知识图谱中的关系方向与强度研究

doi:10.11959/j.issn.2096-0271.2019027

大数据 ›› 2019, Vol. 5 ›› Issue (3): 96-103.doi: 10.11959/j.issn.2096-0271.2019027

• 研究 • 上一篇

知识图谱中的关系方向与强度研究

臧根林^1,²,王亚强^1,²,吴庆蓉^1,²,占春丽^1,²,谢新扬^1,²

¹ 拓尔思知识图谱研究院，广东广州 510665
² 广州拓尔思大数据有限公司，广东广州 510665

出版日期:2019-05-15 发布日期:2019-05-20
作者简介:臧根林（1963-），男，博士，拓尔思知识图谱研究院院长，广州拓尔思大数据有限公司首席营销官，主要研究方向为知识图谱、知识工程、大数据应用、企业管理、企业文化。|王亚强（1971-），男，拓尔思知识图谱研究院首席科学家，广州拓尔思大数据有限公司常务副总经理，主要研究方向为领域知识图谱、知识工程。|吴庆蓉（1972-），女，拓尔思知识图谱研究院研究员，广州拓尔思大数据有限公司第三事业部副总经理，主要研究方向为领域知识图谱、知识工程。|占春丽（1975-），女，拓尔思知识图谱研究院研究员，广州拓尔思大数据有限公司研发中心总经理，主要研究方向为领域知识图谱、知识工程。|谢新扬（1976-），男，拓尔思知识图谱研究院研究员，广州拓尔思大数据有限公司副总经理，主要研究方向为领域知识图谱、知识工程。

Study on direction and strength of relation based on knowledge graph

Genlin ZANG^1,²,Yaqiang WANG^1,²,Qingrong WU^1,²,Chunli ZHAN^1,²,Xinyang XIE^1,²

¹ TRS Knowledge Graph Research Institute,Guangzhou 510665,China
² Guangzhou TRS Big Data Co.,Ltd.,Guangzhou 510665,China

Online:2019-05-15 Published:2019-05-20

摘要/Abstract

摘要：

目前普遍的知识图谱构建思路是图谱中的关系标签采用文字描述，这样很难对图谱中的关系进行计算。针对这个问题，提出了关系方向、强度因子和时态因子的概念，关系的正负、强度和时态可以通过有监督机器学习的方法形成自动模型，从而在领域知识图谱中实现关系的量化计算。这种知识图谱构建方法在计算事件舆情走向、计算企业合作与竞争情况变化、分析销售人员市场拓展情况等领域，形成了一种新的数据分析模式，对人工智能在具体行业的落地应用很有意义。

关键词: 知识图谱, 关系方向, 关系强度, 负关系, 时态关系

Abstract:

In current popular ideas for knowledge graph construction,the relations in graphs were described by words,it is difficult to calculate the relations in graphs.To this issue,concepts of the direction,intensive factors,temporal factors of relations were proposed.Automatic models of positive,negative,intensive and temporal relations can be formed through supervised machine learning,so that the quantitative calculation of the relations can be implemented in the domain knowledge graph.This method forms a new idea in many areas such as calculating the trend of incidents,calculating the change of cooperation and competition between enterprises,and analyzing the market expansion of sales people.It is meaningful for artificial intelligence to be applied in specific industries.

Key words: knowledge graph, direction of relation, strength of relation, negative relation, temporal relation

中图分类号:

TP31

臧根林, 王亚强, 吴庆蓉, 占春丽, 谢新扬. 知识图谱中的关系方向与强度研究[J]. 大数据, 2019, 5(3): 96-103.

Genlin ZANG, Yaqiang WANG, Qingrong WU, Chunli ZHAN, Xinyang XIE. Study on direction and strength of relation based on knowledge graph[J]. Big Data Research, 2019, 5(3): 96-103.

