本文主要内容整理自知识图谱两篇代表性综述：
1. 徐增林,盛泳潘,贺丽荣,王雅芳. 知识图谱技术综述[J]. 电子科技大学学报(4期):589-606.
2. 刘峤, 李杨, 段宏, et al. 知识图谱构建技术综述 [J]. 计算机研究与发展, 2016(3):582-600,共19页.
文章从知识图谱的定义和技术架构出发，对构建知识图谱涉及的关键技术进行了自底向上的全面解析。本文是对涉及技术点的罗列，后续会针对单个技术点一一梳理。
1. 信息抽取 Information Extraction
1.1 所解决的问题
如何从半结构化和无结构数据中抽取实体、关系以及实体属性等结构化信息。
1.2 涉及的关键技术
1.2.1 实体抽取 Entity Extraction
也称命名实体识别（Named Entity Recognition, NER），指从文本数据集中自动识别出命名实体。
1.2.2 关系抽取 Relation Extraction
指从相关语料中提取出实体之间的关联关系，通过关系将实体（概念）联系起来。
1.2.3 属性抽取 Attribute Extraction
指从不同信息源中采集特定实体的属性信息，例如抽取某个公众人物的昵称、生日、国籍、教育背景等信息。
2. 知识表示
2.1 所解决的问题
将现实世界中的各类知识表达成计算机可存储和计算的结构。
2.2 涉及的关键技术
传统的知识表示方法主要是以RDF(Resource Description Framework资源描述框架)三元组SPO(subject,property,object)来符号性描述实体之间的关系，近年来，以深度学习为代表的表示学习技术也取得了重要的进展。
3. 知识融合 Knowledge Fusion
3.1 所解决的问题
信息抽取结果中可能包含大量的冗余和错误信息，数据之间的关系也是扁平化的，缺乏层次性和逻辑性，通过知识融合，可以消除概念的歧义，剔除冗余和错误概念，确保知识质量。
3.2 关键技术
3.2.1 实体链接 Entity Linking
指对于从文本中抽取得到的实体对象，将其链接到知识库中对应的正确实体对象的操作。主要涉及两方面：
▪ 实体消歧Entity Disambiguation
用于解决同名实体产生歧义问题的技术。例如“李娜”（指称项）可以对应于作为歌手的李娜这个实体，也可以对应于作为网球运动员的李娜这个实体。
▪ 共指消解Entity Resolution
也称实体对齐（object alignment）、实体匹配（entity matching）、实体同义（entity synonyms）等，用于解决多个指称项对应于同一实体对象的问题。例如在一篇新闻稿中，“Barack Obama”，“president Obama”，“the president”等指称项可能指向的都是“奥巴马”这同一个实体。
3.2.2 知识合并
指从第三方知识库产品或已有结构化数据获取知识输入。
4. 知识加工
4.1 所解决的问题
信息抽取和知识融合可以得到一系列基本的事实表达。但事实不等于知识，要想最终获得结构化、网络化的知识体系，还需要经历知识加工的过程。
4.2 涉及的关键技术
4.2.1 本体构建 Ontology Extraction
本体（ontology）是对概念进行建模的规范，是描述客观世界的抽象模型，以形式化方式对概念及其之间的联系给出明确定义。
4.2.2 知识推理 Knowledge Inference
指从知识库中已有的实体关系数据出发，经过计算机推理，建立实体间的新关联，从而拓展和丰富知识网络。
4.2.3 质量评估 Quality Evaluation
对知识的可信度进行量化，通过舍弃置信度较低的知识，保障知识库的质量。
5. 知识更新
5.1 所解决的问题
知识图谱的内容需要与时俱进，其构建过程是一个不断迭代更新的过程。主要包括概念层的更新和数据层的更新。
▪ 数据层更新：主要是新增或更新实体、关系和属性值等。
▪ 模式层更新：指新增数据后获得了新的模式，需要自动将新的模式添加到知识库的模式层中。
