王秋月-知识图谱的可视化交互分析和关系发现
国际非物质文化遗产研究知识图谱可视化分析
理论与方法 / Theoretical and Method86国际非物质文化遗产研究知识图谱可视化分析吴晓晨，王春燕（塔里木大学经济与管理学院，新疆 阿拉尔 843300）摘 要: 非遗是以非物质形态存在于民间、世代相承的传统文化表现形式。
文章通过梳理国际非遗研究文献，客观掌握国际非遗研究方向，以“Web of science核心集合”为数据库，利用Cite Space软件对索引出来的1 304篇文献进行国际、地区、机构、作者网路共现、文献共被引以及关键词聚类等系统化分析，得出国际有关于“intangible cultural heritage”的研究知识图谱。
研究发现，非遗的研究内容方向可以分为3类：民族非遗文化产业管理研究（主要包括区域历史文化、专业科目以及原生态识别）、传承创新与保护政策研究（包括传播表达以及可持续发展保护）、文化旅游的研究（包括标志地区、地方性艺术、空间市场分析）。
研究涉及的学科领域广、分布不均衡、科研力量地域空间上不平衡。
研究的热点随着时间变化，主要有3个研究热点：有非遗概念界定、非遗保存、非遗开发管理。
通过得到的知识图谱可以掌握非遗研究的现状与发展趋势，为今后的研究方向提供数据支持。
关键词：非物质文化遗产；Cite Space软件；文化旅游；可视化中图分类号：G122 文献标志码：AVisualization Analysis of Knowledge Map of International Intangible Cultural HeritageWU Xiaochen, WANG Chunyan（College of Economics and Management, Tarim University, Alar Xinjiang 843300, China）Abstract: Intangible cultural heritage is a form of traditional culture, which exists in non-material form in folk and generation by generation. Through combing the research literature of international non-material cultural heritage, the research direction of international intangible cultural heritage is grasps objectively, and some objective data are provided for future research.This paper uses "Web of science core collection" as the database, and uses Cite Space software to study the 1304 documents which are indexed by international, regional, organization, author network co-occurrence, literature co citation, and keyword cluster analysis.It is concluded that there is an international knowledge map of "intangible cultural heritage". The research found that the research content of intangible cultural heritage can be divided into three categories: the study of national cultural heritage, the research of heritage innovation and protection policy, and the study of cultural tourism. The research covers a wide range of disciplines, uneven distribution, and uneven geographical distribution of research forces. With