周湘超++詹磊++吳慶++陳義明

摘要：該文在深入分析專家信息的基礎(chǔ)上，抽象出專家實體、屬性以及它們之間的相互關(guān)系，構(gòu)建出專家知識圖譜。運用RDF（Resource Description Framework）2三元組實現(xiàn)對專家知識圖譜描述和構(gòu)建，并實現(xiàn)通過SPARQL（Simple Protocol and RDF Query Language）3語言進行查詢。專家知識圖譜的構(gòu)建，對專家知識、智慧的延伸和專家影響力的擴展具有重大的意義。

關(guān)鍵詞：專家；知識圖譜；RDF；SPARQL

中圖分類號：TP18 文獻標識碼：A 文章編號：1009-3044（2016）07-0195-03

目前，隨著“微軟小冰”與“小度機器人”等人機對話系統(tǒng)的崛起，基于大數(shù)據(jù)構(gòu)建知識圖譜，成為當前研究的熱點。在信息化技術(shù)高速發(fā)展的時代，各個領(lǐng)域?qū)＜业难芯砍晒?、學術(shù)觀點、言論、工作動態(tài)等信息都一定會體現(xiàn)在學術(shù)論文、期刊文獻、專利數(shù)據(jù)庫、網(wǎng)絡(luò)媒體、社交平臺（微信、微博、博客、論壇）等載體上。通過對這些信息的采集、過濾、挖掘，分析出各個專家實體、屬性之間的關(guān)系，構(gòu)建出含有專家信息的知識模型庫，可以使得專家們在互聯(lián)網(wǎng)上虛擬存在，實現(xiàn)對專家知識、智慧和影響力的延伸?；谥R圖譜構(gòu)建專家機器人，能夠方便人們更好的查找到某一主題或領(lǐng)域中的各類專家；通過機器人理解、分析并查找相關(guān)問題，便可以實現(xiàn)對專家的推薦，擴大專家的影響力。

1 知識圖譜簡介

知識圖譜是描述現(xiàn)實世界實體之間的關(guān)系的圖4，是“圖”和“譜”雙重特性的體現(xiàn)5，其概念最先由谷歌提出6。如果將知識圖譜比作有一張巨大點線關(guān)系圖，那么圖中的點就代表這每個實體，而實體之間若存在連線，則表示兩個實體存在著相應(yīng)的關(guān)系。現(xiàn)在，各大互聯(lián)網(wǎng)公司均建立了自己知識圖譜，其目的主要是為了提高搜索質(zhì)量2。截至2012年，谷歌為了保障強大的搜索，Google語義網(wǎng)絡(luò)已超過570億個對象、18億個介紹6；但在這些實體和事實中，英語占絕對主導地位。與此同時，百度和搜狗也建立了中文知識圖譜，其規(guī)模比谷歌略小。

2 專家知識圖譜建模

本系統(tǒng)通過對專家知識圖譜的構(gòu)建，以圖的形式更簡潔、直觀地表達專家關(guān)聯(lián)信息，提升用戶對專家信息的搜索效率。本系統(tǒng)的研究內(nèi)容有知識的獲取、知識圖譜的構(gòu)建、系統(tǒng)模型的建立、專家信息關(guān)聯(lián)與檢索、專家智能推薦、專家機器人的動態(tài)維護等；

知識獲?。褐R圖譜構(gòu)建的前提；主要包含各類專家的基本信息，主要包含專家基本信息，專利信息，文獻信息，項目信息，報道信息。目前知識的主要來源于各類百科類數(shù)據(jù)，如百度百科，維基百科等；

知識圖譜構(gòu)建：這是本系統(tǒng)核心部分，專家知識圖譜的構(gòu)建，首先從專家、專利等實體以

及屬性之間關(guān)系的抽象開始。根據(jù)專家的屬性分析和專家與專家之間的關(guān)系分析，基本確定本系統(tǒng)的模式圖形如圖1所示，專家是文獻，專利，情報，項目的主體部分，而專家又屬于文獻，專利，情報，項目的一部分，各個專家之間存在著同事，合作等等關(guān)系，建立每個專家之間的關(guān)系就能構(gòu)建一個專家圖譜網(wǎng)絡(luò)。例如關(guān)系模型圖，專家作為一個實體，專利也是一個實體，專家擁有這項專利，專利的擁有者是這個專家，專利這個實體也擁有自己的屬性，例如專利擁有作者，內(nèi)容，機構(gòu)，時間等等屬性值。專家與專家之間也存在多種關(guān)系，其關(guān)系圖如圖2所示。例如一篇文獻上面的作者屬性是專家1，專家2，那么他屬于合作關(guān)系；如果專家1和專家2的基本信息中的機構(gòu)名稱是一樣的，那他們就是同事關(guān)系；如果兩篇專利的課題一樣的那么他們的著作人即專家1和專家2就是研究方向一樣的關(guān)系，等等。在存儲方式上，專家知識圖譜的主要存儲的方式摒棄了傳統(tǒng)的關(guān)系型數(shù)據(jù)庫的存儲方式，而是直接采用RDF （Resource Description Framework） 2 三元組的形式對專家信息進行描述和保存（如圖1所示）。

