Freebase Data Dump结构初探

时间:2021-01-31 14:53:18

最近要做知识库相关的东西,于是就有机会认识一下Freebase。

从官网上下载了30G的Data Dump,有些不知该怎么使用,于是花了许多天了解。


首先简单说一下Freebase是什么,Freebase乍看上去类似Wikipedia,可以在上面浏览到许多信息条目,其成员可以在上面进行条目创作。与Wikipedia不同的是,Freebase采用结构化的数据形式,而Wikipedia则不是。第一次认识Freebase后,发现Freebase已经关闭了,只能通过Data Dump来认识它了。


Freebase Data Dump格式

目前,Freebase官网提供N-Triple RDF格式的数据压缩包的下载,整个压缩包30G,解压后300G+。下载后,可以用压缩软件解压,也可以通过编程工具(比如Java的GzipInuputStream)边读取边解压。

解压后发现数据按行组织,每一行都是一个三元组(恩,一行一个Triple):

下面举个例子:

<http://rdf.freebase.com/ns/m.0qjjmlt> <http://rdf.freebase.com/ns/type.object.name> “川浦正大”@ja .
从左至右依次是Subject(主语)、Predicate(谓词)、Object(“宾语”或者“客体")

w3c上对RDF格式是这样解释的[1]:

    the subject, which is an IRI or a blank node
    the predicate, which is an IRI
    the object, which is an IRI, a literal or a blank node

简单来说,就是主语可以是一个IRI或者是blank node,谓词可以是一个IRI,宾语可以是IRI、blanknode、或者文字。

关于IRI是什么,其全称是Internationalized Resource Identifiers,即国际化资源定位符,可以认为是扩展的URI,不仅可以使用英文,Unicode字符集都可以使用。[2]

至于文字(Literal),w3c给出的例子如下[3]:

<http://example.org/show/218> <http://www.w3.org/2000/01/rdf-schema#label> "That Seventies Show"^^<http://www.w3.org/2001/XMLSchema#string> . 
# literal with XML Schema string datatype
<http://example.org/show/218> <http://www.w3.org/2000/01/rdf-schema#label> "That Seventies Show" . # same as above
<http://example.org/show/218> <http://example.org/show/localName> "That Seventies Show"@en . # literal with a language tag
<http://example.org/show/218> <http://example.org/show/localName> "Cette Série des Années Septante"@fr-be .  
# literal outside of ASCII range with a region subtag
<http://example.org/#spiderman> <http://example.org/text> "This is a multi-line\nliteral with many quotes (\"\"\"\"\")\nand two apostrophes ('')." .
<http://en.wikipedia.org/wiki/Helium> <http://example.org/elements/atomicNumber> "2"^^<http://www.w3.org/2001/XMLSchema#integer> . # xsd:integer
<http://en.wikipedia.org/wiki/Helium> <http://example.org/elements/specificGravity> "1.663E-4"^^<http://www.w3.org/2001/XMLSchema#double> .     # xsd:double
这些三元组的最后一元都是文字,可以看到有一部分文字后面有^^,其后跟随的是一个IRI(dataType IRI),表示该文字的类型(identifying a datatype that determines how the lexical form maps to a literal value[1]),有一部分后面有@,其后跟随的是文字的语言(language tag).

网址[3]中还给出了RDF triple扩展的巴科斯范式的文法,最近刚刚学习编译原理也是倍由亲切感,有兴趣的朋友可以点击文末的链接看,为了有一个形象的认识,这里仅贴非终结符部分:

[1] 	ntriplesDoc 	::= 	triple? (EOL triple)* EOL?
[2] 	triple 	::= 	subject predicate object '.'
[3] 	subject 	::= 	IRIREF | BLANK_NODE_LABEL
[4] 	predicate 	::= 	IRIREF
[5] 	object 	::= 	IRIREF | BLANK_NODE_LABEL | literal
[6] 	literal 	::= 	STRING_LITERAL_QUOTE ('^^' IRIREF | LANGTAG)?

