陸曉華，張宇，錢進(jìn)（.四川大學(xué)計(jì)算機(jī)學(xué)院，成都　60065；.成都航空職業(yè)技術(shù)學(xué)院，成都　60065；.重慶市通信服務(wù)產(chǎn)業(yè)有限公司移動(dòng)服務(wù)分公司，重慶　40400）

基于圖數(shù)據(jù)庫(kù)的電影知識(shí)圖譜應(yīng)用研究

陸曉華1，張宇2，錢進(jìn)3
（1.四川大學(xué)計(jì)算機(jī)學(xué)院，成都610065；2.成都航空職業(yè)技術(shù)學(xué)院，成都610065；3.重慶市通信服務(wù)產(chǎn)業(yè)有限公司移動(dòng)服務(wù)分公司，重慶404100）

0　引言

知識(shí)圖譜，也被稱為科學(xué)知識(shí)圖譜、知識(shí)域可視化或知識(shí)域映射地圖，是顯示科學(xué)知識(shí)的發(fā)展進(jìn)程與結(jié)構(gòu)關(guān)系的的一系列各種不同的圖形。它用可視化技術(shù)描述知識(shí)資源及其載體，挖掘、分析、構(gòu)建、繪制和顯示知識(shí)及它們之間的相互聯(lián)系[1]。

具體來說，知識(shí)圖譜是把應(yīng)用數(shù)學(xué)、圖形學(xué)、信息可視化技術(shù)、信息科學(xué)等學(xué)科的理論與方法與計(jì)量學(xué)引文分析、共現(xiàn)分析等方法結(jié)合，用可視化的圖譜形象地展示學(xué)科的核心框架、發(fā)展歷史、前沿領(lǐng)域以及整體知識(shí)架構(gòu)的多學(xué)科融合的一種研究方法。它把復(fù)雜的知識(shí)領(lǐng)域通過數(shù)據(jù)挖掘、信息處理、知識(shí)計(jì)量和圖形繪制而顯示出來，揭示知識(shí)領(lǐng)域的動(dòng)態(tài)發(fā)展規(guī)律，為學(xué)科研究提供切實(shí)的、有價(jià)值的參考[1]。

近些年，隨著大數(shù)據(jù)時(shí)代的到來，知識(shí)圖譜已經(jīng)在其他領(lǐng)域有所應(yīng)用。Google早在2012年就發(fā)布了“知識(shí)圖譜”，利用知識(shí)圖譜將Google的搜索結(jié)果進(jìn)行知識(shí)系統(tǒng)化。當(dāng)用戶在搜索某一關(guān)鍵詞時(shí)，Google就會(huì)在搜索結(jié)果的右邊給出該關(guān)鍵詞相關(guān)的信息，極大地方便了人們對(duì)信息的搜索。2013年2月，百度也推出了自己的知識(shí)圖譜。不同于基于關(guān)鍵詞搜索的傳統(tǒng)搜索引擎，知識(shí)圖譜可用來更好地查詢復(fù)雜的關(guān)聯(lián)信息，從語(yǔ)義層面理解用戶意圖，改進(jìn)搜索質(zhì)量。例如在百度的搜索框里輸入“馬云”的時(shí)候，搜索結(jié)果頁(yè)面的右側(cè)還會(huì)出現(xiàn)與“馬云”相關(guān)的人物，如圖1（a）所示；另外，對(duì)于包含邏輯關(guān)系的搜索語(yǔ)句例如 “馬云妻子”，百度能準(zhǔn)確返回他的妻子“張瑛”，如圖1（b）所示。這就說明搜索引擎通過知識(shí)圖譜真正理解了用戶的意圖。

