知识图谱——用Python代码从文本中挖掘信息的强大数据科学技术

全文共6382字，预计学习时长20分钟

图源：Unsplash摄影：Clem Onojeghuo

概览

• 知识图谱是数据科学中最吸引人的概念之一
• 学习如何使用Wikipedia页面中的文本构建知识图谱
• 在Python中使用流行的spaCy库在Python中构建知识图谱

引言

不用过多介绍，大家都知道梅西。即使是那些不关注足球的人，也听说过这位最伟大球员在辉煌。下面是他的维基百科页面:

这个页面包含了很多信息！里面不仅有文本、大量的超链接，甚至还有音频片段。整个网页上有很多相关的和可能会有用的信息，将它们应用到实际生活中可能性是无穷的。

然而，还有一个小问题。这不是给机器提供数据的理想来源，至少不是以现在的这种形式。

是否能找到一种方法，使这些文本数据变为机器可读？能否将这些文本数据转录成既让机器可以使用，也能让我们可以轻松解释的东西？

答案是肯定的。我们可以借助知识图谱(KG)，这是数据科学最吸引人的概念之一。我已经被知识图谱的巨大潜力和实际应用震惊了，我相信你也会和我一样。

在本文中，你将了解什么是知识图谱，以及它们的作用，然后我们将基于从维基百科中提取的数据，来构建知识图谱以用于深入研究代码。

目录

1. 什么是知识图谱？

2. 如何在图谱中表示知识？

○ 句子分割

○ 实体抽取

○ 关系抽取

3. 依靠文本数据构建知识图谱

什么是知识图谱？

先明确一个概念：在本文中经常出现的术语“图谱”，并不是指柱状图、饼状图或线状图，而是相互关联的实体，它们可以是人、地点、组织，甚至是一个事件。

不妨说，图谱是节点和边*的组合。

看看下面的数据:

*边（Edge）是节点间的连线，用于表示节点间关系。

这里的节点a和节点b是两个不同的实体，节点通过边连接。如图是我们可以构建的最小的知识图谱——它也被称为三元组（实体-关系-实体）。

知识图谱有多种形状和大小。例如，截至2019年10月，维基数据（Wikidata）的知识图谱有59,910,568个节点。

如何在图谱中表示知识？

在开始构建知识图谱前，我们需要了解信息或知识是如何嵌入到这些图谱中的。

举例来解释：如果节点a=普京，节点b=俄罗斯，那么边很可能是“俄罗斯总统”:

一个节点或实体也可以有不止一个关系。普京不仅是俄罗斯总统，他还曾为苏联安全机构克格勃工作。但是如何把这些关于普京的新信息，整合到上面的知识图谱中呢？

其实很简单。只需为新实体“克格勃”再添加一个节点:

新的关系不仅可以添加在第一个节点，而且可以出现在知识图谱中的任何节点，如下所示:

俄罗斯是亚太经济合作组织(APEC)的成员国

识别实体和他们的相互关系并不是一项困难的任务。但是，手动构建知识图谱是难以处理大量信息的。没有人会浏览成千上万的文档，然后提取出所有的实体和它们之间的关系。

因此，机器无疑是更好的选择，浏览成百上千的文件对它们来说简直小菜一碟。但是还有另外一个挑战——机器不懂自然语言。这就轮到自然语言处理 (Natural Language Processing，简称NLP) 技术出场了。

想要从文本中构建知识图谱，让机器能理解自然语言就至关重要。这可以通过使用自然语言处理(NLP)技术来实现，如句子分割、依存句法分析、词性标注和实体识别。下文将更详细地对它们进行探讨。

句子分割

构建知识图谱的第一步是将文本或文章分割成句子。然后，列出那些只有一个主语和宾语的句子。下面是示例文本:

“在最新的男子单打排名中，印度网球选手苏米特·纳加尔(Sumit Nagal)从135名上升了6个名次，达到职业生涯中的最好成绩129名。这位22岁的选手最近赢得了ATP挑战锦标赛。2019年美国网球公开赛中他首次亮相时，就在对阵费德勒的比赛中赢得了大满贯。纳加尔赢得了第一组比赛。（Indian tennis player Sumit Nagal moved up six places from 135to a career-best 129 in the latest men’s singles ranking. The 22-year-oldrecently won the ATP Challenger tournament. He madehis Grand Slam debut against Federer in the 2019 US Open. Nagal won the firstset.）”

我们把上面的段落分成几个句子:

1. 在最新的男子单打排名中，印度网球选手苏米特·纳加尔(SumitNagal)从135名上升了6个名次，达到职业生涯中的最好成绩129名。（Indian tennis player Sumit Nagal moved up six places from135 to a career-best 129 in the latest men’s singles ranking.）

2. 这位22岁的选手最近赢得了ATP挑战锦标赛。（The 22-year-old recently won the ATP Challengertournament））

3. 2019年美国网球公开赛中他首次亮相时，就在对阵费德勒比赛中赢得了大满贯。（Hemade his Grand Slam debut against Federer in the 2019 US Open.）

4. 纳加尔赢得了第一组比赛。（Nagalwon the first set.）

在这四个句子中，我们将选出第二个和第四个句子，因为每个句子都包含一个主语和一个宾语。第二句中，“22岁的选手（22-year-old）”是主语，宾语是“ATP挑战赛（ATP Challenger tournament）”。第四句中，主语是“纳加尔（Nagal）”，“第一组比赛（first set）”是宾语:

让机器理解文本是最大的挑战，特别是在主语和宾语不止一个的情况下。以上面两个句子为例，提取句子中的宾语有点棘手。你能想到解决这个问题的方法吗？

实体抽取

从句子中提取一个词实体并不是艰巨的任务。我们可以借助词性（POS）标签轻松做到这一点。名词和专有名词可以是我们的实体。

然而，当一个实体包括多个单词时，仅仅借助词性标记是不够的。我们需要解析句子间的复杂关系。先来获取其中一个句子的依存标记。使用流行的spaCy库来完成这个任务:

import spacy

nlp = spacy.load('en_core_web_sm')

doc = nlp('The 22-year-old recently won ATP Challenger tournament.')

for tok in doc:

print(tok.text, '...', tok.dep_)

输出:

The… det

22-year … amod

– … punct

old … nsubj

recently … advmod

won … ROOT

ATP … compound

Challenger … compound

tournament … dobj

. … punct

根据依存关系解析器，这个句子中的主语(nsubj)是“old”。这不是我们想要的实体。我们想要的是“22岁的选手（22-year-old）”。

“22岁的（22-year）”的依存关系标签是amod，这意味着它是（old）”的修饰语。因此，应该定义一个规则来提取这样的实体。

可以是这样的规则:提取主语/宾语及其修饰语，并提取它们之间的标点。

但是再看看句子中的宾语(dobj)。它只是“锦标赛（tournament）”而不是“ATP挑战锦标赛(ATPChallenger tournament)”。在这句里，没有修饰词，只有复合词。

复合词是指不同词组合起来所形成的新术语，它们有着和源词不同的意思。因此，我们可以更新上面的规则----提取主语/宾语及其修饰语、复合词，并提取它们之间的标点。

简而言之，我们使用依存句法分析来提取实体。

提取关系

实体提取仅仅是一半的工作。想要建立知识图谱，需要边来连接各个节点(实体)。这些边表示节点之间的关系。

回到上一节中的例子，选出几句话来构建一个知识图谱:

你能猜出这两个句子中主语和宾语的关系吗？

两个句子有相同的关系——“赢得（won）”。看看该如何提取这些关系。这里将再次使用依存项解析:

doc = nlp('Nagal won the first set.')

for tok in doc:

print(tok.text, '...', tok.dep_)

