一种知识图谱构建方法及相关装置与流程

本申请涉及计算机技术领域，特别涉及一种知识图谱构建方法、知识图谱构建装置、服务器以及计算机可读存储介质。

背景技术：

随着信息技术的不断发展，数字化技术越来越多的应用在数据处理领域中。例如采用数字技术对知识数据进行处理，得到对应的知识图谱，极大的方便了对知识数据的处理。其中，知识图谱是指在图书情报界称为知识域可视化或知识领域映射地图，是显示知识发展进程与结构关系的一系列各种不同的图形，用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。

在现有技术中，构建知识图谱通常是人工构建，或者是采用半自动化的构建过程。例如，将知识数据通过信息技术自动进行处理，但是在对知识数据进行标注的过程还需要加入专家意见，以便保证知识图谱构建的准确性和精度。但是，现有技术由于还是处于半自动的状态对知识图谱进行构建，会降低知识图谱构建的效率，由于其中还加入了人工的经验，会降低知识图谱的效率。

因此，如何提高知识图谱构建的效率是本领域技术人员关注的重点问题。

技术实现要素：

本申请的目的是提供一种知识图谱构建方法、知识图谱构建装置、服务器以及计算机可读存储介质，通过从税务数据库中获取到的数据，然后在对数据中的属性关系进行构建，得到属性关系三元组数据，最后再进行可视化处理，全程自动化的构建出知识图谱，提高知识图谱的构建效率。

为解决上述技术问题，本申请提供一种知识图谱构建方法，包括：

从结构化税收数据库和非结构化税收知识数据库获取结构化数据和非结构化数据；

对所述结构化数据和非结构化数据进行属性关系构建处理，得到属性关系三元组数据；

根据实体属性关系将所述属性关系三元组数据进行可视化处理，得到税收知识图谱。

可选的，从结构化税收数据库和非结构化税收知识数据库获取结构化数据和非结构化数据，包括：

根据标准化结构从所述结构化税收数据库获取所述结构化数据；

通过关键字爬虫从所述非结构化税收知识数据库获取所述非结构化数据。

可选的，对所述结构化数据和非结构化数据进行属性关系构建处理，得到属性关系三元组数据，包括：

根据预设知识数据模板将所述结构化数据和所述非结构化数据进行知识数据预处理，得到初级属性关系数据；

将所述初级属性关系数据进行属性关系标识处理，得到所述属性关系三元组数据。

可选的，根据预设知识数据模板将所述结构化数据和所述非结构化数据进行知识数据预处理，得到初级属性关系数据，包括：

根据预设纳税人属性数据将所述结构化数据和所述非结构化数据进行整理处理，得到属性知识数据；

根据所述预设知识数据模板对所述属性知识数据进行标注处理，得到所述初级属性关系数据。

可选的，将所述初级属性关系数据进行属性关系标识处理，得到所述属性关系三元组数据，包括：

将所述初级属性关系数据进行知识抽取处理，得到初步实体属性关系三元组数据；

根据实体对齐算法、属性对齐算法以及冲突消解算法对所述初步实体属性关系三元组数据进行数据融合处理，得到所述属性关系三元组数据。

可选的，根据实体属性关系将所述属性关系三元组数据进行可视化处理，得到税收知识图谱，包括：

根据实体属性关系对应的主体将所述属性关系三元组进行分类，得到分类结果；

将所述分类结果进行可视化处理，得到所述税收知识图谱。

本申请还提供一种知识图谱构建装置，包括：

数据获取模块，用于从结构化税收数据库和非结构化税收知识数据库获取结构化数据和非结构化数据；

知识构建模块，用于对所述结构化数据和非结构化数据进行属性关系构建处理，得到属性关系三元组数据；

可视化处理模块，用于根据实体属性关系将所述属性关系三元组数据进行可视化处理，得到税收知识图谱。

可选的，所述数据获取模块，包括：

结构化数据获取单元，用于根据标准化结构从所述结构化税收数据库获取所述结构化数据；

非结构化数据获取单元，用于通过关键字爬虫从所述非结构化税收知识数据库获取所述非结构化数据。

本申请还提供一种服务器，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如上所述的知识图谱构建方法的步骤。