知識(shí)圖譜的構(gòu)建主要包括知識(shí)單元的構(gòu)建、知識(shí)單元間關(guān)系的構(gòu)建和知識(shí)的可視化三個(gè)部分。其中前兩個(gè)部分是構(gòu)建知識(shí)圖譜的最基本任務(wù)。以往的知識(shí)圖譜研究多基于文獻(xiàn)來進(jìn)行研究，將關(guān)鍵詞、摘要等結(jié)構(gòu)化信息可以直接作為知識(shí)單元進(jìn)行構(gòu)建。而大數(shù)據(jù)概念的興起，將研究者的目光集中到互聯(lián)網(wǎng)的海量數(shù)據(jù)上來。這其中的信息多為非結(jié)構(gòu)化的文本，而且還含有大量雜訊，要對(duì)這些信息進(jìn)行語(yǔ)義分析，提取出能用于可視化知識(shí)圖譜的知識(shí)單元并抽取出知識(shí)單元之間的關(guān)系就相當(dāng)復(fù)雜了。另外，傳統(tǒng)的關(guān)系型數(shù)據(jù)庫(kù)經(jīng)歷幾十年的發(fā)展，雖然具備較高的安全性和數(shù)據(jù)一致性，能夠依賴簡(jiǎn)單的數(shù)據(jù)結(jié)構(gòu)表達(dá)豐富的語(yǔ)義信息，但是對(duì)于知識(shí)圖譜這樣連接相對(duì)豐富，查詢復(fù)雜的數(shù)據(jù)結(jié)構(gòu)，效率上考慮已經(jīng)不適用了。在本文中，將對(duì)IMDB數(shù)據(jù)進(jìn)行抓取并抽取出命名實(shí)體和實(shí)體關(guān)系，并通過Neo4j圖數(shù)據(jù)庫(kù)建立一個(gè)電影知識(shí)圖譜。

圖1　百度搜索知識(shí)圖譜應(yīng)用

1　知識(shí)圖譜構(gòu)建流程

知識(shí)圖譜的構(gòu)建流程[2]通常包含下面幾個(gè)重要的環(huán)節(jié)：構(gòu)建知識(shí)單元、單元關(guān)系抽取以及結(jié)構(gòu)化展示。在實(shí)現(xiàn)上，流程通常如圖2所示。通常我們把數(shù)據(jù)獲取和數(shù)據(jù)清洗歸結(jié)為數(shù)據(jù)準(zhǔn)備階段。構(gòu)建知識(shí)單元的操作主要為提取文本中的命名實(shí)體信息；單元關(guān)系抽取主要是抽取出上一步提取出的命名實(shí)體之間的關(guān)系；結(jié)構(gòu)化展示即為利用數(shù)據(jù)可視化技術(shù)對(duì)提取出的實(shí)體和關(guān)系進(jìn)行可視化處理。

在實(shí)現(xiàn)上，構(gòu)建知識(shí)圖譜通常首先會(huì)從維基百科、百度百科等資源中提取所需內(nèi)容。本文的系統(tǒng)使用的電影及電影人數(shù)據(jù)來自于IMBD網(wǎng)站。利用爬蟲技術(shù)從互聯(lián)網(wǎng)空間中抓取的文本包含HTML標(biāo)簽等雜訊，需要進(jìn)行數(shù)據(jù)清洗。數(shù)據(jù)準(zhǔn)備完成之后，我們通過統(tǒng)計(jì)機(jī)器學(xué)習(xí)算法提取文本中的命名實(shí)體，繼而通過特殊的正則模式匹配找出實(shí)體之間的關(guān)系，并將其持久化為csv文件。最后，我們將所有命名實(shí)體及實(shí)體關(guān)系導(dǎo)入Neo4j圖數(shù)據(jù)庫(kù)，以供數(shù)據(jù)可視化及知識(shí)圖譜內(nèi)部聯(lián)系的查詢。

