文件名称：知识加工-中兴netnumen u31 r10（v12.11.40）统一网元管理系统 产品描述
文件大小：2.82MB
文件格式：PDF
更新时间：2024-07-16 04:26:48
人工智能 智能医疗 知识图谱
（2）知识融合 从半结构化和非结构化的数据中抽取的知识一般不能直接应用。首先，其中 会存在信息冗余。其次，数据之间是相互独立的，并没有形成层次化的上下级结 构。因此，需要通过知识融合对抽取的知识进行整理。知识融合过程涉及的关键 技术有实体对齐和知识合并。 实体对齐（Object Alignment）技术用于处理实体名称不同，但在现实中表示 同一个实体概念的问题。最终在知识图谱中需要将这些表达同一个含义的实体合 并为一个唯一实体。例如“中国”和“*”虽然表现不同，却该归并到 同一个实体对象。目前针对互联网上的多源异构数据，多采用聚类的方法实现实 体对齐，将某些指标上具有较高相似度的实体归并在一起。 表示同一概念的实体通过观察发现在以下层面存在相似性：文本相似的实体 可能表示同一概念实体。例如具有相同或相似的描述文本的实体；属性相似的实 体可能表示同一概念实体。例如具有相同的属性名和属性值对的实体；结构相似 的实体可能表示同一概念实体。例如具有相同的邻居的实体。 此外，利用当前已有的开放链接数据集中的标注数据作为训练数据，通过训 练模型去识别相同的实体对，也是一个可行方法。但机器学习的方法都无法保证 毫无错误，因此机器识别的结果集还需要人工进一步审核排查。 通过结构化良好的关系数据库或第三方知识库获取知识，也是构建知识图谱 的一个良好选择。将第三方知识库融入自身的知识库需要考虑两点：一是数据层 的融合。原有的数据和第三方知识库中的内容可能存在重合，因此在融合过程中， 要避免数据重复造成的冗余。二是模式层的融合。将第三方知识库中的本体合并 到自己的库中。关系数据库作为知识图谱的另一重要知识来源，通常可以采用资 源描述框架（RDF）作为数据模型，将之融入知识图谱中。目前已有相当多的开 源工具支持将结构化的关系数据库中的数据转换为 RDF 三元组，用以实现知识 图谱构建。 （3）知识加工 经过知识抽取和知识融合两个步骤后，已从文本数据中提取得到一系列经过 消歧的实体和关系表达。然而最终要想获得有层次结构的知识体系，需要进一步 的知识加工。知识加工环节主要包括三方面内容：本体构建、知识推理和质量评