**【本节概要】**在当今时代，人们已不再满足于单纯呈现原始的文档， 而是需要更加精炼的知识表达与更加直观的需求解决。从查询条件的扩展，到查询内容的拓展，用户希望实现一次查询，多重服务的信息关联。因此，本节主要结合知识图谱讲解如何从文档中总结并关联知识。
目录
[3.1 知识图谱的符号表示](#3.1 知识图谱的符号表示)
[3.2 知识图谱的相关应用](#3.2 知识图谱的相关应用)
[3.3 更多类型的知识图谱](#3.3 更多类型的知识图谱)
一、知识组织形式的发展
知识图谱是从语义网络和本体论衍生而来。
最早的语义网络，指的是以有向图结构表达人类知识构造的形式，如下图所示。
到了1980s，本体论的概念逐渐被人们认可。本体是指一种形式化的，对于共享概念体系的明确而又详细的说明，也可以说是指特定领域之中存在的对象类型或概念，及其属性和相互关系。
本体论中的五元组表示法：O = {C, R, F, A, I }
- C -- Concept，概念集合，通常以术语形式组织，如"中科大学生"
- R -- Relations，描述概念或实例间语义关系，如"同班同学"
- F -- Functions，一组特殊关系，其中第N个元素由其他n-1个元素决定
- A -- Axioms，公理，例如A是B的父亲，B是C的父亲，得到A与C的关系
- I -- Instances，具体的个体，如"助教"是"中科大学生"的实例
在 1998 年，Tim Berners-Lee 提出了语义网的概念。它的核心思想是通过给万维网上的文档 （如HTML、XML文档）添加能够被计算机所理解的语义"元数据"（Meta data），从而使整个互联网成为一个通用的信息交换媒介。
这里最重要的理念在于，信息应以图的形式组织，图中节点表达任何事物，链接表达事物之间的关联。以图为中心的信息组织方式可以有效提升检索效率，并在开放网络环境中快速增长。
**基本的万维网（WWW）和语义网络的区别？**核心区别：服务对象不同
万维网在组织信息资源时主要面向"人"的信 息发布和获取，侧重于可视效果，即信息的显 示格式和样式（如HTML）。
而语义网必须侧重于信息的语义内容，并考虑计算机对文本内容的"理解"以及它们之间的相互交流和沟通。
二、信息抽取任务概述
从语料中抽取指定的事件、事实等信息， 形成结构化的数据，这个过程叫做信息抽取。被抽取的信息以预先定义的、结构化的形式描述，为后续的情报分析、自动文摘、问答系 统等一系列应用提供服务。
信息抽取和信息检索两者密切相关，却又存在鲜明的差异。首先，两者的功能不同。检索是从文档集合中找文档子集，而抽取是从文本中获取用户感兴趣的事实信息。其次，两者的处理技术不同。检索可以采用统计与关键词等技术，抽取需要借助自然语言处理技术。另外还有使用领域不同。检索与通常领域无关，而抽取则与通常领域相关。
概括来说，信息抽取的核心就是"抽取实体，确定关系"。在MUC-7（1998年）上，定义了5类基本的信息抽取任务，分别是命名实体NE、模板元素TE、共指关系CR、模板关系TR、背景模板ST。
- 命名实体NE（实体抽取）：命名实体抽取是信息抽取最重要的任务。命名实体是文本中基本的信息元素，是正确理解文本的基础。狭义来说，指现实世界中具体或抽象的实体，如人、组织、地点等，广义来说，还可以包含日期和时间、数量表达式等。
- 模板元素TE（属性抽取）：模板元素又称为实体的属性，目的在于更加清楚、完整地描述命名实体。通过槽（Slots）描述了命名实体的基本信息，槽指的是名称、类别、种类等，例如：郝哥表示，这都是大棚的瓜，你嫌贵我还嫌贵呢。TE：瓜是大棚里产的（属性）。
- 共指关系CR：如果不同的命名实体表达了相同的含义，即为共指关系，也称为等价概念。共指关系的抽取任务在于抽取关于共指表达的信息，包括那些已在命名实体和模板元素任务中作了标记的，对于某个命名实体的所有表述。
- 模板关系TR（关系抽取）：实体之间的各种关系，又称为事实。通过关系抽取，将实体关联起来，并为推理奠定基础。
- 场景模板ST（事件抽取）：又称事件，是指实体发生的事件，例如：会议 (Time, Spot, Convener, Topic)。常见的新闻事件描述模板 5W1H，Who 、When 、Where 、What 、Why 、How。
我们用一个具体的例子来说明信息抽取的过程：
三、知识图谱的基本概念
2012年5月16日，Google知识图谱（Knowledge Graph，KG）正式发布。除了显示网页文档的连接列 表外，还提供结构化的、详细的有关主题的信息。其目标是，用户可以使用此功能直接解决查询的问题， 而不必导航到其他网站并自行汇总信息。
一个好的知识图谱至少可从以下三个层面提升搜索的效果：1. 找到最想要的信息：不再需要用户自行浏览、阅读和总结，而将信息直接呈现；2. 提供最全面的摘要：对搜索对象进行总结， 使得用户获得更完整的信息和关联；3. 让搜索更有深度和广度：构建完整知识体系， 使用户获得意想不到的新发现。
3.1 知识图谱的符号表示
知识图谱由前述各种网络衍生而来，由结点和结点之间的边组成， 结点表示概念（或实体）， 边表示关系（或属性）。在数学上，知识图谱表现为一个有向图，方向表示主被动关系，表达相互关系将使用双向图。
一般而言，知识图谱中的节点用来表示概念 （Concept）和实体。 知识图谱中的边用来表示关系（Relation）和属性（Attribute）。关系：侧重实体（Entity）之间的关联，例如"高于"：姚明高于小四；而属性：用于描述实体的特征，例如尺寸，颜色、组成等等。点和边组成知识图谱的基本单位：三元组（头实体-关系-尾实体）
3.2 知识图谱的相关应用
这里我们列举一些知识图谱常见的应用场景。
| 应用场景 | 描述 |
|---|---|
| 语义搜索 | 通过建立事物之间的联系，实现更准确、更直接、更完整的搜索。 |
| 问答系统 | 在理解用户意图的基础上，将知识图谱作为大脑，基于推理能力提升交互体验。 |
| 推荐系统 | 利用知识图谱提高推荐系统的推荐多样性和可解释性，提升推荐性能。 |
3.3 更多类型的知识图谱
本节我们介绍两种比较特殊的知识图谱，分别是事理图谱和多模态知识图谱。
事理图谱所要描绘的是一个逻辑社会， 研究对象是谓词性事件及其内外联系。事理图谱与知识图谱的组织形式相仿，实体通过头尾相连，形成有向图的组织性质。借助图谱中的事理逻辑链接，可以形成对于事件的推理。
事理图谱 = 事件 + 逻辑。其本质是一个事理逻辑知识库，不仅呈现了事件本身的发生，还要揭示它们之间潜在的发展关系和影响链条。这里用一张表格展示普通的知识图谱和事理图谱之间的区别：
同时为了便于理解，再举一个具体例子，说明事理图谱的构建过程：
常见的一些事件之间的关系包括：因果、条件、反转、顺承、上下位、组成、并发。
模态： 某种类型的信息或者存储信息的表示形式。传统图谱以文本模态为主，难以描述复杂的现实世界信息。现实世界语义模态日益丰富，有效表示与整合多模态知识成为趋势。多模态知识图谱可笼统分为属性多模态与实体多模态两大类：
多模态知识图谱可以以不同模态作为信息的入口，不同的模态协作帮助对实体的理解。