在数据层之上，是知识图谱的核心，通常采用本体库来管理知识图谱的模式层。本体是结构化知识库的概念模板，通过本体库而形成的知识库不仅层次结构较强，并且冗余程度较小。
- 知识图谱的体系架构
知识图谱的体系架构是指构建模式结构，如图11-2所示。其中，虚线框内的部分为知识图谱的构建过程，也包含知识图谱的更新过程。知识图谱的构建从最原始的数据(包括结构化、半结构化、非结构化数据）出发，采用一系列自动或者半自动的技术手段，从原始数据库和第三方数据库中提取知识事实，并将其存入知识库的数据层和模式层，这一过程包含信息抽取、知识表示、知识融合、知识推理4个过程，每一次更新迭代均包含这4个阶段。知识图谱主要有自顶向下（top-down）与自底向上（bottom-up）两种构建方式。自顶向下指的是先为知识图谱定义好本体与数据模式，再将实体加入知识库。该构建方式需要利用一些现有的结构化知识库作为其基础知识库，例如Freebase项目就是采用这种方式，它的绝大部分数据是从维基百科中得到的。自底向上指的是从一些开放链接数据中提取出实体，选择其中置信度较高的加入知识库，再构建顶层的本体模式。目前，大多数知识图谱都采用自底向上的方式进行构建，其中最典型就是谷歌 Google的 Knowledge Vault 和微软的 Satori知识库。现在也符合互联网数据内容知识产生的特点。
根据覆盖范围，知识图谱也可分为开放通用知识图谱和垂直行业知识图谱。开放通用知识图谱注重广度，强调融合更多的实体，较垂直行业知识图谱而言，其准确度不够高，并且受概念范围的影响，很难借助本体库对公理、规则以及约束条件的支持能力规范其实体、属性、实体间的关系等。通用知识图谱主要应用于智能搜索等领域。行业知识图谱通常需要依靠特定行业的数据来构建，具有特定的行业意义。行业知识图谱中，实体的属性与数据模式往往比较丰富，需要考虑到不同的业务场景与使用人员。下一小节介绍现在知名度较高的大规模知识库。
11.1.3 开放知识图谱
当前世界范围内知名的高质量大规模开放知识图谱包括DBpedia、Yago、Wikidata、BabelNet、ConceptNet 以及 Microsoft Concept Graph等。
人工智能与大数据技术导论
374