本申请还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的知识图谱构建方法的步骤。

本申请所提供的一种知识图谱构建方法，包括：从结构化税收数据库和非结构化税收知识数据库获取结构化数据和非结构化数据；对所述结构化数据和非结构化数据进行属性关系构建处理，得到属性关系三元组数据；根据实体属性关系将所述属性关系三元组数据进行可视化处理，得到税收知识图谱。

通过先从结构化数据库和非结构化数据库中获取到结构化数据和非结构化数据，相当于在知识图谱构建时在结构化数据基础上加入了非结构化数据中的的知识，然后对该结构化数据和非结构化数据进行属性关系构建处理，得到属性关系三元组数据，最后再根据实体属性关系将该属性关系三元组数据进行可视化处理，得到税收知识图谱，实现了在结构化数据的基础上添加了非结构化数据中的知识，避免了添加入人工知识的过程，实现了全自动化构建知识图谱，提高了构建知识图谱的效率，避免了人工经验的错误，提高了知识图谱的精度和准确性。

本申请还提供一种知识图谱构建装置、服务器以及计算机可读存储介质，具有以上有益效果，在此不做赘述。

附图说明

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本申请实施例所提供的一种知识图谱构建方法的流程图；

图2为本申请实施例所提供的一种知识图谱构建装置的结构示意图。

具体实施方式

本申请的核心是提供一种知识图谱构建方法、知识图谱构建装置、服务器以及计算机可读存储介质，通过从税务数据库中获取到的数据，然后在对数据中的属性关系进行构建，得到属性关系三元组数据，最后再进行可视化处理，全程自动化的构建出知识图谱，提高知识图谱的构建效率。

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

现有技术中，构建知识图谱通常是人工构建，或者是采用半自动化的构建过程。例如，将知识数据通过信息技术自动进行处理，但是在对知识数据进行标注的过程还需要加入专家意见，以便保证知识图谱构建的准确性和精度。但是，现有技术由于还是处于半自动的状态对知识图谱进行构建，会降低知识图谱构建的效率，由于其中还加入了人工的经验，会降低知识图谱的效率。

因此，本申请提供了一种知识图谱构建方法，通过先从结构化数据库和非结构化数据库中获取到结构化数据和非结构化数据，相当于在知识图谱构建时在结构化数据基础上加入了非结构化数据中的的知识，然后对该结构化数据和非结构化数据进行属性关系构建处理，得到属性关系三元组数据，最后再根据实体属性关系将该属性关系三元组数据进行可视化处理，得到税收知识图谱，实现了在结构化数据的基础上添加了非结构化数据中的知识，避免了添加入人工知识的过程，实现了全自动化构建知识图谱，提高了构建知识图谱的效率，避免了人工经验的错误，提高了知识图谱的精度和准确性。

以下通过一个实施例，对本申请提供的一种知识图谱构建方法进行说明。

请参考图1，图1为本申请实施例所提供的一种知识图谱构建方法的流程图。

本实施例中，该方法可以包括：

s101，从结构化税收数据库和非结构化税收知识数据库获取结构化数据和非结构化数据；

本步骤旨在从结构化税收数据库和非结构化税收知识数据库中获取到结构化数据和非结构化数据。

现有技术中，在构建知识图谱时由于结构化税收数据库获取数据简单，获取数据的门槛较低，只是从结构化税收数据库获取到结构化数据。但是，从结构化数据中构建出知识图谱还需要依赖专家经验，才能构建完成知识图谱。可是，加入专家经验需要则会降低知识图谱构建的效率，还容易融入人工错误。

因此，本实施例中为了避免依赖专家经验，还从非结构化税收知识数据库获取到非结构化数据。

其中，结构化数据主要包括从税务局角度的税收大数据平台和核心征管系统获取的数据，从纳税人角度的纳税人申报系统和自然人税收管理系统获取的数据。结构化知识通常是标准化的数据，存储在oracle等关系型数据库，或者hadoop大数据平台，或者阿里云odps系统中。

其中，非结构化数据主要包括两类，一类是文件，主要包括税法的法律条文，税收领域政策文件以及税务行业相关协会的文件。另一类是税务领域专家撰写沉淀的常识性经验知识。非结构化知识通常是不标准的文本数据，由人工整理或网络爬虫从税务总局或相关单位公开网站上爬取的合法数据。最终经过转换，可以以字符串或clob形式存储在关系型数据库oracle中。

