語進行標簽標注，使用各種特征進行模型訓練，從而完成標注，實現實體識別。比較經典的訓練模型包括隱馬爾科夫模型（HMM）、條件隨機場模型（CRF）和深度學習模型。

（二）關系抽取

實體之間關系的抽取是構建知識圖譜的核心內容。通過實體之間關系抽取和搭建才能形成規模性網絡，從而實現智能推薦和立體檢索。實體之間關系的抽取方法，與實體識別類似，主要有兩種：

一種是依靠觸發詞或依存句法匹配的方法，這種方法類似于使用固定模板，即出現特定的觸發詞，就進行關系抽取；或者對目標語句進行分析，將分析結果與依存語法規則匹配，匹配成功就生成一組實體與關系。這種方法的實質是依靠前期豐富的觸發詞和大量的依存語法規則的制定，后期只需要進行簡單的匹配就能得到結果。其優點是操作簡單，結果準確；其缺點是前期模板的構建工作量大，規則庫一旦構建，可調整性差。

另一種方法是依靠機器學習，訓練模型實現自動抽取的方法。為了達到自動抽取，盡量減少人工標注和人工設計特征的目標，實體關系抽取的機器學習模型從傳統的有監督學習使用特征標注的最大熵模型、核函數方法中的句法樹、SPT最短依賴路徑樹、上下文相關的最短依賴樹等思想，到遞歸神經網絡、卷積神經網絡、圖神經網絡等深度學習關系抽取模型，以及不斷提出的不滿足于深度學習大量標注而提出的半監督抽取方法。實體關系自動抽取的方法經歷了一系列的演變和發展[2]。

五、領域知識圖譜構建主要特點

（一）數據來源和數據處理具有較強領域特性

與通用知識圖譜相比，領域知識圖譜的數據來源具有較強的領域特性。這種特性主要體現為數據的專深性，是由領域知識圖譜的性質決定的。在目前的領域知識圖譜構建研究中，大多數研究集中在某一特定領域的具體方向上。因此，與通用知識圖譜相比，數據來源的范圍相對狹窄，只針對特定研究方向的特定問題；同時數據來源的深度相對延長，往往需要具有專業背景的專業人士進行前期的數據選取和加工處理。如，醫學領域的疾病名稱、藥物名稱、病理體系[3-5]，語言學領域甲骨文的字際關系[6-7]、漢語與外語或少數民族語言之間跨語言的同源詞對應[8]，軍事安全領域的情報獲取與反恐感知，政治領域的事件劃分與事理推斷[9]，地理領域的位置數據和時空轉換[10]，司法領域的罪名判斷，電商領域的商品信息對應[11]，海關領域的商品甄別，農業領域的蟲害信息等。領域內部專業知識的獲取，除了使用網絡爬蟲對相對應的網絡頁面進行爬取之外，還要對獲得的文本信息進行人工地分析和篩選，去除研究主題無關的干擾項。

領域知識圖譜的數據來源具有較強的領域特性也體現在實體抽取中。對來源數據進行數據清理以后，領域知識圖譜構建的基礎工作是對數據庫中的實體進行識別和抽取，哪些命名實體是構建領域知識圖譜的主體，是實體抽取的主要對象，實體和它的各個屬性信息之間是怎樣的對應關系，實體與實體之間的關聯關系，都需要在抽取工作開始之前，進行系統地整理和規范。而這些實體、屬性、關系之間的規則建立則需要由具有專業背景和領域知識才能完成，與通用知識圖譜中的通用知識有著本質區別。

所以，在領域知識圖譜構建的前期，在構建領域知識庫的過程中所有涉及到數據文本的處理問題都體現出較強的領域特性，是領域知識圖譜構建的主要特點之一。

（二）關系抽取是領域知識圖譜構建的關鍵技術問題

不論是通用知識圖譜還是領域知識圖譜的構建，都圍繞著實體、實體的屬性、實體之間的關系這三個核心元素展開。在知識圖譜的構建過程中，人們通常將這三者從海量信息中抽取出來，構成一個實體的三元組。同一個實體的屬性通常是多元的，具有很強的擴展性，是否將實體的所有屬性信息在海量的信息中全部抽取出來，或者只是有選擇地進行抽取和組合，是構建知識圖譜的另一項至關重要的決定。因為同一個實體所選定的屬性數量的多少，將同時決定實體與實體之間關系的數量、關系的種類、關系的層次等等。而知識圖譜構建工作的關鍵技術問題就是在海量的實體與屬性信息中，抽取那些顯性的或隱性的語義關系。

