知識抽取主要是面向開放的鏈接數(shù)據(jù)，通常典型的輸入是自然語言文本或者多媒體內(nèi)容文檔等。然后通過自動化或者半自動化的技術(shù)抽取出可用的知識單元，知識單元主要包括實(shí)體、關(guān)系以及屬性3個知識要素，并以此為基礎(chǔ)，形成一系列高質(zhì)量的事實(shí)表達(dá)，為上層模式層的構(gòu)建奠定基礎(chǔ)。

實(shí)體抽取也稱為命名實(shí)體學(xué)習(xí)或命名實(shí)體識別，指的是從原始數(shù)據(jù)語料中自動識別出命名實(shí)體。由于實(shí)體是知識圖譜中的最基本元素，其抽取的完整性、準(zhǔn)確率、召回率等將直接影響到知識圖譜構(gòu)建的質(zhì)量。

我們將實(shí)體抽取的方法分為4種：基于百科站點(diǎn)或垂直站點(diǎn)提取、基于規(guī)則與詞典的方法、基于統(tǒng)計機(jī)器學(xué)習(xí)的方法以及面向開放域的抽取方法。

語義類抽取是指從文本中自動抽取信息來構(gòu)造語義類并建立實(shí)體和語義類的關(guān)聯(lián), 作為實(shí)體層面上的規(guī)整和抽象。有一種行之有效的語義類抽取方法，包含三個模塊：并列度相似計算、上下位關(guān)系提取以及語義類生成。

屬性提取的任務(wù)是為每個本體語義類構(gòu)造屬性列表，而屬性值提取則為一個語義類的實(shí)體附加屬性值。屬性和屬性值的抽取能夠形成完整的實(shí)體概念的知識圖譜維度。

關(guān)系抽取的目標(biāo)是解決實(shí)體語義鏈接的問題。關(guān)系的基本信息包括參數(shù)類型、滿足此關(guān)系的元組模式等。

傳統(tǒng)的知識表示方法主要是以RDF(Resource Description Framework資源描述框架)的三元組SPO(subject, predicate,object)來符號性描述實(shí)體之間的關(guān)系。但是其在計算效率、數(shù)據(jù)稀疏性等方面面臨諸多問題。

近年來，以深度學(xué)習(xí)為代表的學(xué)習(xí)技術(shù)取得了重要的進(jìn)展，可以將實(shí)體的語義信息表示為稠密低維實(shí)值向量，進(jìn)而在低維空間中高效計算實(shí)體、關(guān)系及其之間的復(fù)雜語義關(guān)聯(lián)，對知識庫的構(gòu)建、推理、融合以及應(yīng)用均具有重要的意義。

知識表示學(xué)習(xí)的代表模型有距離模型、單層神經(jīng)網(wǎng)絡(luò)模型、雙線性模型、神經(jīng)張量模型、矩陣分解模型、翻譯模型等。

知識庫中的實(shí)體關(guān)系類型也可分為1-to-1、1-to-N、N-to-1、N-to-N4種類型，而復(fù)雜關(guān)系主要指的是1-to-N、N-to-1、N-to-N的3種關(guān)系類型。

現(xiàn)在已經(jīng)從最開始的TransH模型發(fā)展到了用高斯分布來刻畫實(shí)體與關(guān)系的KG2E模型，模型使用高斯分布的均值表示實(shí)體或關(guān)系在語義空間中的中心位置，協(xié)方差則表示實(shí)體或關(guān)系的不確定度

通過知識提取，實(shí)現(xiàn)了從非結(jié)構(gòu)化和半結(jié)構(gòu)化數(shù)據(jù)中獲取實(shí)體、關(guān)系以及實(shí)體屬性信息的目標(biāo)。但是由于知識來源廣泛，存在知識質(zhì)量良莠不齊、來自不同數(shù)據(jù)源的知識重復(fù)、層次結(jié)構(gòu)缺失等問題，所以必須要進(jìn)行知識的融合。

實(shí)體對齊也稱為實(shí)體匹配或?qū)嶓w解析或者實(shí)體鏈接，主要是用于消除異構(gòu)數(shù)據(jù)中實(shí)體沖突、指向不明等不一致性問題，可以從頂層創(chuàng)建一個大規(guī)模的統(tǒng)一知識庫，從而幫助機(jī)器理解多源異質(zhì)的數(shù)據(jù)，形成高質(zhì)量的知識。

1）成對實(shí)體對齊方法

① 基于傳統(tǒng)概率模型的實(shí)體對齊方法主要就是考慮兩個實(shí)體各自屬性的相似性，而并不考慮實(shí)體間的關(guān)系。

② 基于機(jī)器學(xué)習(xí)的實(shí)體對齊方法主要是將實(shí)體對齊問題轉(zhuǎn)化為二分類問題。根據(jù)是否使用標(biāo)注數(shù)據(jù)可分為有監(jiān)督學(xué)習(xí)與無監(jiān)督學(xué)習(xí)兩類，基于監(jiān)督學(xué)習(xí)的實(shí)體對齊方法主要可分為成對實(shí)體對齊、基于聚類的對齊、主動學(xué)習(xí)。

