该笔记为对 NebulaGraph 技术社区的《基于 Gemini 和 NebulaGraph 构建知识图谱问答系统》以及同门笔记的学习与复现
其中，上半节主要为对知识图谱的入门学习理解
知识图谱
下图为知识图谱的技术体系概览：
- 最底层为大量文本、结构化数据库、多媒体文件等数据来源
- 通过知识抽取、知识融合、知识众包等技术，获取需要的数据
- 通过知识表示、知识推理、知识链接等技术，将知识规范有序的组织在一起并存储
- 最终用于知识问答、语义搜索、可视化等方法。
知识抽取
知识抽取技术指从非结构化、半结构化数据中提取出实体、关系、属性等知识元素的技术
知识抽取技术主要包括实体识别、关系抽取、事件抽取、属性抽取等
过程概述：
- 从网络获取大量的非结构化文本数据，经过文本预处理得到干净的文本数据
- 借助机器学习等技术对文本进行分词、词性标注、词法解析、依存分析等工作，此时词法及句法层次的分析结束 (是否与命名实体识别有重叠)
- 对文本进行 命名实体识别(Named Entity Recognition, NER) 和 实体链接(Entity Recognition, ER) 工作，为关系抽取和时间抽取做准备
- 最终形成知识表示(Knowledge Representation)用的三元组、多元关系、模态知识等构成知识图谱
命名实体识别(NER) ：自然语言处理(NLP)中的一种技术，用于识别文本中具有特定意义的实体，并将其分类到预定义的类别中
实体链接(ER) ：一种自然语言处理技术，用于将文本中的命名实体与知识库中的相应实体条目进行关联。其主要目的是在消解歧义的同时，将文本中的实体与其在知识库中的表示相对应，从而实现更精准的信息理解和利用
知识融合
由于知识图谱中的知识来源广泛，存在知识质量莠不齐、来自不同数据源的知识重复、知识间的关联不够明确等问题，所以必须要进行知识的融合
知识融合是高层次的知识组织，使来自不同知识源的知识在同一框架规范下进行异构数据整合、消歧、加工、推理验证、更新等步骤，达到数据、信息、方法、经验以及人的思想的融合，形成高质量的知识库
知识众包
知识表示
知识表示旨在通过形式化的方法来表示和存储知识，使计算机能够理解和推理。知识表示涉及如何将真实世界的知识结构化、符号化和形式化，便于计算机处理和利用
知识表示形成的综合向量对知识库的构建、推理、融合以及应用均具有重要的意义
资源描述框架图(Resource Description Framework, RDF)
资源描述框架，用于描述实体/资源的标准数据模型，该框架通过三元组（主体、谓语、客体）来表示知识
在这个模型中，每个元素都通过统一资源标识符(URI)被赋予一个独一无二的标识符。这种机制确保主体、谓词和客体的机器可读性。此外，RDF 三元组存储采用了一种名为 SPARQL 的标准化查询语言，该语言支持从存储中检索数据。得益于数据表示和查询的标准化，RDF 三元组存储能够与其他遵循 RDF 框架的知识图谱实现互操作
RDF 的优点：
- 互操作性：RDF 是 W3C 的标准，意味着不同的系统可以理解并交换存储在 RDF 图中的数据。这使得它非常适合跨平台和应用程序之间的数据共享
- 标准化：由于其标准化的格式，RDF 图支持标准查询语言 SPARQL 来探索和分析图中存储的数据
- 推理与推导：RDF 图能够利用本体来进行数据推理。这使系统能够推导出图中没有直接表述的新信息
- 灵活：RDF 图能够表述多种数据类型和关系，适合模拟复杂的领域和整合不同来源的数据
RDF 的缺点：
- 深度搜索复杂：在大型 RDF 图中进行深度搜索的计算成本可能很高
- 结构严格：RDF 数据以三元组的形式存储，这种结构可能不如其他图模型那样灵活，后者允许对实体或关系本身添加属性
- 学习曲线陡峭：理解和使用 RDF 需要良好地掌握其基本概念及 SPARQL 查询语言
SPARQL 是 RDF 的查询语言，它基于 RDF 数据模型的图数据库支持
资源描述框架架构(RDF Schema, RDFS)
RDFS 是 W3C 推荐的用于描述 RDF 数据模型的扩展语言。RDFS 为 RDF 提供了一个基本的词汇表，用于描述资源及其关系。它扩展了 RDF 的表达能力，使得用户可以定义自己的类和属性以及它们之间的关系，从而构建更复杂和语义丰富的知识表示
RDFS在RDF的基础上定义了一些固定的关键词如：Class，subClassOf，type，Property，subPropertyOf，Domain，Range 并且多了 Schema 层。
如下所示，下面这个三元组表示用户自定义的元数据 Author 是 Dublin Core 的元数据 Creator 的子类
RDFS 支持推理功能， 如下所示：
OWL(Web Ontology Language)
Web Ontology Language(OWL)是由 W3C 推荐的用于创建和共享本体的语言。OWL 在 RDF 的基础上扩充了 Schema 层，使它提供了强大的知识表示和推理能力
带标签的属性图(LPG)
带标签的属性图(Labelled Property Graphs, LPG)是一种用于表现具有相互连接的服务及其关系的特殊图数据库模型
- 节点 ：每个节点都具有独特的描述，并可被赋予一个或多个标签以表明其类型或大小（例如，“人物”、“产品”）
- 属性 ：节点可能拥有键值对，用以存储关于该实体的额外信息。这些属性允许对图中的元素进行基本描述
- 边 ：表示节点之间的联系，并展示实体间的关系。边与节点类似，可以用多种方式标记（例如，“认识”、“购买”），同时也可以拥有自己的属性
LPG 特性
- 丰富的数据结构：节点和边都能拥有属性，与其他模型如 RDF 相比，允许更密集和信息量更大的数据表现
- 高效的存储与查询：LPG 结构通常能带来高效的存储方式和更快速的图内连接遍历，便于进行查询
- 灵活：LPG 由于没有预定义的模式，具备很高的灵活性，允许模拟多种数据关系
LPG 对比 RDF
知识推理
知识推理则是在已有的知识库基础上进一步挖掘隐含的知识，从而丰富、扩展知识库
在推理的过程中，往往需要关联规则的支持。由于实体、实体属性以及关系的多样性，人们很难穷举所有的推理规则，一些较为复杂的推理规则往往是手动总结的。对于推理规则的挖掘，主要还是依赖于实体以及关系间的丰富情况。知识推理的对象可以是实体、实体的属性、实体间的关系、本体库中概念的层次结构等
知识推理方法主要分为：基于逻辑的推理与基于图的推理两种类别
- 按照解决方法分类可分为：基于描述逻辑的推理、基于规则挖掘的推理、基于概率逻辑的推理、基于表示学习与神经网络的推理
- 按照推理类型分类可分为：缺省推理、连续变化推理、空间推理、因果关系推理等
知识问答
知识问答(Knowledge-Based Question Answering, KBQA)是基于知识库的问题回答，其目标是从知识库中找到与问题相关的答案,它将构成下一代搜索引擎的基本形态
如询问姚明的老婆多大实现流程可以如下所示：