the change of time, there are three main research hot spots: the definition of intangible cultural heritage, the protection and preservation of intangible cultural heritage, and the development and management of intangible cultural heritage. Through the knowledge map, we can grasp the current situation and development trend of intangible cultural heritage research, so as to provide data support for future research directions.Keywords: intangible cultural heritage; Cite Space software; culture travel; visualization作者简介：吴晓晨（1998-），女，本科，主要研究方向为旅游管理。
知识图谱应用于学科知识服务初探知识讲解
②、知识图谱的应用推广
首先，现今图书馆的专职学科馆员还不普遍，大多 是兼职的形式，掌握知识图谱需消耗大量的成本。 其次，目前会提供知识图谱学科服务的机构也很少 ，利用知识图谱的图书馆用户就更少。这样就会在 一定程度上对知识图谱的推广造成困难。 最后，尤其现在国内对知识图谱的研究还处于起步 阶段，其研究成果不多，知识图谱技术与其可视化 效果的优化不易在短期内得到发展，这便降低了知 识图谱在学科知识服务中被用户接受的可能。
谢 谢！
1、契合学科知识服务的职责
学科馆员以开发专题信息资源为目的，深入学 科专业领域之中，针对用户的问题及其特定的环境 ，对某一学科的基本理论、历史和现状、学术前沿 、学术的主要领头人等方面进行深入的分析了解。 对无序繁杂的信息进行加工、分析、整理、重组， 完成知识的管理过程，为用户提供有效可靠的支持 知识应用和知识创新的服务。
④、数据质量
知识图谱应用于学科知识服务的障碍还包括： 获取的数据质量直接影响知识产品的质量。而在专 业领域中的高质量数据（可获取并有用的）大都以 普通形式出现，这就需要即将生产出来的数据也必 需以相同形式出现。
⑤、评价体系
任何一种机制，如果缺乏相应的质量评价指标 ，那么就会难以得到优化和发展。相应的质量评价 指标缺乏，既不能客观地反映知识图谱于学科知识 服务的进行现状，也不利于对其整体事业建设进行 宏观调控。
3 服务社会，扩大受众
学科社会化服务是学科知识服务的必经之路： 一方面可以使信息接受者增加，学科知识服务拓宽 服务面，增强知识传播效果。 另一方面，学科馆员在服务的同时，还可以深入实 践，在实践中完善理论，更加了解专业发展现状， 更好的把握研究趋势以及未来研发方向。
4 提高数据质量
随着知识图谱工具的提高，只有数据质量也提 高，才能真正使整体的学科知识图谱质量提高。只 有简洁规范的数据才是最佳的基础。这就要求利用 专门的数据库，对那些经过加工、整理的数据直接 进行利用，会取得最佳效果。
我国高等教育研究学术群体可视化知识图谱构建与分析
我国高等教育研究学术群体可视化知识图谱构建与分析【摘要】我国高等教育研究学术群体可视化知识图谱构建与分析是当前研究的热点之一。
本文首先介绍了可视化知识图谱的概念，然后分析了我国高等教育研究的现状，探讨了学术群体构建方法，并应用知识图谱分析技术进行了实证研究。
研究结果展示了不同学术群体之间的关联和发展趋势。
通过总结研究成果，展望未来研究方向，本文为我国高等教育研究领域提供了有益的参考和指导，具有重要的理论与实践意义。
【关键词】关键词：高等教育研究、可视化知识图谱、学术群体、数据分析技术、研究成果、未来发展、研究意义1. 引言1.1 研究背景我国高等教育研究学术群体可视化知识图谱构建与分析引言目前，国内外关于高等教育研究学术群体的可视化知识图谱方面的研究还相对较少，特别是针对我国高等教育研究的相关领域做出系统性的探讨和分析更为匮乏。
本文旨在通过构建我国高等教育研究学术群体的可视化知识图谱，系统地分析研究现状、学术群体的构建方法、知识图谱分析技术应用等方面的问题，为我国高等教育研究领域的发展提供新的思路和方法。