可选的，本步骤还可以包括：

根据标准化结构从结构化税收数据库获取结构化数据；

通过关键字爬虫从非结构化税收知识数据库获取非结构化数据。

可见，本可选方案中针对结构化数据和非结构化数据之间的不同，执行不同的方式从而获取到结构化数据和非结构化数据。对于结构化数据是直接根据结构化数据的标准化结构从结构化税收数据库中获取到。对于非结构化数据则是通过关键字爬虫从非结构化知识数据库提取到非结构化数据。

s102，对结构化数据和非结构化数据进行属性关系构建处理，得到属性关系三元组数据；

在s101的基础上，本步骤旨在对结构化数据和非结构化数据进行属性关系构建处理，得到属性关系三元组数据。

也就是抽取出结构化数据和非结构化数据中的实体概念以及属性关系，然后将实体概念相关的属性关系之间进行关联，以便形成属性关系三元组数据。而不是在标注过程中加入专家经验以便对实体概念之间的属性关系进行识别。

举例来说，将一段从结构化数据和非结构化数据中抽取的知识内容进行属性关系构建处理，后得到的属性关系三元组数据可以如表1所示。

表1属性关系三元组数据

可选的，本步骤还可以包括：

步骤1，根据预设知识数据模板将结构化数据和非结构化数据进行知识数据预处理，得到初级属性关系数据；

步骤2，将初级属性关系数据进行属性关系标识处理，得到属性关系三元组数据。

可见，本可选方案主要是对如何构建出属性关系三元组数据做进一步说明。其中，先对结构化数据和非结构化数据进行知识预处理，得到初级属性关系数据，也就是从结构化数据和非结构化数据中提取出实体概念数据和对应的属性关系数据。然后，将初级属性关系数据进行属性关系标识处理，德奥属性关系三元组数据。

可选的，该可选方案的步骤1，可以包括：

根据预设纳税人属性数据将结构化数据和非结构化数据进行整理处理，得到属性知识数据；

根据预设知识数据模板对属性知识数据进行标注处理，得到初级属性关系数据。

可见，本可选方案主要是如何获取到初级属性关系数据进行说明。

可选的，该可选方案的步骤2，可以包括：

将初级属性关系数据进行知识抽取处理，得到初步实体属性关系三元组数据；

根据实体对齐算法、属性对齐算法以及冲突消解算法对初步实体属性关系三元组数据进行数据融合处理，得到属性关系三元组数据。

可见，本可选方案主要是如何获取到属性关系三元组数据作进一步说明。

s103，根据实体属性关系将属性关系三元组数据进行可视化处理，得到税收知识图谱。

在s102的基础上，本步骤旨在根据实体属性关系将属性关系三元组数据进行可视化处理，得到税收知识图谱。也就是，对属性关系三元组数据进行可视化处理，得到税收知识图谱。

也就是，在s102获取到多个属性关系三元组数据的基础上，根据不同的实体概念之间的对应关系、集合关系可以将属性关系三元组数据以不同的额角度进行可视化处理，得到税收知识图谱，也就是关系图谱。

进一步的，还可以将属性关系三元组数据可视化为知识森林。具体可以包括：分面树的可视化和减税降费知识森林可视化。其中，分面树是知识图谱中的实体和概念对应的内容，分面树与分面树之间的关系构成了知识森林。知识森林的可视化能很好的显示出数据的层次关系，每一棵分面树是一个主题，也是一个概念对象，分面树之间的关系构成了知识图谱的关系。

可选的，该步骤可以包括：

根据实体属性关系对应的主体将属性关系三元组进行分类，得到分类结果；

将分类结果进行可视化处理，得到税收知识图谱。

可见，本可选方案中主要是对如何构建出知识图谱做进一步说明。

综上，本实施例通过先从结构化数据库和非结构化数据库中获取到结构化数据和非结构化数据，相当于在知识图谱构建时在结构化数据基础上加入了非结构化数据中的的知识，然后对该结构化数据和非结构化数据进行属性关系构建处理，得到属性关系三元组数据，最后再根据实体属性关系将该属性关系三元组数据进行可视化处理，得到税收知识图谱，实现了在结构化数据的基础上添加了非结构化数据中的知识，避免了添加入人工知识的过程，实现了全自动化构建知识图谱，提高了构建知识图谱的效率，避免了人工经验的错误，提高了知识图谱的精度和准确性。

