知識表示與建模：為知識制定統(tǒng)一的數(shù)據(jù)架構(gòu)（data schema），將獲取到的知識依照統(tǒng)一的數(shù)據(jù)結(jié)構(gòu)存儲并形成知識庫，這是知識圖譜正式構(gòu)建的第一步，影響著后續(xù)的知識融合、存儲以及查詢推理可以使用的方法與效果。

知識融合：將不同源的知識以統(tǒng)一的框架規(guī)范進行驗證、消歧、加工等異構(gòu)數(shù)據(jù)整合工作，這是知識圖譜更新與合并的必經(jīng)之路，為不同知識圖譜間的交互融合提供可能性。

知識存儲：依據(jù)數(shù)據(jù)量的大小、數(shù)據(jù)特征以及應(yīng)用需求的不同，選取合適的存儲模式，將獲取到的數(shù)據(jù)存儲起來，形成知識圖譜。

知識查詢與推理：基于構(gòu)建完成的知識圖譜進行查詢，或者進一步推理挖掘出隱藏知識來豐富、擴展知識圖譜，這是知識圖譜構(gòu)建的最終目的，與知識獲取共同影響著知識圖譜的應(yīng)用場景和范圍。

圖 3：知識圖譜構(gòu)建的要素與示例流程

在執(zhí)行正式的知識獲取步驟之前，通常會首先確認知識的建模表示方式，主要的方式有兩種：

先為知識圖譜設(shè)計數(shù)據(jù)模式（data schema），再依據(jù)設(shè)計好的數(shù)據(jù)模式進行有針對性的數(shù)據(jù)抽取，這是自頂向下（top-down）的數(shù)據(jù)建模方法，一般適用于數(shù)據(jù)相對集中、知識結(jié)構(gòu)相對確定的垂直領(lǐng)域行業(yè)知識圖譜；

先進行數(shù)據(jù)的收集和整理，再根據(jù)數(shù)據(jù)內(nèi)容總結(jié)、歸納其特點，提煉框架，逐步形成確定的數(shù)據(jù)模式，這是自底向上（bottom-up）的數(shù)據(jù)建模方法，一般適用于與涉及海量數(shù)據(jù)、內(nèi)容繁雜且架構(gòu)不清晰的公共領(lǐng)域通用知識圖譜。

圖 4：知識圖譜數(shù)據(jù)建模方法 [3]

知識圖譜構(gòu)建的核心技術(shù)、局限與發(fā)展方向

知識獲取是構(gòu)建知識圖譜的核心與前提條件，也是自動構(gòu)建知識圖譜最關(guān)鍵的影響要素和重點研究領(lǐng)域。除了純?nèi)斯さ闹R輸入之外，目前的知識獲取主要是指針對結(jié)構(gòu)化數(shù)據(jù)（如關(guān)系型數(shù)據(jù)庫）、半結(jié)構(gòu)化數(shù)據(jù)（如詞典、百科類標記清晰的網(wǎng)頁數(shù)據(jù)）、或者非結(jié)構(gòu)化數(shù)據(jù)（如聲音、圖像和文字語料數(shù)據(jù)）這三類不同結(jié)構(gòu)的知識進行的自動或半自動抽取。

對于結(jié)構(gòu)和半結(jié)構(gòu)化的數(shù)據(jù)，通常只需要簡單的預(yù)處理和映射即可以作為后續(xù)數(shù)據(jù)分析系統(tǒng)的輸入，相關(guān)技術(shù)已經(jīng)比較成熟。而非結(jié)構(gòu)化數(shù)據(jù)通常需要借助自然語言處理、信息抽取、乃至深度學習的技術(shù)來幫助提取有效信息，這也是目前知識抽取技術(shù)的主要難點和研究方向，包含實體抽取、關(guān)系抽取和事件抽取三個重要的子技術(shù)任務(wù)。

實體抽取：主要是指命名實體識別（Named Entity Recognition, NER）任務(wù)，即從純文本中自動識別并提出特定類別的命名實體，如人物、組織、地點、時間、金額等。實體抽取是知識抽取中最基礎(chǔ)的步驟，早期主要是通過人工編寫規(guī)則的方式進行抽取，但規(guī)則不易總結(jié)、成本高且移植性差，目前主要是作為補充方法使用。在這之后，實體抽取多采用基于特征的統(tǒng)計方法，使用如隱馬爾可夫（HMM）和條件隨機場（CRF）等模型，將實體抽取當做序列標注問題進行預(yù)測標注。而近年來，隨著深度學習的發(fā)展，目前較流行的方法是將統(tǒng)計方法與深度神經(jīng)網(wǎng)絡(luò)相結(jié)合，使用如長短期記憶網(wǎng)絡(luò)（LSTM）自動提取特征，再結(jié)合 CRF 模型標注提取實體，自動化程度更高，適用范圍更廣。

關(guān)系抽取：指從文本中識別抽取實體之間的關(guān)系，抽取結(jié)果常使用 SPO 結(jié)構(gòu)（即主謂賓結(jié)構(gòu)）的三元組來表示。與實體抽取類似，早期主要使用基于模板的方法（觸發(fā)詞模板、依存句法分析模板等），近年來開始發(fā)展出半自動的基于監(jiān)督學習的方法（CNN、RNN 等）和純自動的基于弱監(jiān)督學習的方法（遠程監(jiān)督、Boostrapping 等）。目前在關(guān)系抽取任務(wù)上取得最佳表現(xiàn)的模型大多融入了注意力機制，如 Attention CNNs 模型和 Attention BLSTM 模型等。

事件抽?。?/strong>指識別文本中目標事件的信息，并以結(jié)構(gòu)化的形式呈現(xiàn)。例如從投融資新聞中定位融資公司、融資金額、投資企業(yè)等信息；或是從恐怖襲擊事件的新聞報道中識別提取出襲擊發(fā)生的時間、地點和受害人信息等。事件抽取同時涉及到實體和關(guān)系抽取的相關(guān)技術(shù)。從宏觀的事件抽取思路上來看，事件抽取的方法可分為流水線抽取和聯(lián)合抽取兩大類方法。流水線抽取的思路是將事件抽取任務(wù)進一步分解為事件識別、元素抽取、屬性分類等一條流水線上的多個子任務(wù)，分別使用相應(yīng)的機器學習分類器實現(xiàn)，這是目前事件抽取的主流方法。聯(lián)合抽取則主要是采用基于概率圖的模型進行聯(lián)合建模，或基于深度學習的方法（如基于注意力機制的序列標注模型），將事件的多個元素作為一個整體共同識別并提取。