|
|
|
| 基于RDF的语义知识超图存储研究 |
| 宋雪雁, 张伟民, 张祥青 |
| 吉林大学商学与管理学院，长春 130012 |
|
| Storage of Semantic Knowledge Hypergraph Based on a Resource Description Framework |
| Song Xueyan, Zhang Weimin, Zhang Xiangqing |
| School of Business and Management, Jilin University, Changchun 130012 |
|
|
|
摘要 针对资源描述框架（resource description framework，RDF）存储效率低、难以存储复杂语义关系等问题，本研究引入超图理论，探索一种融合超图理论的语义知识图谱存储模型，以期实现RDF对超图数据的存储，为其他学者利用RDF构建知识超图提供参考。本研究构建了适用于超图结构的语义知识超图（semantic knowledge hypergraph，SKH）模型，与语义知识图谱（semantic knowledge graph，SKG）进行对比，分析其存储效率与复杂语义关系存储能力，并论述其在知识检索、知识推理、数据转换与可视化等方面的应用。研究结果发现，SKH模型具有比SKG更优的存储效率与复杂语义关系存储能力，SKG的知识检索和知识推理方式也适用于SKH模型，SKH模型数据在一定程度上能与SKG数据相互转换，SKH模型具有更加多元且表意丰富的可视化方式，对于信息资源管理领域复杂语义存储具有重要意义。
|
|
| 关键词 ：
RDF,
语义知识超图,
知识存储,
超图理论
|
|
收稿日期: 2022-09-30
|
| 基金资助:国家社会科学基金一般项目“数据驱动的档案文献资源知识构建与知识服务研究”（21BTQ109）。 |
| 作者简介: 宋雪雁，女，1980年生，博士，教授，博士生导师，主要研究领域为知识组织与知识服务；张伟民，通信作者，男，1999年生，博士研究生，主要研究领域为知识组织与知识服务，E-mail：zhangweiminjlu@163.com；张祥青，女，1993年生，博士研究生，主要研究领域为知识组织与知识服务； |
1 W3C RDF Working Group. RDF 1.1 concepts and abstract syntax[EB/OL]. (2014-02-25) [2023-01-07]. http://www.w3.org/TR/2014/REC-rdf11-concepts-20140225/.
2 W3C RDF Working Group. Resource description framework (RDF)[EB/OL]. (2014-02-25) [2023-01-07]. https://www.w3.org/2001/sw/wiki/RDF.
3 中国电子技术标准化研究院. 知识图谱标准化白皮书(2019版)[R/OL]. (2019-08-01) [2022-04-23]. http://www.cesi.cn/images/editor/20190911/20190911095208624.pdf.
4 高劲松, 张强, 李帅珂. 可移动文物的知识图谱构建及关联数据存储——以湖北省博物馆为例[J]. 现代情报, 2022, 42(4): 88-98.
5 Zhang F, Wu J Z, Nie Y L, et al. Research of knowledge graph technology and its applications in agricultural information consultation field[C]// Proceedings of the 39th IEEE International Performance Computing and Communications Conference. Piscataway: IEEE, 2021: 1-4.
6 张琪, 王东波, 黄水清, 等. 史书多维知识重组与可视化研究——以《史记》为对象[J]. 情报学报, 2022, 41(2): 130-141.
7 Wei J Z, Liu R. An approach of constructing knowledge graph of the hundred schools of thought in ancient China[C]// Proceedings of the 2019 ACM/IEEE Joint Conference on Digital Libraries. Piscataway: IEEE, 2019: 335-336.
8 Zhao H X, Pan Y L, Yang F. Research on information extraction of technical documents and construction of domain knowledge graph[J]. IEEE Access, 2020, 8: 168087-168098.
9 高劲松, 马倩倩, 周习曼, 等. 文献知识元语义链接的图式存储研究[J]. 情报科学, 2015, 33(1): 126-131.
10 杭婷婷, 冯钧, 陆佳民. 知识图谱构建技术: 分类、调查和未来方向[J]. 计算机科学, 2021, 48(2): 175-189.
11 陈涛, 刘炜, 单蓉蓉, 等. 知识图谱在数字人文中的应用研究[J]. 中国图书馆学报, 2019, 45(6): 34-49.
12 陈涛, 李惠, 张永娟, 等. LIBRA技术理论及其在史料图像资源中的应用[J]. 大学图书馆学报, 2022, 40(4): 64-74.
13 吴鹏, 刘恒旺, 丁慧君. 基于本体和NoSQL的机械产品方案设计的知识表示与存储研究[J]. 情报学报, 2017, 36(3): 285-296.
