2025知识图谱管理规范.docx

知识图谱管理规范

PAGE\*ROMAN

PAGE\*ROMANII

目次

前言 II

范围 1

术语和定义 1

知识图谱管理概述 1

知识图谱管理要求 2

指标定义和规范性描述 3

评测方法 4

PAGE

PAGE1

知识图谱管理规范

范围

本标准规定了知识图谱管理的术语和定义、知识图谱管理概述、知识图谱管理要求、指标定义和规范性描述、评测方法等。

术语和定义

知识图谱

知识图谱旨在描述真实世界中存在的各种实体或概念，以及它们之间的关联关系，由大量三元组的知识库组成。

资源描述框架

一种可以表现资源关系的资料模型。缩略语为RDF（ResourceDescriptionFramework）。由R代表页面，图片、视频等任何具有?RI标识符，D标识属性、特征和资源之间的关系，F标识模型、语言和这些描述的语法。

三元组

一种数据结构的压缩方式。在知识图谱中，三元组由一个实体，实体关系与另一个实体共同构成。其中，两个实体作为结点，实体关系作为一条边。知识总是以三元组的形式出现，即每一份知识都可以被分解为：主题，阐述，宗旨。

实体

具有可区别性且独立存在的某种事物。

知识图谱管理概述

AI需要从感知智能迈向认知智能，认知的建立需要思考的能力，而思考是建立在知识基础上的；知识图谱富含实体、概念、属性、实践、关系等信息，基于一定的知识推理为可解释性AI提供了全新的视角和机遇，知识图谱使能机器语言认知，让可解释人工智能成为可能，有效提升机器学习能力。知识引导为解决问题的主要方式，知识将成为比数据更为重要的资产，科学的知识图谱管理对于知识资产的形成、管理、使用、传承影响重大。

知识图谱管理要求

知识抽取

知识抽取，即从不同来源、不同结构的数据中进行知识提取，形成知识或结构化数据存入到知识图谱。知识抽取主要面向开放的链接数据。自然语言文本或多媒体内容文档等内容的输入是知识抽取的通常典型。进一步地，通过自动化或者半自动化的技术抽取出可用的知识单元。

知识单元

知识单元主要包括实体、关系以及属性3个知识要素，并以此为基础，形成一系列高质量的事实表达，为上层模式层的构建奠定基础。抽取数据应满足完整性、准确率、召回率等要求。以上因素直接影响知识图谱整体构建的质量。

知识挖掘

知识挖掘是指从数据中获取实体及新的实体链接和新的关联规则等信息的操作。主要的技术包含实体的链接与消歧、知识规则挖掘、知识图谱表示学习等。其中实体链接与消歧为知识的内容挖掘，知识规则挖掘属于结构挖掘，表示学习则是将知识图谱映射到向量空间而后进行挖掘。

知识计算

知识计算主要是根据图谱提供的信息得到更多隐含的知识，如通过本体或者规则推理技术可以获取数据中存在的隐含知识；而链接预测则可预测实体间隐含的关系；同时使用社会计算的不同算法在知识网络上计算获取知识图谱上存在的社区，提供知识间关联的路径；通过不一致检测技术发现数据中的噪声和缺陷。

知识融合

将不同源不同结构以分散、异构、自治的形式存在，具有冗余、噪音、不确定、非完备的数据融合成统一的知识图谱，以保证知识的一致性。

知识更新

知识库更新用于对知识库中的数据信息进行更新，使数据信息对应一个可信度及反馈次数。

知识图谱存储

知识图谱管理涉及到的数据多种类型，实现有效的存储，需要可选择多种不同的数据库和不同的设计模式做支撑。知识图谱的存储并不依赖特定的底层结构，应按数据和应用的需求采用不同的底层存储。

图谱可视化

数据的展示及展示规则是知识图谱管理者和使用者了解数据的重要影响因素。对于经过前期知识抽取、知识挖掘、知识计算、知识融合和质量评估等形成的知识图谱，可以通过图谱可视化的方式展示给用户观看，同时为了满足不同角色的用户查看需求，应提供实体筛选、

关系筛选、节点等级筛选等筛选查询功能，让用户可以自主筛选查看不同知识构建的知识图谱。

指标定义和规范性描述

知识抽取规范

知识抽取为知识建模提供素材。使用抽取技术后的得到一种结构化的数据，例如，标记、图表、术语表、公式和非正式的规则等。抽取应该集中化和结构化，同时保证尽可能地开放。

知识挖掘规范

知识挖掘是一种决策支持过程，主要基于人工智能、机器学习、模式识别、统计学、数据库、可视化技术等，高度自动化地分析企业的数据，做出归纳性的推理，从中挖掘出潜在的模式，帮助用户调整策略，减少风险，做出正确的决策。知识挖掘的数据源必须是真实的、大量的、含噪声的；发现的是用户感兴趣的知识；发现的知识应可接受、可理解、可运用；并不要求发现具备普遍适用性的知识。

知识计算规范

知识计算根据图谱提供的信息得到更多隐含的知识，如通过本体或者规则推理技术可以获取数据中存在的隐含知识；而链接预测则可预测实体间隐含的关系；同时使用社会计算的不同算法在知识网络