王 萌 王靖婷 江胤霖 漆桂林

(东南大学计算机科学与工程学院 南京 211189)

(计算机网络和信息集成教育部重点实验室(东南大学) 南京 211189)

自2012年谷歌发布了Google Knowledge Graph[1]后，亚马逊[2]、脸书[3]等多家大型互联网公司先后公布其在知识图谱方面的研究进展和应用.于此同时，学术界有关知识图谱的研究工作也日渐增多[4-6]，知识图谱正越来越多地被学术界和工业界所重视.知识图谱的核心思想是使用〈实体-关系-实体〉形式的三元组来表示事实或知识，多个三元组构成的集合形成的图即知识图谱.相比于传统的关系模型[7]或NoSQL[8]，知识图谱这种基于图的数据表示为多个领域提供了简洁直观的数据抽象，现实世界中物体的属性、类型和不同物体之间的联系可以直观地被抽象成为实体和关系，构成一个领域知识图谱，如百科图谱、社交网络中人物画像图谱、生物数据中不同蛋白质图谱等[9].

面向给定的知识图谱，当用户清楚地知道知识图谱的底层数据模式以及自身的查询需求时，很容易基于标准的SPARQL查询获取知识图谱中的目标实体和相关信息[10].然而，在很多情况下，用户的查询意图并不明确并且很难完全熟悉知识图谱的底层数据模式，直接给出一个精准复杂的标准SPARQL查询可能相对困难.传统的基于知识图谱的探索式搜索[11]可以帮助用户在模糊查询的基础上得到更准确的搜索结果，但依然存在2点不足：1)知识图谱可能存在数据不完整的情况，系统很多情况无法给出完全匹配用户意图的答案，需要提供近似候选项，而传统的探索式搜索依然依赖精准匹配策略；……