1.2 研究意义高等教育是国家发展的重要支撑，而高等教育研究则是推动高等教育不断进步的重要领域。
构建我国高等教育研究学术群体可视化知识图谱，具有重要的研究意义和实践价值。
通过可视化知识图谱的构建，可以帮助我们更好地理解和把握我国高等教育研究的发展现状和趋势。
通过对学术领域、热点问题、学者合作关系等进行网络化呈现，可以直观展示我国高等教育研究的学术生态，有助于深入挖掘研究者之间的合作与交流模式，推动学术交流与合作，促进学科交叉与创新。
借助知识图谱分析技术，可以有效挖掘学术信息之间的内在联系和规律，为高等教育研究者提供更加全面、系统的知识资讯和信息检索服务。
通过对知识图谱的分析和应用，可以提高学者们的学术研究效率，促进学术成果的传播和转化，为高等教育研究的深入发展提供智力支持和理论指导。
1.3 研究目的研究目的是为了深入了解我国高等教育研究学术群体的结构和发展情况，通过构建可视化知识图谱，揭示学术领域的关联性和发展趋势，为学术研究提供更加直观和全面的信息支持。
知识图谱可视化工具
知识图谱可视化工具引言知识图谱是一种用于表示和展示知识的结构化模型，它通过将实体和实体之间的关系以图形的方式呈现出来，帮助人们更好地理解和分析知识。
随着大数据和人工智能的快速发展，知识图谱在各个领域都得到了广泛的应用。
为了更好地利用和探索知识图谱，出现了许多知识图谱可视化工具。
一、什么是知识图谱可视化工具知识图谱可视化工具是一类软件工具，用于将知识图谱中的数据以直观和可交互的图形方式展示出来。
通过这些工具，用户可以更加清晰地了解知识图谱中的实体、属性和关系，并且可以通过交互操作来进行数据分析和可视化效果的调整。
二、知识图谱可视化工具的功能1. 实体和关系的展示知识图谱可视化工具可以将知识图谱中的实体以节点的形式展示出来，节点的样式和颜色可以根据实体的属性进行设定。
同时，工具还可以将实体之间的关系以边的形式展示出来，边的粗细和颜色可以体现关系的强度和类型。
2. 交互式操作知识图谱可视化工具通常提供了丰富的交互式操作，用户可以通过鼠标点击、拖拽等方式来对图谱进行探索和分析。
例如，用户可以通过点击节点来查看该节点的详细信息，可以通过拖拽节点来调整图谱的布局等。
3. 数据过滤和查询知识图谱可视化工具还可以进行数据过滤和查询，用户可以根据实体属性的取值范围、关系的类型等条件来筛选和搜索相关的数据。
这样可以帮助用户针对特定的问题进行数据分析，找出关键的实体和关系。
4. 可视化效果的定制知识图谱可视化工具通常提供了丰富的图形定制选项，用户可以根据自己的需求来调整图谱的样式和布局。
例如，用户可以设置节点的颜色、大小和形状，可以调整边的粗细、颜色和箭头的样式等。
三、知识图谱可视化工具的应用领域1. 知识图谱研究和教育在知识图谱的研究和教育领域，可视化工具可以帮助研究人员和教师更好地理解知识图谱的结构和关系，并且可以通过交互操作来探索和发现知识的新规律。
2. 企业和组织管理在企业和组织管理中，知识图谱可视化工具可以帮助企业和组织更好地理解和利用知识资产，从而提高组织的决策能力和创新能力。
知识图谱在教育领域的应用研究
知识图谱在教育领域的应用研究随着人工智能技术的不断发展，知识图谱在教育领域的应用研究也引起了越来越多的关注。
知识图谱是一种基于语义网的知识表示方法，能够将各种领域的知识进行有效的关联和组织，从而形成一张具有层级结构和语义关联的知识网络。
这一方法不仅可以为学生提供更深入和全面的学习体验，还能够帮助教育机构实现教育内容和教育资源的智能化管理和应用。
一、知识图谱在课程设计中的应用知识图谱在课程设计中的应用是其最为广泛的应用之一。
课程设计是指教育机构根据学生的需求和学科的特点，制定出一套科学合理的课程教学计划，包括教学目标、教学内容、教学方法和评价标准等。
而知识图谱则可以为课程设计提供深入的知识结构分析和应用支持，帮助教师更加科学、有效地制定教学计划。
具体来说，知识图谱可以将教学内容按照主题、层级、关联等方面进行组织和分类，从而形成一张一目了然的知识网络。
教师可以利用知识图谱中的内容，对课程进行有机整合和补充。
同时，通过语义关联的方式，知识图谱能够将复杂的知识点转化为简单的可视化信息模型，使得学生能够更加直观地理解课程的主要内容和重点难点。
二、知识图谱在智能教育系统中的应用智能教育系统是一种基于人工智能技术的教育管理和教育服务模式，它通过智能化的数据分析和应用，帮助教育机构有效地提升教学质量和管理效率。
而知识图谱则可以为智能教育系统提供强有力的支持，实现教育资源和教育内容的智能化管理和应用。