1.1數(shù)據(jù)來源

基于目前的研究和技術(shù)，通常的知識(shí)圖譜具有以下幾種類型[3]：（1）領(lǐng)域無關(guān)的知識(shí)圖譜；（2）特定領(lǐng)域的知識(shí)圖譜；（3）跨語(yǔ)言的知識(shí)圖譜。其中特定領(lǐng)域的知識(shí)圖譜，雖然內(nèi)容不及領(lǐng)域無關(guān)知識(shí)圖譜廣泛，但是能夠囊括特定領(lǐng)域中的知識(shí)內(nèi)容，更具有針對(duì)性，所以在特定領(lǐng)域中具有很好的應(yīng)用。例如，宜信將知識(shí)圖譜技術(shù)成功應(yīng)用在互聯(lián)網(wǎng)金融領(lǐng)域，創(chuàng)立了全球首個(gè)基于金融知識(shí)圖譜的金融云平臺(tái)，為客戶提供個(gè)性化的金融服務(wù)，取得了很好的效果。

知識(shí)圖譜類型的多樣化導(dǎo)致了知識(shí)圖譜構(gòu)建方法的多樣化，一般來說，根據(jù)知識(shí)圖譜數(shù)據(jù)來源劃分，又可以將知識(shí)圖譜構(gòu)建的方法分為基于網(wǎng)絡(luò)百科資源的知識(shí)圖譜構(gòu)建方法、基于結(jié)構(gòu)化數(shù)據(jù)的知識(shí)圖譜構(gòu)建方法、基于半結(jié)構(gòu)化數(shù)據(jù)的知識(shí)圖譜構(gòu)建方法和基于非結(jié)構(gòu)化數(shù)據(jù)的知識(shí)圖譜構(gòu)建方法。

本文的系統(tǒng)數(shù)據(jù)采集自IMDB（互聯(lián)網(wǎng)電影數(shù)據(jù)庫(kù)）電影資料庫(kù)。IMDB是一個(gè)關(guān)于電影、電影演員、電視節(jié)目、電視明星、電子游戲和電影制作小組的在線數(shù)據(jù)庫(kù)。它是目前全球互聯(lián)網(wǎng)中最大的一個(gè)電影資料庫(kù)，里面包括了幾乎所有的電影，以及1982年以后的電視劇集。我們通過IMDB的電影及演員介紹頁(yè)面釆集各類實(shí)體信息，如圖3所示分別為IMDB電影頁(yè)面和演員頁(yè)面。通過對(duì)頁(yè)面標(biāo)簽的正則匹配，我們可以提取出電影中的演職人員名單及其對(duì)應(yīng)的角色；同樣，對(duì)于演員頁(yè)面可以提取出其參與拍攝的電影及其飾演的角色。由此，我們可以得到演員-飾演-角色的關(guān)系。另外，對(duì)于電影而言，還可以抽取出例如電影分級(jí)、發(fā)行時(shí)間、發(fā)行公司、電影類型、電影評(píng)分等屬性；同樣，演員還有身高、生日、性別等人物屬性。

圖2　知識(shí)圖譜構(gòu)建流程

圖3　IMBD電影及人物頁(yè)面

1.2命名實(shí)體識(shí)別

知識(shí)圖譜構(gòu)建流程中的知識(shí)單元構(gòu)建通常是指提取文本中命名實(shí)體的識(shí)別。命名實(shí)體識(shí)別（Named Entity Recognition，簡(jiǎn)稱NER），又稱作“專名識(shí)別”，是指識(shí)別文本中具有特定意義的實(shí)體，主要包括人名、地名、機(jī)構(gòu)名、專有名詞等。命名實(shí)體識(shí)別技術(shù)是信息抽取、信息檢索、機(jī)器翻譯、問答系統(tǒng)等多種自然語(yǔ)言處理技術(shù)必不可少的組成部分。

