从零开始的知识图谱生活，构建一个百科知识图谱，完成基于Deepdive的知识抽取、基于ES的简单语义搜索、基于 REfO 的简单KBQA
个人入门知识图谱过程中的学习笔记，算是半教程类的，指引初学者对知识图谱的各个任务有一个初步的认识。目前暂无新增计划。
1.简介
目标是包含百度百科、互动百科、中文wiki百科的知识，千万级实体数量和亿级别的关系数目。目前已完成百度百科和互动百科部分，其中百度百科词条4,190,390条，互动百科词条4,382,575条。转换为RDF格式得到三元组 128,596,018个。存入 neo4j中得到节点 16,498,370个，关系 56,371,456个，属性 61,967,517个。
项目码源见文末
目录
[百度百科与互动百科的知识抽取]
半结构化数据
- 百度百科爬虫
- 互动百科爬虫
非结构化数据
- 微信公众号爬虫
- 虎嗅网爬虫
非结构化文本的知识抽取
- [制作类似于NYT的远程监督学习语料--baidu_6w]
- 神经网络关系抽取
知识存储
- [D2RQ 的使用]
- [Jena 的使用]
知识融合
- [Silk 实战]
KBQA
- [基于 REfO 的简单KBQA]
语义搜索
- [基于elasticsearch 的简单语义搜索 支持实体检索、实体属性检索和条件检索]
2.获取数据
2.1 半结构化数据
半结构化数据从百度百科和互动百科获取，采用scrapy框架，目前电影领域和通用领域两类。
- 通用领域百科数据：百度百科词条4,190,390条，互动百科词条3,677,150条。爬取细节请见[从零开始构建知识图谱（七）百科知识图谱构建（一）百度百科的知识抽取]
- 电影领域: 百度百科包含电影22219部，演员13967人，互动百科包含电影13866部，演员5931 人。项目详细介绍请见[从零开始构建知识图谱（一）半结构化数据的获取]
2.2 非结构化数据
非结构化数据主要来源为微信公众号、虎嗅网新闻和百科内的非结构化文本。
微信公众号爬虫获取公众号发布文章的标题、发布时间、公众号名字、文章内容、文章引用来源，对应 ie/craw/weixin_spider。虎嗅网爬虫 获取虎嗅网新闻的标题、简述、作者、发布时间、新闻内容，对应 ie/craw/news_spider。
3. 非结构化文本的知识抽取
3.1 基于Deepdive的知识抽取
Deepdive是由斯坦福大学InfoLab实验室开发的一个开源知识抽取系统。它通过弱监督学习，从非结构化的文本中抽取结构化的关系数
据 。本次实战基于OpenKG上的[支持中文的deepdive：斯坦福大学的开源知识抽取工具（三元组抽取）]，我们基于此，抽取电影领域的演员-电影关系。
详细介绍请见[从零开始构建知识图谱（五）Deepdive抽取演员-电影间关系]
3.2 神经网络关系抽取
利用自己的百科类图谱，构建远程监督数据集，并在OpenNRE上运行。最终生成的数据集包含关系事实18226，无关系(NA)实体对336 693，总计实体对354 919，用到了462个关系(包含NA)。
详细介绍请见[从零开始构建知识图谱（九）百科知识图谱构建（三）神经网络关系抽取的数据集构建与实践]
4.结构化数据到 RDF
结构化数据到RDF由两种主要方式，一个是通过direct mapping，另一个通过R2RML语言这种，基于R2RML语言的方式更为灵活，定制性强。对于R2RML有一些好用的工具，此处我们使用d2rq工具，它基于R2RML-KIT。
详细介绍请见[从零开始构建知识图谱（二）数据库到 RDF及 Jena的访问]
5.知识存储
5.1 将数据存入 Neo4j
图数据库是基于图论实现的一种新型NoSQL数据库。它的数据数据存储结构和数据的查询方式都是以图论为基础的。图论中图的节本元素为节点和边，对应于图数据库中的节点和关系。我们将上面获得的数据存到 Neo4j中。
百科类图谱请见：[从零开始构建知识图谱（八）百科知识图谱构建（二）将数据存进neo4j]
电影领域的请见[从零开始构建知识图谱（六）将数据存进Neo4j]
6.KBQA
6.1 基于 REfO 的简单KBQA
基于浙江大学在openKG上提供的 [基于 REfO 的 KBQA 实现及示例],在自己的知识图谱上实现简单的知识问答系统。
详细介绍请见[从零开始构建知识图谱（三）基于REfO的简单知识问答]
- 示例
语义搜索
基于elasticsearch 的简单语义搜索
本项目是对浙大的[ 基于elasticsearch的KBQA实现及示例 ]的简化版本，并在自己的数据库上做了实现。
详细介绍请见[从零开始构建知识图谱(四)基于ES的简单语义搜索]
- 示例
项目码源见文末
更多优质内容请关注公号&知乎：汀丶人工智能；会提供一些相关的资源和优质文章，免费获取阅读。