具体来说，知识图谱可以将各种教育资源、课程内容、教学方法和评价标准等信息进行有机整合和组织，从而形成一个具有层级结构和语义关联的知识网络。
教师、学生和家长等用户可以根据自己的需求和兴趣，自由浏览、搜索和应用知识图谱中的内容，从而有效地提升学习效果和教学效率。
三、知识图谱在教学评估中的应用教学评估是指对教育机构、教师和学生等目标进行跟踪和分析，以评估教学质量、学生学业水平和教育机构管理效率等方面的情况。
而知识图谱则可以为教学评估提供深入的数据分析和应用支持，帮助教育机构更加科学、有效地进行评估和改进。
知识图谱应用于教育领域的探索与实践
知识图谱应用于教育领域的探索与实践近年来，随着人工智能技术的不断发展和进步，知识图谱已经成为教育领域的重要研究方向之一。
知识图谱用图形化的方式将现实世界中的实体和关系进行描述和存储，可以帮助教育工作者更好地理解学生的学习需求，推动个性化教学的发展，提高教育的效果。
知识图谱在教育领域的应用主要包括以下几个方面。
首先，知识图谱可以帮助教师更好地了解学生的个性化学习需求。
通过收集学生的学习数据和行为记录，知识图谱可以建立个性化学习模型，快速分析学生的学习特点和兴趣爱好，为教师提供有针对性的教学建议。
例如，当一个学生在数学方面遇到困难时，知识图谱可以根据学生此前的学习表现和知识图谱中的数学知识关系，推荐相应的学习资源和习题，以帮助学生克服困难。
其次，知识图谱可以促进跨学科知识的整合和交叉学科的发展。
现实世界中的知识是庞杂而分散的，各个学科之间的关联也非常复杂。
知识图谱可以通过将不同学科的知识进行关联，建立知识之间的联系，帮助学生更好地理解知识的脉络和关系。
此外，知识图谱还可以为学生提供跨学科学习的机会，通过学习不同学科之间的关系，培养学生的综合思维能力和创新能力。
再次，知识图谱可以提供个性化教学的支持。
在传统的教学模式下，教师通常采用固定的教学计划和课程安排，忽视了学生的个体差异。
而有了知识图谱的支持，教师可以根据学生的学习特点和需求，量身定制个性化教学计划，为每个学生提供针对性的学习资源和活动。
通过个性化教学，学生可以更加主动地参与学习，提高学习效果。
最后，知识图谱还可以为教育研究提供有力的支持。
通过对知识图谱中的数据进行分析和挖掘，研究人员可以深入了解学生的学习行为和学习效果，发现学习中存在的问题和难点，为教育改革和教学方法的创新提供科学依据。
同时，知识图谱还可以帮助建立学科体系和课程体系，推动教育领域的知识共享和互联互通。
总之，知识图谱在教育领域的应用为教育工作者和学生带来了许多机遇和挑战。
通过合理利用知识图谱，可以实现更加个性化、更加高效的教学，促进教育的发展和进步。
大规模知识图谱构建与应用的问题与挑战—大规模知识图谱
大规模知识图谱构建与应用的问题与挑战—大规模知识图谱构建与应用研讨会1.引言2017年01月05日，由由中国人民大学、北京大学中科院网络中心联合主办的“大规模知识图谱构建与应用”研讨会，在中国人民大学逸夫会议中心召开，并获得圆满成功。
本次研讨会着重探讨了知识图谱构建的技术、方案、策略和知识图谱在机器人、金融、安全领域的应用，以及知识图谱中其他待研究问题和挑战。
会议汇集国内外知名专家和学者，进行了为期半天的深入研究和探讨。
本次会议由中国人民大学孟小峰教授、北京大学邹磊副教授和中国科学院网络网络信息中心黎建辉研究员担任大会主席。
文因互联CEO鲍捷，深圳狗尾草智能科技公司CTO王昊奋，北京明略软件系统有限公司联合创始人兼CTO冯是聪，极光数据研究院解决方案中心总监伊宁，北京大学副教授邹磊，中国人民大学讲师王秋月等六位专家学者出席了会议，介绍了最新的前言技术和发展动态，分别做了精彩的报告。
2.问题与挑战本次研讨会的主题是语义、知识与链接大数据，将着重探讨知识图谱构建的技术、方案、策略和知识图谱在机器人、金融、安全领域的应用，以及知识图谱中其他待研究问题和挑战，促进研究单位之间以及研究界和产业界之间的学术交流，探索今后大规模知识图谱构建的研讨和合作机制。
包括大规模知识库的构建，大规模知识库的用于和大规模知识库的分析等内容。
下面分别从各个专家学者的角度，介绍大规模知识库的构建与应用方面的问题和挑战。
2.1知识库构建这些杀手级应用不太冷——从语义网到知识图谱的回顾（鲍杰·文因互联）所谓的杀手级应用（Killer Application），是指某个非常有用的、消费者愿意为其购买某硬件软件产品的计算机程序。
本次讲座中鲍杰博士复盘了语义网/知识图谱绝地反击的漂亮过程，并展望在Web下半场的25年中，会有哪些更加梦幻的杀手级应用。
