由于工作原因，需要在系统里建立图谱推理功能，因此简单学习了浙江大学 陈华钧教授 知识图谱导论课程课件，这里记录下学习笔记。

知识图谱推理的主要方法

• 基于描述逻辑的推理（如DL-based）
• 基于图结构和统计规则挖掘的推理（如： PRA、 AMIE）
• 基于知识图谱表⽰学习的推理（如： TransE）
• 基于概率逻辑的⽅法（如： Statistical Relational Learning）

基于符号逻辑的推理——本体推理

• 传统的符号逻辑推理中主要与知识图谱有关的推理手段是基于描述逻辑的本体推理。
• 描述逻辑主要被⽤来对事物的本体进⾏建模和推理，⽤来描述和推断概念分类及其概念之间的关系。
• 主要方法：
  • 基于表运算（Tableaux）及改进的⽅法： FaCT++、 Racer、 Pellet Hermit等
  • 基于Datalog转换的⽅法如KAON、 RDFox等
  • 基于产⽣式规则的算法（如rete）： Jena 、 Sesame、 OWLIM等

基于图结构和统计规则挖掘的推理

主要方法：
• 基于路径排序学习⽅法(PRA， Path ranking Algorithm)
• 基于关联规则挖掘⽅法(AMIE)

基于知识图谱表示学习的关系推理

• 将实体和关系都表示为向量
• 通过向量之间的计算代替图的遍历和搜索来预测三元组的存在，由于向量的表示已经包含了实体原有的语义信息，计算含有⼀定的推理能⼒。
• 可应⽤于链接预测，基于路径的多度查询等

基于概率逻辑的⽅法——Statistical Relational Learning

概率逻辑学习有时也叫Relational Machine Learning (RML)，关注关系的不确定性和复杂性。
通常使用Bayesian networks or Markov networks

基于符号逻辑的推理

本体概念推理

图谱中基于RDF来作为资源描述语言，RDF是Resource Description Framework的简称。

但是RDF表示关系层次受限，因此有了RDFS,在RDF的基础上，新增了Class, subClassOf, type, Property, subPropertyOf, Domain, Range 词汇，可以更好的表述相关关系。

基于RDFS，可以做一些简单的推理

OWL在RDFS的基础上，进一步扩展了一些复杂类型、约束：

因此，我们也叫OWL为本体语言：

• OWL是知识图谱语言中最规范， 最严谨， 表达能力最强的语言
• 基于RDF语法，使表示出来的文档具有语义理解的结构基础
• 促进了统一词汇表的使用，定义了丰富的语义词汇
• 允许逻辑推理

OWL的描述逻辑系统：

• 一个描述逻辑系统包括四个基本的组成部分
  • 1）最基本的元素： 概念、关系和个体（实例），
  • 2) TBox术语集 (概念术语的公理集合) - 泛化的知识
    • 描述概念和关系的知识，被称之为公理 (Axiom)
  • 3) ABox断言集 (个体的断言集合) --具体个体的信息
    • ABox包含外延知识 (又称断言 (Assertion))，描述论域中
      的特定个体
  • 4) TBox和ABox上的推理机制
• 不同的描述逻辑系统的表示能力与推理机制由于对这四个组成部分的不同选择而不同

描述逻辑与OWL的对应：