領域知識圖譜構建的主要技術問題包括知識抽取、知識表示、知識融合與知識推理。這四個主要技術問題實際上是領域知識圖譜構建的四個主要步驟，它們都是圍繞著知識圖譜的核心——實體關系展開的。不論是知識抽取、知識表示還是知識推理，這幾項工作的處理對象都是實體和屬性信息之間的語義關系。而在這三項對實體和屬性信息關系的處理工作中，實體和屬性信息的關系抽取是核心基礎工作，不論是知識表示還是知識推理都是在前期的關系抽取的基礎上完成的。因此，關系抽取工作的結果，將直接影響后期知識表示和知識推理的質量和層級。關系抽取是領域知識圖譜構建的關鍵技術問題。

在面向各領域的知識圖譜構建中，針對各領域的具體的實體關系，提出了不同的關系抽取框架和模型。傳統的關系抽取方法主要是人工制定語義規則或模板，隨著自然語言處理技術的發展，關系模型逐漸取代了人工定義的規則。目前，在領域知識圖譜構建中常用的關系抽取方法主要包括馬爾科夫邏輯網和本體推理等。馬爾科夫邏輯網MLN（Markov logic network）[12]是一種基于關系學習框架的實體關系抽取模型，該模型融合了馬爾科夫網絡與一階邏輯。在馬爾科夫邏輯網的基礎上，提出了各種各樣針對實體關系抽取的改進模型，包括可自動生成抽取器的StatSnowball模型[13]、將關系抽取與實體識別結合的EntSum模型[14]、簡易馬爾科夫邏輯模型[15]等。

這些關系抽取的框架和模型，隨著大數據時代計算機技術和人工智能的快速發展而不斷改進，沒有一種框架和模型是一成不變的。針對不同具體領域的數據特征，調整模型和參數，從而促進了領域知識圖譜關系抽取技術的全面發展。

（三）領域知識圖譜構建需要領域知識與構建技術的深度融合

領域知識圖譜的構建是在知識圖譜構建技術與領域知識進行深度融合的基礎上完成的，與通用知識圖譜相比難度更大。與領域知識深度融合的知識圖譜構建，從數據獲取、數據清洗、規則建立等基礎性工作，到信息抽取、知識表示、圖譜可視化等一系列工作中都要對領域知識進行有針對性地處理。例如，地理領域知識圖譜的構建，必須充分考慮地理領域知識的特性。地理空間數據是地理領域知識圖譜數據區別于其他領域知識圖譜的主要特征。除了一般領域知識圖譜構建需要的實體屬性、語義關聯之外，還要抽取地物的空間方位等地理語義特征。

來自通用知識庫的屬性信息只能提供地物的一般語義特征，如名稱、長度、寬度、坐標，以及與其他地物之間的關系等；而地理空間信息則包括地物的空間方位信息，如東南西北、穿過、鄰接、覆蓋、遠近等。此外，地物的空間特征具有幾何形狀與空間關系兩重特征。幾何形狀如點（車站）、線（道路）、面（行政區域）；空間關系包括方位（東、南、西、北）、拓撲（相等、相離、鄰接、相交、穿過、在之內、覆蓋）、距離關系（遠、近、非常近、非常遠、中等）[16]。因此，地理領域知識圖譜的構建，在實體抽取和關系抽取中，除了屬性和語義關系的抽取，還要進行空間關系的抽取，并將地理空間知識與通用知識進行知識融合，實體對齊，屬性融合，從而構建領域知識圖譜。除此之外，地理領域知識圖譜在關系抽取過程中，在處理語義信息的基礎上，還要處理位置信息[17]。這使得地理領域知識圖譜的實體構建和關系抽取工作量更加繁重復雜。構建一個地理領域知識圖譜的工程要大大超出其他領域知識圖譜，融合了位置信息和語義信息的實體關系變得更加復雜，很多時候要將各種關系進行分層處理。這使得實體之間的關系鏈條大大增加，在顯性關系的基礎上補全隱性的、需要進一步推理的實體關系，對實體之間的鏈接進行預測和補全是地理領域知識圖譜構建技術關注較多的問題[18]。