系統(tǒng)模型的建立：通過對海量專家信息資源庫的挖掘與搜索，自動生成或呈現(xiàn)專家的基本信息，專利信息，文獻信息，項目信息，報道信息。并且以關(guān)系圖形的形式展現(xiàn)。

專家信息檢索：其前端主要有兩種檢索方式，一是直接通過SPARQL語言，直接對RDF構(gòu)建的知識庫進行查詢；而是通過關(guān)鍵字檢索，如姓名，行業(yè)，文獻，研究主題等，間接使用SPARQL語言對知識庫進行查詢。

專家關(guān)聯(lián)：能通過某一研究方向，某一個領(lǐng)域找出核心專家（如圖2所示）。

專家智能推薦：通過某一關(guān)鍵詞，推薦出相關(guān)聯(lián)的專家信息或者其他實體、屬性信息。

專家機器人的動態(tài)維護：主要是指通過不斷機器學習，不斷地發(fā)掘已有的專家信息或者搜索信息分析出更為復雜的專家之間的關(guān)系；并構(gòu)建出新的關(guān)聯(lián)關(guān)系。

3 專家知識圖譜實現(xiàn)

3.1 RDF構(gòu)建

RDF主要是一種描述語義WEB的標記語言7，通過RDF/XML的形式存儲，實現(xiàn)了對專家知識圖譜模型的構(gòu)建。通過對專家、文獻、專利、報道等實體關(guān)系分析，我們可以構(gòu)建如下類型的三元組。

文字描述：第1571號專家，姓名為張三，工作單位為熱帶農(nóng)業(yè)科學院；擁有兩篇論文，兩篇報道；同時，他與6579號、3766號專家屬于同事關(guān)系；

RDF/XML格式描述：

xmlns：info="http：//www.w3.org/2001/info-rdf/3.0#"

xmlns：rdf="http：//www.w3.org/1999/02/22-rdf-syntax-ns#"

xmlns：exper="http：//www.w3.org/2001/Exper-rdf/3.0#"

xmlns：doc="http：//www.w3.org/2001/document-rdf/3.0#"

xmlns：patent="http：//www.w3.org/2001/patent-rdf/3.0#">

張三

熱帶農(nóng)業(yè)科學院

RDF圖形表示：張三專家RDF圖如圖3所示。

3.2 SPARQL查詢

為了提升搜索質(zhì)量，本系統(tǒng)采用SPARQL對RDF進行查詢；SPARQL對于RDF或者語義查詢來說，其重要性就類似于數(shù)據(jù)庫中的SQL（Structured Query Language）；本系統(tǒng)不僅可

以直接通過SPARQL對專家信息進行檢索，而且還可以通過專家信息；專業(yè)領(lǐng)域；專利名稱等信息對專家進行檢索；如欲搜索的專家姓名為“張三”，工作單位為中國科學院，期刊信息為期刊A；其SPARQL搜索語句如下所示：

PREFIX exper：

PREFIX doc：http：//www.w3.org/2001/document-rdf/3.0#

SELECT ？s ？name ？o ？doc ？cn WHERE {

？s exper：exper_org ？o .

？s exper：exper_name ？name .

？s exper：exper_doc ？doc .

？doc doc：journal_cn ？cn .

FILTER regex（？o， "中國科學院"， "i"）

FILTER regex（？name， "張三"， "i"）

FILTER regex（？cn，"期刊A"， "i"）

}

以上檢索均是模糊查詢；

4 結(jié)束語

專家知識圖譜不僅可以方便用戶在海量專家數(shù)據(jù)中快速準確地找到對應(yīng)主題或者領(lǐng)域?qū)＜?，而且將專家虛擬存在于互聯(lián)網(wǎng)中，使各專家的知識和智慧得到延伸。同時通過系統(tǒng)對專家數(shù)據(jù)的發(fā)掘、關(guān)聯(lián)和整理，實現(xiàn)了專家推薦的功能，使得專家的影響力得到擴展。

參考文獻：

[1] 深度. 知識圖譜：谷歌打造未來搜索[J]. 電腦愛好者， 2013（5）：28-29.

[2] 王海榮， 馬宗民. 一種擴展關(guān)鍵詞的RDF模糊查詢方法[J]. 中國科技論文， 2013， 8（10）：989-993.

[3] 王昊奮. 面向大規(guī)模RDF數(shù)據(jù)的語義搜索[D]. 上海： 上海交通大學， 2013.

[4] 杜亞軍， 吳越. 微博知識圖譜構(gòu)建方法研究[J]. 西華大學學報：自然科學版， 2015（1）：27-35.

[5] 楊思洛， 韓瑞珍. 國外知識圖譜的應(yīng)用研究現(xiàn)狀分析[J]. 情報資料工作， 2013（6）：15-20.

[6] 胡芳槐. 基于多種數(shù)據(jù)源的中文知識圖譜構(gòu)建方法研究[D]. 上海： 華東理工大學， 2015.

[7] 師波， 王鳳利， 安建成. 從關(guān)系數(shù)據(jù)庫到RDF的轉(zhuǎn)換[J]. 電腦開發(fā)與應(yīng)用， 2015（1）：5-7.