基于統(tǒng)計(jì)機(jī)器學(xué)習(xí)的命名實(shí)體提取方法通常包括：隱馬爾可夫模型（Hidden Markov Model，HMM）、最大熵 （Maxmium Entropy，ME）、支持向量機(jī)（Support Vector Machine，SVM）、條件隨機(jī)場(chǎng) （Conditional Ran-dom Fields，CRF）[4]。在這4種學(xué)習(xí)方法中，最大熵模型結(jié)構(gòu)緊湊，具有較好的通用性，主要缺點(diǎn)是訓(xùn)練時(shí)間復(fù)雜性非常高，有時(shí)甚至導(dǎo)致訓(xùn)練代價(jià)難以承受，另外由于需要明確的歸一化計(jì)算，導(dǎo)致開銷比較大。而條件隨機(jī)場(chǎng)為命名實(shí)體識(shí)別提供了一個(gè)特征靈活、全局最優(yōu)的標(biāo)注框架，但同時(shí)存在收斂速度慢、訓(xùn)練時(shí)間長(zhǎng)的問題。一般說來，最大熵和支持向量機(jī)在正確率上要比隱馬爾可夫模型高一些，但是隱馬爾可夫模型在訓(xùn)練和識(shí)別時(shí)的速度要快一些，主要是由于在利用Viterbi算法求解命名實(shí)體類別序列的效率較高。隱馬爾可夫模型更適用于一些對(duì)實(shí)時(shí)性有要求以及像信息檢索這樣需要處理大量文本的應(yīng)用，如短文本命名實(shí)體識(shí)別。

在本文的系統(tǒng)實(shí)現(xiàn)中，我們的命名實(shí)體提取使用的是NLTK[10]庫(kù)中的最大熵算法。命名實(shí)體提取示例如圖4（a）所示。NLTK的命名實(shí)體識(shí)別使用的是MaxEnt分類器，其工作時(shí)有兩個(gè)原則：①總是試圖保持均勻分布（即最大化熵）；②保持其統(tǒng)計(jì)概率與經(jīng)驗(yàn)數(shù)據(jù)一致。NLTK提供了一個(gè)持久化的pickle文件，即為通過手動(dòng)標(biāo)記語(yǔ)料庫(kù)訓(xùn)練出的MaxEnt分類器實(shí)例。

1.3實(shí)體關(guān)系抽取

在知識(shí)圖譜構(gòu)建過程中，單元關(guān)系抽取通常在命名實(shí)體提取之后進(jìn)行，就是提取出命名實(shí)體之間的聯(lián)系。基于目前的研究，已經(jīng)有許多關(guān)系實(shí)體關(guān)系抽取方法被應(yīng)用在各種實(shí)驗(yàn)系統(tǒng)當(dāng)中。這些方法所遵循的技術(shù)方法基本可以歸納為：基于模式匹配的關(guān)系抽取、基于詞典驅(qū)動(dòng)的關(guān)系抽取、基于機(jī)器學(xué)習(xí)的關(guān)系抽取、基于Ontology的關(guān)系抽取以及混合抽取方法[5]。

在關(guān)系抽取研究領(lǐng)域，普遍使用基于模式匹配的關(guān)系抽取方法。這種抽取方法通過運(yùn)用語(yǔ)言學(xué)知識(shí)，在執(zhí)行抽取任務(wù)之前，構(gòu)造出若干基于語(yǔ)詞、基于詞性或基于語(yǔ)義的模式集合并存儲(chǔ)起來。當(dāng)進(jìn)行關(guān)系抽取時(shí)，將經(jīng)過預(yù)處理的語(yǔ)句片段與模式集合中的模式進(jìn)行匹配。一旦匹配成功，就可以認(rèn)為該語(yǔ)句片段具有對(duì)應(yīng)模式的關(guān)系屬性。

圖4　

在本文的系統(tǒng)中，一旦我們提取出命名實(shí)體，就可以基于模式匹配提取出它們之間的關(guān)系。如前所述，我們通常會(huì)尋找指定類型的命名實(shí)體之間的關(guān)系。進(jìn)行這一任務(wù)的方法之一是首先尋找所有 （X，α，Y）形式的三元組，其中X和Y是指定類型的命名實(shí)體，α表示X和Y之間關(guān)系的字符串。NLTK提供了特殊的正則匹配方式，可以方便對(duì)詞性、命名實(shí)體類別等進(jìn)行模式匹配，提取出我們感興趣的元組。圖4（b）示例演示了使用NLTK抽取組織-地名關(guān)系的過程。同樣，我們可以使用NLTK編寫各種模式匹配抽取出人-人、人-電影之間的關(guān)系。