Web本身是Internet的一个应用，它试图实现三个递进的网络：文档的互联（Web）、知识的互联（Semantic Web，把文档变成机器可读的知识结构）和人和知识的互联（Semantic Wiki，形成一个可读可写的大规模协作网络）。
扩展知识图谱上的实体关系检索
0
术
引言
近年来， 随着从文本 中 提 取 结 构 化 数 据 的 信 息 抽 取 技
［1 ］
如生成结构化的结果摘要（ rich snippets ） 、 实体推荐、 实体搜 索和自然语言问答等。 在知识图谱上进行自然语言问答的通常做法是先将自然 语言问 题 理 解 成 确 切 的 结 构 化 查 询， 如 SPAＲQL （ Simple Protocol and ＲDF Query Language） 查询， 然后再在知识库上执 行该查询而获得确切答案 。 例如， 如果要找出所有影片和它 们的插曲， 而知识库中又有 music_in_film 这样一个 song 类型 实体和 movie 类型实体之间的关系， 则可以将此信息需求理 解成以下 SPAＲQL 查询：
SELECT ？ m， ？ s WHEＲE ｛ ？ m type movie ． ？ s type song ． ？ s music_in_film ？ m ｝
日益成熟， 大规模知识库的构建得到了迅猛发展， 产生
［2 ］
Freebase、 YAGO、 如 DBpedia、 了许 多 形 形 色 色 的 知 识 库， Wikidata、 NELL、 Probase、 Google KG 和 Microsoft Satori 等 。 这些机器可读的知识大多被表示成三元组形式的资源描述框 架（ Ｒesource Description Framework，ＲDF） 数据， 描述实体、 实 体分类以及实体和实体之间的各种关系等， 被广泛应用在文 本分析、 自然语言理解、 机器阅读、 语义搜索、 自然语言问答等 Google、 Bing 等图谱改善其搜索效果，
所有影片和它们的插曲 。 理解成确切的 SPAＲQL 查询的方法查准率高， 但查全率 却较低。这主要是由于知识库的异构性和不完全性造成的 。 1 ） 异构性： 同一语义在自然语言中有多种表达方式， 在知识 图谱上同样可以有许多不同的存在方式 。 例如， 有些电影和 它们的插曲之间的关系可能不是用一个直接的 music_in_film 关系表示的， 而是存在一个 has_soundtrack 关系连接电影和其 电影原声带， 以及一个 contains_song 关系连接电影原声带和 其中的乐曲等。2 ） 不完全性： 知识库中的信息是不完全的 。 规模再大的知识库也有缺失信息， 如有些影片和其插曲的信 。 息在知识库中不存在 造成信息缺失的原因有很多种， 如信 息抽取的精度没达到阈值等 。 针对知识库的异构性和不完全性所带来的问题， 本文提 并实现二者的统一查 出使用文本数据来补充知识库的信息， 询。不同于一般的实体检索返回实体列表， 本文主要考虑的 是实体间具有较复杂关联关系的实体关系查询， 返回的结果 是实体元组列表。具体地， 问题定义如下： 给定一个知识库和 文本数据集， 如何查询才能有效满足用户提出的复杂信息需 求。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
• Ranking patterns
– size – random walk measure (relatedness) – count (frequency) – rarity (specificity)
Espresso [Seufert 2016]
System
Input
Relationshi p
• the properties; other objects with same properties; relationships contain the selected node
– more info
RECAP [Pirro 2015]
• Object mapping
– auto-completion
• simple paths
– RelFinder, RECAP, Explass, connect-dots
• subgraphs
– minimal subgraph patterns
• REX
– relatedness cores (cliques)
• Espresso
Key Challenges
• relatedness?