2）局部集體實(shí)體對齊方法

局部集體實(shí)體對齊方法為實(shí)體本身的屬性以及與它有關(guān)聯(lián)的實(shí)體的屬性分別設(shè)置不同的權(quán)重，并通過加權(quán)求和計算總體的相似度，還可使用向量空間模型以及余弦相似性來判別大規(guī)模知識庫中的實(shí)體的相似程度。

3）全局集體實(shí)體對齊方法

① 基于相似性傳播的集體實(shí)體對齊方法是一種典型的集體實(shí)體對齊方法，匹配的兩個實(shí)體與它們產(chǎn)生直接關(guān)聯(lián)的其他實(shí)體也會具有較高的相似性。
② 基于概率模型的集體實(shí)體對齊方法基于概率模型的集體實(shí)體對齊方法主要采用統(tǒng)計關(guān)系學(xué)習(xí)進(jìn)行計算與推理，常用的方法有LDA模型、CRF模型、Markov邏輯網(wǎng)等。

通過實(shí)體對齊，可以得到一系列的基本事實(shí)表達(dá)或初步的本體雛形，然而事實(shí)并不等于知識，它只是知識的基本單位。要形成高質(zhì)量的知識，還需要經(jīng)過知識加工的過程，從層次上形成一個大規(guī)模的知識體系，統(tǒng)一對知識進(jìn)行管理。

1）本體構(gòu)建

本體是同一領(lǐng)域內(nèi)不同主體之間進(jìn)行交流、連通的語義基礎(chǔ)， 其在知識圖譜中的地位相當(dāng)于知識庫的模具，通過本體庫而形成的知識庫不僅層次結(jié)構(gòu)較強(qiáng)，并且冗余程度較小。

本體可通過人工編輯的方式手動構(gòu)建，也可通過數(shù)據(jù)驅(qū)動自動構(gòu)建，然后再經(jīng)質(zhì)量評估方法與人工審核相結(jié)合的方式加以修正與確認(rèn)。

2）質(zhì)量評估

對知識庫的質(zhì)量評估任務(wù)通常是與實(shí)體對齊任務(wù)一起進(jìn)行的，其意義在于，可以對知識的可信度進(jìn)行量化，保留置信度較高的，舍棄置信度較低的，有效確保知識的質(zhì)量。

人類的認(rèn)知能力、知識儲備以及業(yè)務(wù)需求都會隨時間而不斷遞增。因此，知識圖譜的內(nèi)容也需要與時俱進(jìn)，不論是通用知識圖譜，還是行業(yè)知識圖譜，它們都需要不斷地迭代更新，擴(kuò)展現(xiàn)有的知識，增加新的知識。

知識推理則是在已有的知識庫基礎(chǔ)上進(jìn)一步挖掘隱含的知識，從而豐富、擴(kuò)展知識庫。在推理的過程中，往往需要關(guān)聯(lián)規(guī)則的支持。由于實(shí)體、實(shí)體屬性以及關(guān)系的多樣性，人們很難窮舉所有的推理規(guī)則，一些較為復(fù)雜的推理規(guī)則往往是手動總結(jié)的。

對于推理規(guī)則的挖掘，主要還是依賴于實(shí)體以及關(guān)系間的豐富同現(xiàn)情況。知識推理的對象可以是實(shí)體、實(shí)體的屬性、實(shí)體間的關(guān)系、本體庫中概念的層次結(jié)構(gòu)等。知識推理方法主要可分為基于邏輯的推理與基于圖的推理兩種類別。

1） 基于邏輯的推理

基于邏輯的推理基于邏輯的推理方式主要包括一階謂詞邏輯、描述邏輯以及規(guī)則等。一階謂詞邏輯推理是以命題為基本進(jìn)行推理，而命題又包含個體和謂詞。邏輯中的個體對應(yīng)知識庫中的實(shí)體對象，具有客觀獨(dú)立性，可以是具體一個或泛指一類；謂詞則描述了個體的性質(zhì)或個體間的關(guān)系。

2） 基于圖的推理

在基于圖的推理方法中，主要是利用了關(guān)系路徑中的蘊(yùn)涵信息，通過圖中兩個實(shí)體間的多步路徑來預(yù)測它們之間的語義關(guān)系。即從源節(jié)點(diǎn)開始，在圖上根據(jù)路徑建模算法進(jìn)行游走，如果能夠到達(dá)目標(biāo)節(jié)點(diǎn)，則推測源節(jié)點(diǎn)和目標(biāo)節(jié)點(diǎn)間存在聯(lián)系。關(guān)系路徑的建模方法研究工作尚處于初期，其中在關(guān)系路徑的可靠性計算、關(guān)系路徑的語義組合操作等方面，仍有很多工作需進(jìn)一步探索并完成。