Freebase数据结构:

先来简单了解一下Freebase数据结构:

整个Freebase数据库是一张大图,每个结点都使用type/object定义,边使用type/link定义。

每个条目称之为一个Topic,一个Topic往往由很多属性。比如对于某一个人,可能有姓名、性别、出生日期、个人经历、职业等等属性。

不同的Topic分属不同的type,一个Type下的topic,其属性类型往往是大致相同的。比如"姚明",在Freebase库中的MID是m.01jzhl,在数据库中有条目(忽略前缀):

<m.01jzhl>  <type.object.type> <people.person>
与<person.person>相关的,它在freebase中有这样的条目:

<m.01jzhl>	<people.person.profession>	<m.01445t>	.
<m.01jzhl>	<people.person.date_of_birth>	"1980-09-12"^^<http://www.w3.org/2001/XMLSchema#date>	.
<m.01jzhl>	<people.person.education>	<m.0n1k91v>	.
<m.01jzhl>	<people.person.profession>	<m.02h664x>	.
<m.01jzhl>	<people.person.nationality>	<m.0d05w3>	.
<m.01jzhl>	<people.person.parents>	<m.0g5bnz5>	.
<m.01jzhl>	<people.person.place_of_birth>	<m.06wjf>	.
<m.01jzhl>	<people.person.spouse_s>	<m.0j688yq>	.
<m.01jzhl>	<people.person.parents>	<m.0g5bnyy>	.
<m.01jzhl>	<people.person.gender>	<m.05zppz>	.
<m.01jzhl>	<people.person.weight_kg>	"141.0"	.
再比如,姚明还是一位运动员:

<m.01jzhl>	<type.object.type>	<sports.pro_athlete>	.
与运动员相关的,他有如下条目:

<sports.pro_athlete>	<type.type.instance>	<m.01jzhl>	.
<m.01jzhl>	<sports.pro_athlete.teams>	<m.0j_ny44>	.
<m.01jzhl>	<sports.pro_athlete.teams>	<m.0j2m__w>	.
<m.01jzhl>	<sports.pro_athlete.teams>	<m.0t_6b7s>	.
<m.01jzhl>	<type.object.type>	<sports.pro_athlete>	.
<m.01jzhl>	<sports.pro_athlete.career_start>	"1997"^^<http://www.w3.org/2001/XMLSchema#gYear>	.
<m.01jzhl>	<sports.pro_athlete.sports_played_professionally>	<m.0c55c2z>	.
<m.01jzhl>	<sports.pro_athlete.teams>	<m.0j_ny44>	.
<m.01jzhl>	<sports.pro_athlete.teams>	<m.0j2m__w>	.
<m.01jzhl>	<sports.pro_athlete.teams>	<m.0t_6b7s>	.
<m.01jzhl>	<sports.pro_athlete.sports_played_professionally>	<m.0c55c2z>	.

同时,多个type属于一个domain,这就构成了domain->type->topic这样的三级关系。


Freebase属性

这里还搞的不是很懂,具体可参考[5],里面谈论了很多和Freebase属性相关的问题。




参考文献:

[1]w3c RDF1,1 Concept https://www.w3.org/TR/rdf11-concepts/#section-triples

[2]IRI 百度百科 http://baike.baidu.com/item/iri

[3]RDF 1.1 N-Triples:https://www.w3.org/TR/n-triples/

[4]Basic Concepts:http://developers.google.com/freebase/guide/basic_concepts

[5]Freebase.com语义数据库浅析 http://blog.sina.com.cn/s/blog_600791e00100hd4m.html

同时再附两篇博客:

Freebase 介绍:http://www.ruanyifeng.com/blog/2007/05/freebase_com.html

Freebase再研究 http://www.ruanyifeng.com/blog/2008/04/freebase_reloaded.html