2　圖數(shù)據(jù)庫(kù)設(shè)計(jì)

在數(shù)據(jù)存儲(chǔ)領(lǐng)域，關(guān)系模型曾經(jīng)是數(shù)據(jù)存儲(chǔ)的主流，近年來逐漸被NoSQL數(shù)據(jù)庫(kù)取代。NoSQL，泛指非關(guān)系型的數(shù)據(jù)庫(kù)，通常分為鍵值（Key-Value）存儲(chǔ)數(shù)據(jù)庫(kù)、列存儲(chǔ)數(shù)據(jù)庫(kù)、文檔型數(shù)據(jù)庫(kù)和圖數(shù)據(jù)庫(kù)。圖5（a）是來自db-engines網(wǎng)站的統(tǒng)計(jì)數(shù)據(jù)，展示了2013年以來各類數(shù)據(jù)庫(kù)系統(tǒng)的使用情況，其中，圖數(shù)據(jù)庫(kù)的使用率上漲了5倍多。

圖形數(shù)據(jù)庫(kù)中每個(gè)對(duì)象是一個(gè)節(jié)點(diǎn)，而對(duì)象之間的關(guān)系是一條邊。相對(duì)于關(guān)系數(shù)據(jù)庫(kù)來說，圖形數(shù)據(jù)庫(kù)善于處理大量復(fù)雜、互連接、低結(jié)構(gòu)化的數(shù)據(jù)，這些數(shù)據(jù)變化迅速，需要頻繁的查詢——在關(guān)系數(shù)據(jù)庫(kù)中，由于這些查詢會(huì)導(dǎo)致大量的表連接，從而導(dǎo)致性能問題，而且在設(shè)計(jì)使用上也不方便。圖形數(shù)據(jù)庫(kù)適合用于社交網(wǎng)絡(luò)，推薦系統(tǒng)等專注于構(gòu)建關(guān)系圖譜的系統(tǒng)。圖數(shù)據(jù)庫(kù)用圖來存儲(chǔ)數(shù)據(jù)，是最接近高性能的一種用于存儲(chǔ)數(shù)據(jù)的數(shù)據(jù)結(jié)構(gòu)方式之一。

知識(shí)圖譜是基于圖的數(shù)據(jù)結(jié)構(gòu)，它的存儲(chǔ)方式主要有兩種形式：RDF存儲(chǔ)格式和圖數(shù)據(jù)庫(kù)[6]。圖數(shù)據(jù)庫(kù)的代表有 Neo4J、Titan、OrientDB、DEX、AllegroGraph、GraphDB等。圖5（b）展示了目前比較流行的基于圖存儲(chǔ)的數(shù)據(jù)庫(kù)性能情況?；赟 Jouili的研究，Neo4j[7]在存儲(chǔ)查詢等方面性能均優(yōu)于其他圖數(shù)據(jù)庫(kù)，在工業(yè)上具有廣泛的應(yīng)用[8]。

通常，現(xiàn)實(shí)生活中的實(shí)體和關(guān)系普遍都比較復(fù)雜當(dāng)然，而且常常查詢涉及到1度以上的關(guān)聯(lián)查詢，如果使用關(guān)系型數(shù)據(jù)庫(kù)存儲(chǔ)知識(shí)圖譜會(huì)形成性能瓶頸。對(duì)于復(fù)雜的關(guān)系網(wǎng)絡(luò)，基于圖數(shù)據(jù)庫(kù)存儲(chǔ)優(yōu)勢(shì)非常明顯。首先，在關(guān)聯(lián)查詢的效率上會(huì)比傳統(tǒng)的存儲(chǔ)方式有顯著的提高。當(dāng)涉及到2~3度的關(guān)聯(lián)查詢時(shí)，基于知識(shí)圖譜的查詢效率會(huì)比關(guān)系型數(shù)據(jù)庫(kù)高出幾千倍甚至幾百萬倍。其次，基于圖的存儲(chǔ)在設(shè)計(jì)上會(huì)非常靈活，一般只需要局部的改動(dòng)即可。例如我們有一個(gè)新的數(shù)據(jù)源，我們只需要在已有的圖譜上插入就可以。與此相反，關(guān)系型存儲(chǔ)方式靈活性方面就比較差，它所有的Schema都是提前定義好的，如果后續(xù)要改變，它的代價(jià)就非常高。最后，把實(shí)體和關(guān)系存儲(chǔ)在圖數(shù)據(jù)結(jié)構(gòu)是一種符合整個(gè)故事邏輯的最好的方式。

