[发明专利]一种从多源数据集成视角构建企业知识图谱的方法

权利要求书

1.一种从多源数据集成视角构建企业知识图谱的方法，其特征在于：基于本体建模和Karma建模实现多源异构数据集成的视角快速构建企业知识图谱可以分为数据获取、知识融合和知识加工存储；

其中，数据获取方法为：数据集一部分来自政府的关系数据库，另一部分通过构建网页爬虫抽取百度百科中相关的企业信息数据，数据采用JSON格式存储，针对百科类网页数据的抽取，构建一套基于WebMagic框架的企业爬虫系统，通过编写正则表达式来获取网页中需要的企业信息数据，爬虫系统框架包括以下四个组件：下载器、页面解析器、调度器、管道组件，在Spider容器中，将这几个组件组织起来，通过相互交互和流程化的执行，根据具体需求完成数据抽取；

知识融合方法：针对多源异构的结构化数据集，提出了基于企业法人本体的数据集成方法，对获取到的数据集进行分析和整理，抽取出实体类、对象属性和数据属性本体的相关概念，完成企业领域本体的构建，利用本体构建Karma模型进行多源数据的快速集成与融合；

知识加工方法：推理引擎完成企业法人本体和集成发布的企业RDF数据的上下位推理、缺失类别补全、一致性检测和自定义规则推理四大功能，对已有知识进行补全和修正；

知识存储方法：采用Neo4j图数据库对知识图谱进行持久化存储，通过构建RDF2Neo4j解释器，将RDF三元组数据导入Neo4j图数据库中进行存储。

2.按照权利要求1所述一种从多源数据集成视角构建企业知识图谱的方法，其特征在于：所述企业爬虫系统的工作流程：第一步，针对政府提供的部分企业数据进行解析，抽取其中的企业实体名称，利用百度百科提供统一的API接口，自动拼接初始URL；

第二步，下载器使用Apache HttpClient作为下载组件对提供的初始URL发起请求，获取网页对象Page；

第三步，页面解析器采用pageProcessor中的process方法对网页进行解析，使用jsoup解析HTML页面成DOM树，通过CSS Selector抽取有用的信息资源以及发现新的种子URL，针对百度百科的企业词条，主要抽取词条标题、InfoBox和词条概述三个部分；

第四步，调度器负责管理待抓取的URL以及去重操作；

第五步，管道器负责处理抽取的网页数据，主要包括保存数据到文件或数据库。

3.按照权利要求1所述一种从多源数据集成视角构建企业知识图谱的方法，其特征在于：所述Karma的建模方法：

第一步是导入构建的企业法人本体和多源异构的结构化数据集，支持导入的数据格式包括电子表格、关系数据库、XML、CSV、JSON；

第二步是清洗规范数据，确保数据格式和内容的完整性；

第三步是设置数据列的语义类型，导入本体之后，需要在本体与不同数据源之间建立语义映射，解决一词多义或多词一义语义异构问题；

第四步是指定语义类型之间的关系，根据本体和设置的数据列语义类型构建节点之间的语义关联图。

4.按照权利要求1所述一种从多源数据集成视角构建企业知识图谱的方法，其特征在于：所述采用Jena推理引擎进行知识图谱上下位推理、缺失类别补全、一致性检测和自定义规则推理进行知识补全和修正的具体方法：①引入RDFS推理机，利用RDFS中subClassOf关键字进行概念之间上下位关系推理；②引入OWL推理机对个体类别做完整性推理，补全个体的缺失类别；③通过Jena提供的validate检测本体的不一致性，生成检测报告并打印不一致实例的具体信息；④采用SWRL(Semantic Web Rule Language)描述用户自定义规则，用户通过定义推理规则库来实现规则推理。