输出：

Nagal… nsubj

won … ROOT

the … det

first … amod

set … dobj

. … punct

为了提取关系，必须找到句子的根（root），它也是句子里的动词。因此，在这个句子里找到的关系就是“赢得（won）”。

最后，这两个句子的知识图谱是这样的:

从文本数据构建知识图谱

是时候进行代码操作了！打开Jupyter Notebooks(或者任何你喜欢的集成开发环境-IDE)。

使用一组从维基百科中找到的电影中的文本，从头开始构建一个知识图谱。我已经从500多篇维基百科文章中摘录了大约4300句话。每个句子都包含两个实体——一个主语和一个宾语。你可以点击这里下载这些句子。

推荐使用Google Colab，能加快计算的运行速度。

导入库

import re

import pandas as pd

import bs4

import requests

import spacy

from spacy import displacy

nlp = spacy.load('en_core_web_sm')

from spacy.matcher import Matcher

from spacy.tokens import Span

import networkx as nx

import matplotlib.pyplot as plt

from tqdm import tqdm

pd.set_option('display.max_colwidth', 200)

%matplotlib inline

读取数据

阅读包含维基百科句子的CSV文件:

# import wikipedia sentences

candidate_sentences = pd.read_csv('wiki_sentences_v2.csv')

candidate_sentences.shape

输出:(4318, 1)

来看几个例句:

candidate_sentences['sentence'].sample(5)

输出:

检查其中一个句子的主语和宾语。理想情况下，句子中应该有一个主语和一个宾语:

doc = nlp('the drawdown process is governed by astm standard d823')

for tok in doc:

print(tok.text, '...', tok.dep_)

输出：

很好！只有一个主语“过程”（process）和一个宾语“标准”（standard)。你可以用类似的方式检查其他句子。

实体对抽取

想要构架出一个知识图谱，最重要的是节点和它们之间的边。

这些节点是出现在维基百科语句中的实体。边是连接各个实体之间的关系。我们将以无监督的方式提取这些要素，也就是说，我们将依靠句子的语法。

其主要思想就是在浏览一个句子时，把遇到的主语和宾语提取出来。然而，还有其他挑战存在——实体可能不止一个单词，如“红酒（red wine）”，依存关系解析器只会将单个单词标记为主语或宾语。

因此，下面创建了一个函数来从一个句子中提取主语和宾语(也就是实体)，同时解决了上面提到的挑战。方便起见，将代码分成了多个板块:

defget_entities(sent):

## chunk 1

ent1 =''

ent2 =''

prv_tok_dep ='' # dependency tag of previous token in the sentence

prv_tok_text ='' # previous token in the sentence

prefix =''

modifier =''

#############################################################

for tok in nlp(sent):

## chunk 2

# if token is a punctuation mark then move on to the next token

if tok.dep_ !='punct':

# check: token is a compound word or not

if tok.dep_ =='compound':

prefix = tok.text

# if the previous word was also a 'compound' then add the current word to it

if prv_tok_dep =='compound':

prefix = prv_tok_text '' tok.text

# check: token is a modifier or not

if tok.dep_.endswith('mod') ==True:

modifier = tok.text

# if the previous word was also a 'compound' then add the current word to it

if prv_tok_dep =='compound':

modifier = prv_tok_text '' tok.text

## chunk 3

if tok.dep_.find('subj') ==True:

ent1 = modifier '' prefix '' tok.text

prefix =''

modifier =''

prv_tok_dep =''

prv_tok_text =''

## chunk 4

if tok.dep_.find('obj') ==True:

ent2 = modifier '' prefix '' tok.text

## chunk 5

# update variables

prv_tok_dep = tok.dep_

prv_tok_text = tok.text

#############################################################

return [ent1.strip(), ent2.strip()]

我来解释一下上面函数中的代码板块:

板块1

我已经在这个板块中定义了一些空变量。prv_tok_dep 和 prv_tok_text将分别保存句子中前一个单词和它本身的依存标记。prefix和modifier将保存与主语或宾语有关联的文本。

板块2

接下来，循环浏览句子中的所有标记。首先要检查标记是不是标点符号。如果是，那么我们将忽略它看下一标记（token）。如果标记是复合词(依存标记=“compound”)中的一部分，将把它保存在“前缀”变量中。一个复合词是多个词的组合，它们联系在一起形成一个有新意义的词，例如“足球场”（“FootballStadium”），“动物爱人”（“animallover”）。

当我们在句子中遇到主语或宾语时，会给它加上这个前缀。修饰语同样，比如“漂亮的衬衫”、“大房子”等等。

板块3

在这里，如果标记是主语的话，它将被捕获为ent1变量中的第一个实体。诸如prefix, modifier, prv_tok_dep,和 prv_tok_text 这些变量将被重置。

板块4

在这里，如果标记是宾语，那么它将被捕获为ent2变量中的第二个实体。诸如prefix, modifier, prv_tok_dep,和 prv_tok_text 这些变量将再次被重置。

板块5

一旦在句子中捕获了主语和宾语，我们将更新前面的标记及其依存标记。

在一个句子上测试一下这个函数:

get_entities('the film had 200 patents')

输出: ['film’,'200 patents’]

很好，看起来一切都和预想的一样。在上面的句子中，“电影（film）”是主语，“200项专利（200 patents）”是宾语。

现在可以使用这个函数，提取数据中所有句子的实体对:

entity_pairs = []

for i in tqdm(candidate_sentences['sentence']):

entity_pairs.append(get_entities(i))

这个实体对名单包含维基百科句子中的所有主语-宾语对。来看看其中的几个:

entity_pairs[10:20]

输出:

在这些实体对中有一些代词，如“我们（we）”、“它(it)”、“她(she)”等等。我们希望用专有名词或名词来代替它们。也许可以进一步改进get_entities()函数来过滤代词。现在，让我们暂时保持现状，进入关系抽取部分。

关系/谓语提取

这将是本文非常有趣的一部分。假设是——谓语实际上是句子中的主要动词。

例如，在“1929年共有六十部好莱坞音乐剧被发行”这个句子中，动词是“被发行（released in）”，它也是本句得到的三重结构的谓语。

下面的函数能够从句子中捕获到这样的谓语。这里使用了spaCy库基于规则的匹配功能:

defget_relation(sent):

doc = nlp(sent)

# Matcher class object

matcher = Matcher(nlp.vocab)

#define the pattern

pattern = [{'DEP':'ROOT'},

{'DEP':'prep','OP':'?'},

{'DEP':'agent','OP':'?'},

{'POS':'ADJ','OP':'?'}]

matcher.add('matching_1', None, pattern)

matches = matcher(doc)

k =len(matches) -1

span = doc[matches[k][1]:matches[k][2]]

return(span.text)

函数中定义的模式试图找到句子中的根（root）词或主要动词。一旦确定了根，模式就会检查它后面是不是介词(“prep”)或功能词。如果是的话，就将它添加到根词。

这个函数是这样的:

get_entities('John completed the task')

输出: “completed

用同样的方法找出所有维基百科句子中的关系:

relations = [get_relation(i) for i in tqdm(candidate_sentences['sentence'])]

来看一看刚刚提取的最常见的关系或谓词:

pd.Series(relations).value_counts()[:50]

输出:

结果表明，“A现在是（is）B”和“A曾是（was）B”是最常见的关系。然而，有很多的关系与整个主题，即“围绕电影的生态系统”联系更紧密。其中一些例子是“由”、“发布”、“制作”、“编写”等等。

构建知识图谱

最后，从提取的实体(主语-宾语对)和谓语(实体之间的关系)构建知识图。

创建一个实体和谓语的数据框架:

