¿Cuál es el concepto de gráfico de conocimiento?
El concepto de gráfico de conocimiento es que el gráfico de conocimiento se construye de arriba hacia abajo. De arriba hacia abajo se refiere a definir la ontología y el esquema de datos para el gráfico de conocimiento y luego agregar entidades a la base de conocimiento.
Este enfoque requiere utilizar alguna base de conocimiento estructurada existente como base de conocimiento subyacente, como el proyecto Freebase, que extrae la mayoría de sus datos de Wikipedia.
Sin embargo, actualmente la mayoría de gráficos de conocimiento se construyen de abajo hacia arriba. Ascendente se refiere a extraer entidades de algunos datos conectados de forma abierta (también conocidos como "información"), seleccionar entidades con mayor confianza para agregarlas a la base de conocimientos y luego construir vínculos entre entidades.
La arquitectura del gráfico de conocimiento es:
La arquitectura del gráfico de conocimiento incluye principalmente su propia estructura lógica y arquitectura.
La estructura lógica del gráfico de conocimiento se puede dividir en dos niveles, la capa de patrón y la capa de datos. La capa de datos se compone principalmente de una serie de hechos, y el conocimiento se almacenará en unidades de hechos.
Si los hechos se expresan en forma de tripletas, como (entidad 1, relación, entidad 2), (entidad, atributo, valor de atributo), puede elegir una base de datos gráfica como medio de almacenamiento. como el código abierto Neo4j, FlockDB de Twitter, JanusGraph, etc.
La capa de patrón se construye sobre la capa de datos y utiliza principalmente la biblioteca de ontologías para estandarizar una serie de expresiones de hechos en la capa de datos. La ontología es un modelo conceptual de una base de conocimiento estructurada. La base de conocimiento formada a través de la base de ontología no solo tiene una estructura jerárquica más fuerte, sino que también tiene una menor redundancia.
La construcción y aplicación de bases de conocimiento a gran escala requieren el apoyo de una variedad de tecnologías inteligentes de procesamiento de información. A través de la tecnología de extracción de conocimiento, se pueden extraer elementos de conocimiento como entidades, relaciones y atributos de algunos datos públicos semiestructurados y no estructurados. A través de la fusión de conocimientos, se puede eliminar la ambigüedad entre elementos de referencia como entidades, relaciones y atributos y objetos de hechos, formando así una base de conocimientos de alta calidad.
El razonamiento del conocimiento consiste en extraer aún más conocimiento implícito basado en la base de conocimiento existente, enriqueciendo y ampliando así la base de conocimiento. El vector integrado formado por la representación distribuida del conocimiento es de gran importancia para la construcción, razonamiento, fusión y aplicación de la base de conocimientos.