14 胡秉德, 王新根, 王新宇, 等. 超图学习综述: 算法分类与应用分析[J]. 软件学报, 2022, 33(2): 498-523.
15 王蝶, 康丽英. 一般超图的张量谱性质[J]. 运筹学学报, 2023, 27(1): 138-148.
16 张磊, 牛倩楠, 任海珍. 一致超图的边连通性和最大边连通性[J]. 山西大学学报(自然科学版), 2021, 44(6): 1079-1085.
17 上官冲, 葛根年. 稀疏超图: 从理论到应用[J]. 中国科学: 数学, 2023, 53(2): 187-216.
18 周丽娜, 常笑, 胡枫. 利用邻接结构熵确定超网络关键节点[J]. 计算机工程与应用, 2022, 58(8): 76-82.
19 Li W, Wang R J, Jia X F. The optimal inference approximate algorithm in weighted hypergraph based on granular computing[C]// Proceedings of the 5th International Conference on Computer Science and Network Technology. Piscataway: IEEE, 2017: 273-276.
20 陈文杰. 基于超图的科研合作推荐研究[J]. 数据分析与知识发现, 2023, 7(4): 68-76.
21 刘高, 黄沈权, 龙安, 等. 基于超图网络的产品设计知识智能推荐方法研究[J]. 计算机应用研究, 2022, 39(10): 2962-2967.
22 于亚新, 张文超, 李振国, 等. 基于超图的EBSN个性化推荐及优化算法[J]. 计算机研究与发展, 2020, 57(12): 2556-2570.
23 吴越, 王英, 王鑫, 等. 基于超图卷积的异质网络半监督节点分类[J]. 计算机学报, 2021, 44(11): 2248-2260.
24 白思萌, 牛振东, 何慧, 等. 基于超图注意力网络的生物医学文本分类方法[J]. 数据分析与知识发现, 2022, 6(11): 13-24.
25 赵宇红, 张晓楠. 基于超图和k-means改进的异质网络社区发现算法[J]. 计算机应用与软件, 2021, 38(10): 290-296.
26 Xie C, Zhong W, Xu W, et al. Visual analytics of heterogeneous data using hypergraph learning[J]. ACM Transactions on Intelligent Systems and Technology, 2019, 10(1): Article No.4.
27 C.贝尔热. 超图——有限集的组合学[M]. 卜月华, 张克民, 译. 南京: 东南大学出版社, 2002.
28 高峰, 郑丽丽, 顾进广. 面向多元时序关系的金融知识图谱表示与构建[J]. 山西大学学报(自然科学版), 2022, 45(4): 873-883.
29 李豪, 周爽. 基于三维知识超图的电力智库知识服务平台建设[J]. 智库理论与实践, 2022, 7(3): 84-92, 99.
30 田玲, 张谨川, 张晋豪, 等. 知识图谱综述——表示、构建、推理与知识超图理论[J]. 计算机应用, 2021, 41(8): 2161-2186.
31 Munshi S, Chakraborty A, Mukhopadhyay D. Theories of hypergraph-graph (HG(2)) data structure[C]// Proceedings of the 2013 International Conference on Cloud & Ubiquitous Computing & Emerging Technologies. Piscataway: IEEE, 2014: 204-207.
32 Munshi S, Chakraborty A, Mukhopadhyay D. Integrating RDF into hypergraph-graph (HG(2)) data structure[C]// Proceedings of the 2013 International Conference on Cloud & Ubiquitous Computing & Emerging Technologies. Piscataway: IEEE, 2014: 208-212.
33 Chernenkiy V, Gapanyuk Y, Nardid A, et al. Using the metagraph approach for addressing RDF knowledge representation limitations[C]// Proceedings of the Conference of 2017 Internet Technologies and Applications. Piscataway: IEEE, 2017: 47-52.
34 Terekhov V, Gapanyuk Y, Kanev A. Metagraph representation for overcoming limitations of existing knowledge bases[C]// Proceedings of the 2021 28th Conference of Open Innovations Association. Piscataway: IEEE, 2021: 458-464.
35 Krótkiewicz M. Hypergraph approach towards ontology design in association-oriented metamodel[J]. Cybernetics and Systems, 2019, 50(2): 132-153.
36 Ji S X, Pan S R, Cambria E, et al. A survey on knowledge graphs: representation, acquisition, and applications[J]. IEEE Transactions on Neural Networks and Learning Systems, 2022, 33(2): 494-514. |
|
|
|
