知識圖譜本質上是語義網路，是一種基於圖的資料結構，由節點(Point)（“實體”）和邊(Edge)（“關係”）組成。在知識圖譜裡，每個節點表示現實世界中存在的“實體”，每條邊為實體與實體之間的“關係”。知識圖譜是關係的最有效的表示方式。通俗地講，知識圖譜就是把所有不同種類的資訊（Heterogeneous Information）連線在一起而得到的一個關係網路。知識圖譜提供了從“關係”的角度去分析問題的能力。

再來說關係推理

就我的理解而言，雖然目前的知識圖譜上已經有了非常多的實體對和關係事實，但是由於資料的更新迭代以及不完整性，註定了這個知識圖譜的不完整，同樣，他裡面也隱藏著我們難以輕易發現的資訊。在論文中，給出了一個非常經典的介紹：

For example, we may have no evidence directly linking Melinda Gates and Seattle, however, we may infer with some likelihood that Melinda–lives-in– Seattle, by observing that the KB contains the path Melinda–spouse–Bill–chairman–Microsoft–HQ-in–Seattle. 
比如說，我們沒有證據直接指明梅琳達·蓋茨和西雅圖的關係。然而，我們可以通過觀察到知識圖譜中包含這樣的一條路徑“梅琳達·蓋茨 - 配偶 - 比爾·蓋茨 -主席 - 微軟 - 總部在 - 西雅圖 ”，推測出梅林達可能居住在西雅圖。
這就是一個完整的、從關係推匯出結果的例子。

或許你會說，這條路徑多簡單，是個人都能猜到。那麼從100條這樣的路徑中呢？你會得出怎樣的資訊，會如何對資訊的選擇進行預判，你得出的資訊又到底是對是錯？這就是關係推理需要進行的工作了。

目前國內外的關係推理模型主要基於三類：

接下來分開來講

先放兩張便於大家理解的圖——（基於邏輯規則的關係推理裡也包含了基於概率圖，基於知識表達的我暫時沒找到，這個檔案講的還不錯，大家可以先看看這個QAQ）

基於邏輯規則的關係推理

1. 建模依據：採用抽象或具象的Horn子句
2. 本質：基於邏輯規則進行推理

3. 代表性工作：

   • 馬爾科夫邏輯網路（Markov Logic Network）模型
   • 基於貝葉斯網路的概率關係模型（Probabilistic Relational Models)
   • 基於統計機器學習的FOIL（First Order Inductive Learner）演算法
   • PRA演算法（Path Ranking Alogorithm）
   • SFE（Subgraph Feature Extraction）演算法
   • HiRi（Hierarchical Random-walk inference）演算法
4. 優勢：能夠模擬人類的邏輯推理能力，有可能引入人類的先驗知識輔助推理
5. 缺點：尚未有效解決優勢所帶來的的一系列問題，包括專家依賴、複雜度過高等問題

6. 發展趨勢

   1. 逐漸摒棄對人工規則的依賴
   2. 轉而藉助模式識別的方式進行規則（模式特徵）發現
   3. 採用機器學習方法進行特徵建模

基於知識表達的關係推理

1. 建模依據：將實體和關係對映到一個低維的embedding空間中，基於知識的語義表達進行推理建模

2. 代表性工作：

   • RESCAL張量分解模型（Tensor Factorization Model）
   • SE（Structured Embedding）關係推理演算法
   • TransE（Translating Embedding）演算法
   • TransH演算法
   • TransM演算法
   • TransG模型
3. 優勢：生成知識表達時能夠充分利用知識圖譜已有的結構化資訊
4. 缺點：建模方法著眼於實體間的直接關聯關係，難以引入並利用人類的先驗知識實現邏輯推理

基於深度學習的關係推理

1. 代表性工作：

   • 單層感知機模型SLM（Single Layer Model）
   • NTN神經張量模型（Neural Tensor Networks）
   • DKRL（Description-Embodied Knowledge Representation Learning）模型
   • Path-RNN模型
     然後這是以上概括的整體思維導圖——

而在關係推理日益發展壯大的基礎上，在為知識圖譜擴容的時候，又可以倒過來為自動化知識質量評估技術做出貢獻。也就是前面所說的怎麼判斷抽取到的資料，好不好、正不正確等。