在本文的系統(tǒng)中，我們?cè)O(shè)計(jì)的節(jié)點(diǎn)主要有兩種類型，分為Movie和Person類型，而關(guān)系類型主要有4種，分別為：ACTED_IN、DIRECTED、PRODUCED、WROTE。具體的，Movie還有電影分級(jí)、發(fā)行時(shí)間、發(fā)行公司、電影類型、電影評(píng)分等屬性；而Person也有身高、生日、性別等屬性。此外，所有的關(guān)系都是有向邊，例如ACTED_IN就是一條有Person指向Movie的邊，其屬性是演員在該電影中飾演的角色名。

3　系統(tǒng)實(shí)現(xiàn)及實(shí)驗(yàn)結(jié)果

圖5　

本文的系統(tǒng)主要使用Python實(shí)現(xiàn)，主要分為3個(gè)模塊：數(shù)據(jù)采集模塊、數(shù)據(jù)提取模塊以及Neo4j圖數(shù)據(jù)庫(kù)導(dǎo)入模塊。數(shù)據(jù)采集模塊主要是通過Python的url-lib2庫(kù)爬取相關(guān)的IMDB網(wǎng)頁(yè)，然后使用BeautifulSoup庫(kù)清洗掉網(wǎng)頁(yè)中的HTML標(biāo)簽，這樣得到的純文本數(shù)據(jù)以供后面的數(shù)據(jù)提取工作。命名實(shí)體的識(shí)別和實(shí)體關(guān)系的提取主要是通過Python的NLTK庫(kù)實(shí)現(xiàn)。我們將識(shí)別出的命名實(shí)體及關(guān)系分別存儲(chǔ)為csv文件，以方便后續(xù)導(dǎo)入Neo4j圖數(shù)據(jù)庫(kù)。在最新版本的Neo4j系統(tǒng)中，提供了一個(gè)大規(guī)模并行的可伸縮csv導(dǎo)入工具，該工具為Neo4j目錄./bin/neo4j-import。在使用neo4jimport時(shí)，需要將待導(dǎo)入的csv文件表頭定制為指定格式——顯示地節(jié)點(diǎn)指定 ID和 LABEL以及邊的START_ID和END_ID等。

本文所構(gòu)建的電影知識(shí)圖譜示意如圖6所示，其中，（a）圖為全量數(shù)據(jù)可視化之后的局部截圖，（b）為隨機(jī)查詢的25條邊視圖以及它們之間的聯(lián)系；（c）為隨機(jī)查詢的25個(gè)節(jié)點(diǎn)視圖以及它們之間的聯(lián)系。從我們構(gòu)建的電影知識(shí)圖譜，可以非常容易地分析電影節(jié)點(diǎn)及電影人節(jié)點(diǎn)，以及它們之間的關(guān)系，推理出演員之間是否認(rèn)識(shí)或者間接認(rèn)識(shí)，從而推斷出是否存在合作的可能等。

Neo4j系統(tǒng)提供了名為Cypher的查詢語(yǔ)言。Cypher是一種可以對(duì)圖形數(shù)據(jù)庫(kù)進(jìn)行查詢和更新的圖形查詢語(yǔ)言，它類似于關(guān)系數(shù)據(jù)庫(kù)的SQL語(yǔ)言。Cypher的語(yǔ)法并不復(fù)雜，但是它的功能卻非常強(qiáng)大，它可以實(shí)現(xiàn)SQL難以實(shí)現(xiàn)的功能。在本文的知識(shí)圖譜中，我們可以通過編寫Cypher查詢語(yǔ)句，探索數(shù)據(jù)內(nèi)部的關(guān)系。例如，六度分割理論中曾指出任何兩個(gè)人之間所間隔的人不會(huì)超過六個(gè)。只要數(shù)據(jù)足夠完整，釆用Cypher可以很容易地找到任何兩個(gè)人之間是通過哪些人聯(lián)系起來的，而這一點(diǎn)是SQL很難實(shí)現(xiàn)的。