此外，政治領域、醫學領域、電商領域、法律領域等各領域知識圖譜的構建都要對領域知識與構建技術進行深度融合，充分考慮到具體領域知識在語義表達上的突出特征，并將這些特征進行充分和完整地表達，從而構建具有領域特色的知識圖譜。但深度融合了領域知識的知識圖譜構建，在技術上和工程上所面臨的難度和挑戰也更大。因此，很多領域知識圖譜構建的研究并不聚焦于整個領域知識圖譜的構建工作，而專注于領域知識圖譜構建微觀技術的實現，如基于實體關系的知識補全、鏈接預測、知識推理模型、算法改進等。這些專注于關系抽取或知識表示的細微技術的改進對領域知識圖譜的構建有著重要意義。正是在每一次技術和方法改進的技術上，這種領域知識與構建技術的深度融合才得以實現。

[1] 肖仰華. 知識圖譜概念與技術[M]. 北京: 電子工業出版社, 2020: 10.

[2] 陳華均. 知識圖譜導論[M]. 北京: 電子工業出版社, 2021: 64-83.

[3] 劉道文. 基于多源知識圖譜融合的智能導診算法[J]. 中文信息學報, 2021, 35(1): 125-134.

[4] 龔樂君, 楊璐, 高志宏, 等. LncRNA與疾病關系的知識 圖譜構建[J]. 山東大學學報, 2021, 51(2): 26-33.

[5] 譚玲. 醫學知識圖譜構建關鍵技術及研究進展[EB/OL]. (2021-03-08)[2022-02-23].https://kns.cnki.net/kcms/ detail/10.1321.g2.20210428.0849.002.html

[6] 熊晶, 鐘珞, 王愛民. 甲骨文知識圖譜構建中的實體關系發現研究[J]. 計算機工程與科學, 2015, 37(11): 2189- 2194.

[7] 蔡鴻博. 基于上位詞的中文實體關系圖譜構建[D]. 哈爾濱: 哈爾濱工業大學, 2014.

[8] 馮小蘭, 趙小兵. 漢藏雙語旅游領域知識圖譜系統構建[J].中文信息學報, 2019, 33(11): 65-72.

[9] 賀博驛. 思政領域知識圖譜構建與系統實現[D]. 武漢: 華中師范大學, 2020.

[10] 劉俊楠, 劉海硯, 陳曉慧, 等. 面向多源地理空間數據的知識圖譜構建[J]. 地球信息科學報, 2020, 22(7): 1476-1486.

[11] 王思宇. 基于知識圖譜的在線商品問答研究[J]. 中文信息學報, 2020, 34(11): 104-112.

[12] DOMINGOS P, LOWD D. Markov logic: an interface layer for artificial intelligence[M]. San Rafael, CA: Morgan & Claypool, 2009: 24-30.

[13] ZHU Jun, NIE Zai-qing, LIU Xiao-jiang, et al. Stat-Snowball: a statistical approach to extracting entityrela-tionships[C]//Proceedings of the 18th International Con-ference on WorldWideWeb. Switzerland: WWW 2009: 101-110.

[14] LIU Xiao-jiang, YU Neng-hai. People summarization by combining named entity recognition and relation extraction[J]. Journal of Convergence Information Te-chnology, 2010, 5(10): 233-241.

[15] DOMINGOS P, WEBB A. A tractable first-order probabilistic logic[C]//Proceedings of the 26th AAAI Conference on Artificial Intelligence. San Francisco, CA: AAAI, 2012:1902-1909.

[16] 段鵬飛. 基于空間投影和關系路徑的地理知識圖譜表示學習[J]. 中文信息學報, 2018, 32(3): 26-33.

[17] 李恒. 地理社會網絡數據可視化分析研究綜述[J]. 中文信息學報, 2018, 32(10): 11-18.

[18] 張寧豫. 基于位置的知識圖譜鏈接預測[J]. 中文信息學報, 2018, 32(4): 80-86.

H17

A

1674-327X (2022)03-0057-05

10.15916/j.issn1674-327x.2022.03.014

2022-01-14

國家社科基金青年項目(17CYY044); 遼寧省哲學社會科學青年人才委托項目(2022LSLWTKT-059)

楊媛媛(1986-)，女(滿族)，遼寧錦州人，講師，博士。

(責任編輯：付春玲)