– coherence
• Visualization & Exploration
– – – – aggregated vs. detailed view temporal analysis topic distribution facet-values
• Evaluation
知识图谱的可视化交互分析和 关系发现
王秋月 中国人民大学信息学院 2017-1-5
杜治娟
王硕
郝泽慧
李进
张祎
郭豫龙
Ongoing Work
• Visualization and interactive analysis of large knowledge graphs • Relationship discovery in KB • Question answering over KB
– Data mining – Web search – Semantic Web
What is the relationship between Lucy and Arthur in Bram Stoker’s Dracula?
More Examples
• Which European politicians are related to politicians in the United States, and how? • What are the relationships between China and countries from the Middle East over the last few years?
RECAP Explass
2 entity 2 entity
simple paths simple paths
informativeness; diversity length; frequency; informativeness; overlap specificity; connectivity; cohesiveness size; random walk; count; rarity path pattern
– product of all the above three scores
REX [Fang 2012]
• minimal subgraph patterns
– essential & non-decomposable – enumerate path patterns; combine path patterns
• Finding paths
– SPARQL
• Ranking paths
– path informativeness – pattern informativeness – path divemerging paths
– all paths; top-m paths; top-m patterns; + diversity …
• relationship extraction • relationship prediction
• context aware ranking
– domain specific degree-of-interest
Demo
• ScholarExplorer
/scholarexplorer/
• Interaction
– more info about selected nodes and edges
Ranking Criteria
• Path informativeness (predicate frequency inverse triple frequency)
•
Pattern informativeness
• Connectivity
– edge strength = relatedness of two entities
• Cohesiveness
– strength of linkages between adjacent edges in the path
• Overall score of a path
Relationship Discovery
• Find relationships between two entities
– What is the relationship between PKU and RUC?
• Application areas such as National Security, Intelligence Services, Bioinformatics • Study from different communities
• Large volume of indirect relationships • How to efficiently find paths? • How to help users explore the large set of paths?
– Filtering
• path lengths; predicates; classes
Y
Summary
• Ranking
– importance
• specificity? (specificity of predicate, entity, class, pattern) • popularity? (entity popularity, pattern frequency)
– relevance
Ranking Criteria
• • frequency informativeness
•
overlap
– ontological overlap – contextual overlap
Connecting the Dots [Aggarwal 2016]
• Specificity
– entity specificity = inverse of total count of its neighbors
• Relationship search
– SPARQL
• Relationship ranking
– path length
• Visulization & Interaction
– overview: aggregated on path length, connectivity levels, predicates, classes – detailed view: force-directed graph – highlight
• BioExplorer
http://202.112.113.252:8080/bioweb2016/paper.html
谢谢！
•
Path diversity
Explass [Cheng 2014]
• Object mapping
– auto-completion
• Find paths • Mine path patterns
– frequent itemset mining
• Rank path patterns
– – – – length frequency Informativeness overlap
Input
• two entities
– REX, Explass, RECAP, connect-dots
• n entities
– RelFinder
• two entity sets
– Espresso
• one entity, one entity set
Definition of Relationship
Y
connect dots REX
2 entity
simple paths
2 entity
minimal subgraph patterns relatedness cores classes; time; location;
Espresso
2 entity sets
relatedness; prior probability
simple paths
Filtering
path length; connectivity; predicates; classes predicates predicates; classes
Ranking
path length
Clustering Graph
Y
RelFinder n entity