# extract subject

source = [i[0] for i in entity_pairs]

# extract object

target = [i[1] for i in entity_pairs]

kg_df = pd.DataFrame({'source':source, 'target':target, 'edge':relations})

接下来，使用networkx库从这个数据框架创建一张网。节点表示实体，节点之间的边或连接表示节点之间的关系。

它将是一个有向图谱。换句话说，任何连接的节点对之间的关系都不是双向的，它只是从一个节点到另一个节点。例如，“约翰吃意大利面”:

# create a directed-graph from a dataframe

G=nx.from_pandas_edgelist(kg_df, 'source', 'target',

edge_attr=True, create_using=nx.MultiDiGraph())

描绘一下这个网:

plt.figure(figsize=(12,12))

pos = nx.spring_layout(G)

nx.draw(G, with_labels=True, node_color='skyblue', edge_cmap=plt.cm.Blues, pos= pos)

plt.show()

输出:

好吧，这并不是我们期待的结果，但看起来还是相当壮观的!

但已经构建了一个图谱，显示了所有的关系。很难想象将这么多关系或谓语可视化成一个图谱。

因此，建议只把一些重要的关系做成可视化图谱，我一次处理一个关系。从“由”组成的关系开始:

G=nx.from_pandas_edgelist(kg_df[kg_df['edge']=='composed by'], 'source', 'target',

edge_attr=True, create_using=nx.MultiDiGraph())

plt.figure(figsize=(12,12))

pos = nx.spring_layout(G, k=0.5) # k regulates the distance between nodes

nx.draw(G, with_labels=True, node_color='skyblue', node_size=1500, edge_cmap=plt.cm.Blues, pos= pos)

plt.show()

输出:

这是一个更清晰的图谱。这里箭头指向作曲家。例如，A.R.拉赫曼是一位著名的音乐作曲家，在上面的图谱中，他有诸如“电影原声带”、“电影配乐”和“音乐”这样的实体。

再看更多的关系。

因为编写在任何一部电影中都占重要角色，所以我想把“编写”关系的图谱可视化:

G=nx.from_pandas_edgelist(kg_df[kg_df['edge']=='written by'], 'source', 'target',

edge_attr=True, create_using=nx.MultiDiGraph())

plt.figure(figsize=(12,12))

pos = nx.spring_layout(G, k=0.5)

nx.draw(G, with_labels=True, node_color='skyblue', node_size=1500, edge_cmap=plt.cm.Blues, pos= pos)

plt.show()

输出:

太棒了！这张知识图谱给了我们一些非同寻常的信息。像Javed Akhtar、Krishna Chaitanya和Jaideep Sahni都是著名的作词家，这张图谱很好地捕捉到了这种关系。

看看另一个重要谓语的知识图谱，即“释放（发布于）”:

G=nx.from_pandas_edgelist(kg_df[kg_df['edge']=='released in'], 'source', 'target',

edge_attr=True, create_using=nx.MultiDiGraph())

plt.figure(figsize=(12,12))

pos = nx.spring_layout(G, k=0.5)

nx.draw(G, with_labels=True, node_color='skyblue', node_size=1500, edge_cmap=plt.cm.Blues, pos= pos)

plt.show()

输出:

我们可以在这个图谱中看到不少有趣的信息。例如这种关系：“20世纪80年代上映的几部动作恐怖电影”和“4844块屏幕上放映的格斗电影”。这些都是事实，这张图谱告诉我们，确实可以从文本中挖掘出这些事实。真是太神奇了！

结语

在本文中，我们学习了如何以三元组的形式，从给定文本中提取信息，并借此构建知识图谱。

然而，我们只使用恰好有两个实体的句子。即使这样，也能够建立信息量很大的知识图谱，所以想象一下它的潜力！

我鼓励大家探索这个领域的信息抽取，学习更复杂关系的提取。如果你有任何疑问或想要分享你的想法，请随时留言。