程序1所示的Cypher語(yǔ)句，可以查詢Kevin Bacon 和Meg Ryan之間到最短路徑，如圖8（a）所示：Kevin Bacon和 Tom Cruise合作出演過電影 A Few Good Men；而Tom Cruise和Meg Ryan通過Top Gun結(jié)識(shí)。

相似地程序2所示的查詢語(yǔ)句，可以查詢到Tom Hanks和Tom Cruise兩位演員之間相距1跳的聯(lián)系。查詢結(jié)果如圖8（b）所示。

圖6　電影知識(shí)圖譜示例

知識(shí)圖譜的另一個(gè)應(yīng)用是可以用于推薦系統(tǒng)。這其中，最著名的就是 Taher H.Haveliwala設(shè)計(jì)的PersonalRank算法[9]：在計(jì)算所有節(jié)點(diǎn)相對(duì)于用戶u的相關(guān)度時(shí)，PersonalRank算法從用戶u對(duì)應(yīng)的節(jié)點(diǎn)開始游走，每到一個(gè)節(jié)點(diǎn)都以1-d的概率停止游走并從u重新開始，或者以d的概率繼續(xù)游走，從當(dāng)前節(jié)點(diǎn)指向的節(jié)點(diǎn)中按照均勻分布隨機(jī)選擇一個(gè)節(jié)點(diǎn)往下游走。這樣經(jīng)過很多輪游走之后，每個(gè)頂點(diǎn)被訪問到的概率也會(huì)收斂趨于穩(wěn)定，這個(gè)穩(wěn)定的概率就可用進(jìn)行排名。在本文的系統(tǒng)中，我們可以編寫簡(jiǎn)單的Cypher語(yǔ)句給Tom Hanks推薦好友，推薦結(jié)果如表1所示。

基于Neo4j圖數(shù)據(jù)構(gòu)建的電影知識(shí)圖譜系統(tǒng)，具有界面友好，查詢方便，應(yīng)用廣泛的特點(diǎn)，在工業(yè)上具有廣闊的前景。本文雖然提出了基于圖數(shù)據(jù)庫(kù)的電影知識(shí)圖譜研究實(shí)現(xiàn)，然而系統(tǒng)中還存在著許多不足和可以提高的地方。首先，我們只是提供了有限類型的邊和點(diǎn)節(jié)點(diǎn)；此外，僅僅提供了基于Cypher的查詢功能，還未集成相關(guān)的圖算法。后續(xù)工作中我們將結(jié)合Spark GraphX[11]，運(yùn)用圖算法進(jìn)行大規(guī)模的知識(shí)圖譜分析，進(jìn)而可以方便的實(shí)現(xiàn)社區(qū)發(fā)現(xiàn)、用戶影響力、人群劃分等功能。

表1　Tom Hanks推薦結(jié)果

圖8　Cypher查詢示例

[1]秦長(zhǎng)江，侯漢清．知識(shí)圖譜——信息管理與知識(shí)管理的新領(lǐng)域[J]．大學(xué)圖書館學(xué)報(bào)，2009（1）：30-37，96．

[2]金貴陽(yáng),呂福在,項(xiàng)占琴.基于知識(shí)圖譜和語(yǔ)義網(wǎng)技術(shù)的企業(yè)信息集成方法[J].東南大學(xué)學(xué)報(bào)：自然科學(xué)版,2014（02）:250-255. [3]梁秀娟.科學(xué)知識(shí)圖譜研究綜述[J].圖書館雜志,2009（6）:58-62.

