Nlp 如何为一个简单的知识图收集RDF三元组？

构建知识图时，第一步（如果我理解正确的话）是收集结构化数据，主要是使用一些本体编写的RDF三元组，例如Schema.org现在，收集这些RDF三元组的最佳方法是什么？

看来我们可以做两件事

使用爬虫对web内容进行爬网，对于特定页面，在该页面上搜索RDF三元组。如果我们找到它们，就收集它们。如果没有，请转到下一页

对于当前页面，不要查找现有的RDF三元组，而是使用一些NLP工具来理解页面内容（例如使用NELL，请参阅）

现在，我的上述理解（基本/几乎）正确吗？如果是，为什么我们要使用NLP？为什么不依赖现有的RDF三元组呢？似乎NLP没有我们希望的那么好/可靠…我可能完全错了

这里是问同样问题的另一次尝试 假设我们想使用@AKSW提到的第三种方法创建RDF三元组，即从一些网页（文本）中提取RDF三元组

。如果您打开它并使用“ViewSource”，您可以看到相当多的语义标记（使用OGP和Schema.org）。因此，我的爬虫程序可以简单地做到这一点：只抓取/解析这些标记，并轻松地将这些标记更改为RDF三元组，然后声明成功，转到下一页

所以爬虫在这个文本页面上所做的非常简单：只收集语义标记并从这些标记创建RDF三元组。它简单有效

另一种选择是使用NLP工具从同一文本中自动提取结构化语义数据（可能我们对现有的标记不满意）。一旦我们提取结构化信息，我们就从中创建RDF三元组。这显然是一件很难做到的事情，我们也不确定它的准确性（？）

这里的最佳实践是什么，优点/缺点是什么？我更喜欢简单/简单的方法-只需收集现有标记并将其更改为RDF内容，而不是使用NLP工具

---

我不知道有多少人会同意这一点？这是最佳实践吗？或者，这仅仅是一个我们的需求将我们引向何方的问题？

您的问题不清楚，因为您没有说明您的数据源，并且本页上的所有答案都假定它是web标记。事实并非如此，因为如果您对根据最佳实践发布的结构化数据（称为链接数据）感兴趣，则可以使用所谓的SPARQL端点查询链接开放数据（LOD）数据集，并通过联邦查询生成知识图。如果您想从网站标记中收集结构化数据，则必须解析标记以查找和检索用RDFa、HTML5微数据或JSON-LD编写的轻量级注释。此类注释的可用性可能在很大一部分网站上受到限制，但对于以RDF表示的结构化数据，您根本不应该使用NLP，因为RDF语句是机器可解释的，并且比非结构化数据（如文本网站内容）更容易处理。创建您提到的三元组的最佳方法取决于您试图实现的目标。

您的问题很奇怪，我不知道您到底想听到什么……显然，要么I）您手动创建RDF三元组ii）要么重用现有RDF数据，要么iii）您从其他类型的源（如关系数据库）提取RDF数据，XML文件、文本…“我们为什么要NLP”？您还想如何从文本中自动提取结构化语义数据，而文本实际上只是非结构化数据？当然，你不必——你可以爬网并为每个网页手动生成RDF三元组——这可能很费时，对吧？我的错，没有清楚地问这个问题，让我再试一次，请看上面的问题。没有唯一的答案。1） 您甚至不知道现有的语义标记是如何创建的（它也可能是自动生成的），因此，不能保证正确性。高质量2）从文本中提取您自己的数据可以增加您可以找到的RDF事实的数量-显然，这项任务正在进行研究，并且在实现方面存在局限性。即使NLP工具具有100%的准确性，但事实并非如此，从这些提取的结构到RDF三元组的映射也非常重要。仅供参考（可能您知道）：嵌入的RDF通常采用or格式。至于NLP，也许你可以试试。也许你会感兴趣。如果你喜欢爬行，请看看我的包装纸。对于基于Java的RDF ORM，请查看或