08_构建知识图谱几种方式

最新推荐文章于 2025-05-19 22:15:12 发布

lsqzedu

最新推荐文章于 2025-05-19 22:15:12 发布

阅读量2.2k

点赞数

CC 4.0 BY-SA版权

分类专栏：前沿技术分享文章标签：知识图谱人工智能 neo4j

本文链接：https://blog.csdn.net/lsqzedu/article/details/122586643

前沿技术分享专栏收录该内容

11 篇文章

订阅专栏

本文探讨了知识图谱从人工构建到自动化构建的发展历程及现状，重点介绍了自动化构建的主要流程和技术挑战，同时概述了知识图谱在智能问答、推荐系统等场景的应用。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在这里插入图片描述

博文配套视频课程：自然语言处理与知识图谱

人工 VS 机器构建

从构建技术看，一般由三种形式：自上而下 (适合专业领域)，自下而上 (适合公共领域)，众包知识图谱 (适合公共领域)

知识图谱经历了由人工构建到群体智慧构建到自动获取、构建的过程。人工构建和自动化构建各有优缺点，而现阶段要兼顾效率和精度，最合理的方式是半自动化结合人工。目前业内构建知识图谱很少见纯人工和全自动方法，采用的主流方式是半自动结合人工方式，约占 80% 以上。

在这里插入图片描述

自动化构建流程

实现全面自动化构建知识图谱还有很长的一段路要走，不过已有不少企业在积极探索降低人工参与度，提升自动化构建水平。其自动化构建流程主要包括

本体创建
数据标注
模型训练
知识抽取
知识融合
知识推理
知识更新

在这里插入图片描述
知识图谱自动构建的过程中主要运用到了自然语言处理、小样本训练、领域迁移等关键的 AI 技术。自动化构建知识图谱有四大技术重点：如何自动化的从结构化数据库映射为知识图谱并做知识融合；如何通过小样本学习和领域知识迁移的技术减少人工标注成本；如何从非结构化文本中做篇章级的事件抽取和多事件关联；基于深度学习的知识表示在各个构建的环节的应用

构建挑战

目前，知识图谱在构建过程中面临着诸多挑战，主要的技术挑战点有三项：信息丢失：指应该抽取出来的信息没有抽全；信息冗余：指在输入文本中不存在但在背景知识中存在的额外概念和关系；信息重叠：指能否将原文中距离跨度较大的属性归结到正确的实体上，并对动态变化的属性进行适当存储。此外，知识图谱构建成本高昂，小样本的抽取和构建问题，也是业界公认的难题。