[4]孫鎮(zhèn),王惠臨.命名實(shí)體識(shí)別研究進(jìn)展綜述[J].現(xiàn)代圖書情報(bào)技術(shù),2010（6）:42-47.

[5]徐健,張智雄,吳振新.實(shí)體關(guān)系抽取的技術(shù)方法綜述[J].現(xiàn)代圖書情報(bào)技術(shù),2008（8）:18-23.

[6]Abreu D D,Flores A,Palma G,et al.Choosing Between Graph Databases and RDF Engines for Consuming and Mining Linked Data[J]. Cold,2013.

[7]Webber J.A Programmatic Introduction to Neo4j[J].Addison Wesley Pub Co Inc,2012:217-218.

[8]Jouili S,Vansteenberghe V.An Empirical Comparison of Graph Databases[C].2013 International Conference on Social Computing.IEEE Computer Society,2013:708-715.

[9]Haveliwala T H.Topic-Sensitive PageRank:a Context-Sensitive Ranking Algorithm for Web Search[J].Knowledge&Data Engineering IEEE Transactions on,2003,15（4）:784-796.

[10]Loper E,Bird S.NLTK:The Natural Language Toolkit[C].Proceedings of the ACL-02 Workshop on Effective Tools and Methodologies for Teaching Natural Language Processing and Computational Linguistics-Volume 1.Association for Computational Linguistics, 2002:63-70.

[11]Xin R S,Gonzalez J E,Franklin M J,et al.GraphX:a Resilient Distributed Graph System on Spark[C].First International Workshop on Graph Data Management Experiences&Systems.ACM,2013:1-6.

張宇（1962-），教授，研究方向?yàn)槟Ｊ阶R(shí)別，

錢進(jìn)，工程師，研究方向?yàn)橥ㄐ艂鬏?/p>

Knowledge Graph;Graph Database;Neo4j

Implementation of Movie Knowledge Graph Based on Graph Database

LU Xiao-hua1，ZHANG Yu2，QIAN Jin3
（1．College of Computer Science Sichuan University,Chengdu 610065 2.Chengdu Aeronautic Polytechnic,Chengdu 610065；3.Chongqing Communcation Industry Services Co.Ltd.,Chongqing 404100）

1007-1423（2016）07-0076-08

10.3969/j.issn.1007-1423.2016.07.018

陸曉華（1988-），男，江蘇蘇州人，碩士，研究方向?yàn)闄C(jī)器學(xué)習(xí)、計(jì)算機(jī)視覺

2015-01-12

2016-02-25

知識(shí)圖譜是一種基于圖的數(shù)據(jù)結(jié)構(gòu)，由節(jié)點(diǎn)和邊組成，其本質(zhì)上屬于語(yǔ)義網(wǎng)絡(luò)。近年來，伴隨著大數(shù)據(jù)概念的提出，知識(shí)圖譜已經(jīng)成為是當(dāng)前的研究熱點(diǎn)。由于非結(jié)構(gòu)化文本的知識(shí)提取和數(shù)據(jù)可視化這兩方面的技術(shù)難點(diǎn)，目前知識(shí)圖譜應(yīng)用主要局限于搜索引擎和問答系統(tǒng)等方面。著眼于電影知識(shí)圖譜的設(shè)計(jì)與實(shí)現(xiàn)，通過引入圖數(shù)據(jù)庫(kù)Neo4j，為知識(shí)圖譜的實(shí)現(xiàn)提供一種新的思路。

知識(shí)圖譜；圖數(shù)據(jù)庫(kù)；Neo4j

Knowledge graph is a graph-based data structure,consisting of nodes and edges,and it is essentially a semantic network.In recent years, along with the proposed concept of big data,knowledge graph has become the current research focus.As technical difficulties of knowl-edge extraction of unstructured text and data visualization,the current applications of knowledge graph mainly limited in the aspects of search engine and Q/A system.Focuses on the design and implementation of movie knowledge graph,by the introduction of the Neo4j graph database,provides a new way of thinking for the realization of knowledge graph.