图/表 5

参考文献 11

[1]	赵军, 刘康, 何世柱 ,等. 知识图谱[M]. 北京: 高等教育出版社, 2018.
	ZHAO J , LIU K , HE S Z ,et al. Knowledge graph[M]. Beijing: Higher Education PressPress, 2018.
[2]	陈秀娟, 冷德荣 . 面向语言信息处理的语义研究——合著者的社会网络分析[J]. 情报科学, 2013(7): 126-129.
	CHEN X J , LENG D R . Semantic study in language and information processing based on social network analysis[J]. Information Science, 2013(7): 126-129.
[3]	秦长江, 侯汉清 . 知识图谱——信息管理与知识管理的新领域[J]. 大学图书馆学报, 2009(1): 30-37,96.
	QIN C J , HOU H Q . Knowledge graph:a new area of information management and knowledge management[J]. Journal of Academic Libraries, 2009(1): 30-37,96.
[4]	徐增林, 盛泳潘, 贺丽荣 ,等. 知识图谱技术综述[J]. 电子科技大学学报, 2016(4): 589-606.
	XU Z L , SHENG Y P , HE L R ,et al. Review on knowledge graph techniques[J]. Journal of University of Electronic Science and Technology of China, 2016(4): 589-606.
[5]	李涓子, 侯磊 . 知识图谱研究综述[J]. 山西大学学报（自然科学版）, 2017,40(3): 454-459.
	LI J Z , HOU L . Reviews on knowledge graph research[J]. Journal of Shanxi University(Natural Science Edition), 2017,40(3): 454-459.
[6]	朱木易洁, 鲍秉坤, 徐常胜 . 知识图谱发展与构建的研究进展[J]. 南京信息工程大学学报（自然科学版）, 2017,9(6): 575-582.
	ZHU M Y J , BAO B K , XU C S . Research progress on development and construction of knowledge graph[J]. Journal of Nanjing University of Information Science ＆Technology (Natural Science Edition), 2017,9(6): 575-582.
[7]	SOWA J F . Principles of semantic networks:exploration in the representation of knowledge[J]. Frame Problem in Artificial Intelligence, 1991(23): 135-157.
[8]	STAAB S , STUDER R , SCHNURR H . Knowledge processes and ontologies[J]. IEEE Intelligent Systems,Special Issue on Knowledge Management, 2001,16(1): 26-34.
[9]	HENDRICKX I , KIM S N , KOZAREVA Z ,et al. SemEval-2010 task 8:multi-way classification of semantic relations between pairs of nominals[C]// The Workshop on Semantic Evaluations:Recent Achievements and Future Directions,June 4,2009,Boulder,USA.[S.l. ]:Association for Computational Linguistics, 2009: 94-99.
[10]	HASHIMOTO K , STENETORP P , MIWA M ,et al. Task-oriented learning of word embeddings for semantic relation classification[J]. Computer Science, 2015: 268-278.
[11]	ZHOU Z Q , QI G L , GLIMM B . Exploring parallel tractability of ontology materialization[C]// European Conference on Artificial Intelligence,Hague,Netherlands,August 29-September 2,2016.[S.l:s.n. ], 2016: 73-81.

[1]	张宇奇, 黄晓雯, 桑基韬. 知识增强策略引导的交互式强化推荐系统[J]. 大数据, 2022, 8(5): 88-105.
[2]	史经业, 李攀. 空天大数据在新型智慧城市建设中的关键技术与应用探索[J]. 大数据, 2022, 8(2): 120-133.
[3]	谭玲, 鄂海红, 匡泽民, 宋美娜, 刘毓, 陈正宇, 谢晓璇, 李峻迪, 范家伟, 王晴川, 康霄阳. 医学知识图谱构建关键技术及研究进展[J]. 大数据, 2021, 7(4): 80-104.
[4]	刘庆霞, 李俊宥, 程龚. 实体摘要系统的解释性评测[J]. 大数据, 2021, 7(3): 15-29.
[5]	申宇铭, 杜剑峰. 时态知识图谱补全的方法及其进展[J]. 大数据, 2021, 7(3): 30-41.
[6]	杜会芳, 王昊奋, 史英慧, 王萌. 知识图谱多跳问答推理研究进展、挑战与展望[J]. 大数据, 2021, 7(3): 60-79.
[7]	胡志磊, 靳小龙, 陈剑赟, 黄冠利. 事件图谱的构建、推理与应用[J]. 大数据, 2021, 7(3): 80-96.
[8]	陈华钧, 张文, 黄志文, 叶橄强, 文博, 张伟. 大规模知识图谱预训练模型及电商应用[J]. 大数据, 2021, 7(3): 97-115.
[9]	陈强, 代仕娅. 基于金融知识图谱的会计欺诈风险识别方法[J]. 大数据, 2021, 7(3): 116-129.
[10]	谢冰, 彭鑫, 尹刚, 李宣东, 魏峻, 孙海龙. 基于大数据的软件智能化开发方法与环境[J]. 大数据, 2021, 7(1): 3-21.
[11]	邹艳珍, 王敏, 谢冰, 林泽琦. 基于大数据的软件项目知识图谱构造及问答方法[J]. 大数据, 2021, 7(1): 22-36.
[12]	陈伟, 叶宏杰, 周家宏, 魏峻. 基于领域知识的Docker镜像自动构建方法[J]. 大数据, 2021, 7(1): 64-75.
[13]	张建, 孟祥鑫, 孙海龙, 王旭, 刘旭东. 数据驱动的软件开发者智能协作技术[J]. 大数据, 2021, 7(1): 76-93.
[14]	陈成, 陈跃国, 刘宸, 吕晓彤, 杜小勇. 意图知识图谱的构建与应用[J]. 大数据, 2020, 6(2): 57-68.
[15]	臧根林, 王亚强, 吴庆蓉, 占春丽, 李熠. 智慧城市知识图谱模型与本体构建方法[J]. 大数据, 2020, 6(2): 96-106.

知识图谱中的关系方向与强度研究

Study on direction and strength of relation based on knowledge graph

在线阅读

PDF下载

可视化

摘要/Abstract

引用本文

使用本文

图/表 5

参考文献 11

相关文章 15

Metrics

推荐阅读 0