以下通过另一具体的实施例，对本申请提供的一种知识图谱构建方法做进一步说明。

本实施例中，该方法可以包括：收集知识源，知识存储，知识构建，知识应用。首先要明确数据的来源，其次设计工程上的知识存储系统，第三步要针对知识图谱的细节进行分步详细的构建，最后基于算法进行知识的应用。最终形成一个有数据、有知识，能支撑大部分税务领域应用的领域知识图谱系统。

具体步骤包括：

步骤1、收集知识源

税收领域知识图谱的来源，主要包括两类，一种是结构化的数据，一种是非结构化的数据。

其中，结构化的数据主要包括从税务局角度的税收大数据平台和核心征管系统获取的数据，从纳税人角度的纳税人申报系统和自然人税收管理系统获取的数据。结构化知识通常是标准化的数据，存储在oracle等关系型数据库，或者hadoop大数据平台，或者阿里云odps系统中。

其中，非结构化数据主要包括两类，一类是文件数据，主要包括税法的法律条文，税收领域政策文件以及税务行业相关协会的文件，另一类是税务领域专家撰写沉淀的常识性经验知识。非结构化知识通常是不标准的文本数据，由人工整理或网络爬虫从税务总局或相关单位公开网站上爬取的合法数据。最终经过转换，以字符串或clob形式存储在关系型数据库oracle中。

步骤2、知识存储

税收领域知识图谱的数据存储主要包括两个方面：

一是模式层的存储，也就是知识建模本体的存储，该部分通常数据内存占用较少，且较为固定。本系统采用两种方式存储，一种xml文件格式的三元组存储方式，可以使用sparql语言查询，便于rdfs/owl进行后续的知识推理。另一种为了支撑数据管理的标准化，将本体的三元组存储在关系型数据库中，以start，relation，target的形式存储三列，不同层级有层级layer标识，如第一层级最基本的概念“税务领域知识”的layer_id为1，第二层级“纳税人知识”、“税法知识”等的layer_id为2，依次按上下位下沉。

二是数据层存储。数据层存储的是实体关系属性的知识图谱数据，目前系统中设计容纳的是亿级实体存储，和十亿级关系的存储量级。

其中，将实体、关系、实体的三元组，存储于图数据库arangdb中，节点表以document格式存储，边表以edge格式存储，节点和边表可以组成graph关系网络图。目前是五台128g内存的服务器搭建的arangdb图数据库的集群。

其中，将实体、属性、属性值，对于现有标准库中已经有的数据，直接纳入到知识图谱管理系统，如oracle中的纳税人属性数据，对从文本中通过命名实体识别ner提取出的实体属性数据，也可以新增到oracle中存储。同时为了兼容应用端大数据平台的需求，设计了基于分布式列式存储的nosql数据库hbase的数据和基于阿里云平台odps的数据加工模型和导入导出接口。

步骤3、知识构建

知识构建设计了4个大模块：知识准备模块、知识表示模块、知识可视化模块、发布管理模块。同时设计了7个小步骤：本体设计、知识获取、知识标注、知识抽取、知识融合、知识可视化和审核发布。另外还包括贯穿整个流程的质量控制和知识管理两大部分。

步骤3.1，本体设计

知识图谱建模的第一步就是本体设计，本系统的知识建模部分设计开发了一个本体设计管理工具，通过人机结合的方式进行本体的编辑。由于领域知识图谱的特点，本实施例采用“自上而下”的构建方式，首先由税务领域专家进行手动构建本体。

本系统的本体主要包括两大块，一块是税收领域知识，另一块是纳税人画像。

税收领域知识基本都是从文本里提取出的知识。例如对政策文件条文的解读，对纳税人关系的分析。包括5个大部分，税法知识、财会知识、百科知识、行业知识、常识知识。税收领域知识都是从文本中人工解读出本体数据。

纳税人画像知识大部分都是从结构化数据中提取的纳税人属性知识，通过d2r工具从关系型数据库的数据模型中转换生成三元组格式。

系统中三元组的数学符号表示如下：

g＝(e、r、s)

其中，e＝{e1,e2,……,ee)表示知识库的实体集合，共包含|e|种不同的实体；r＝{r1,r2,……,rr)表示知识库的关系集合，共包含|r|种不同的关系；s∈e×r×e表示知识库的三元组集合。

步骤3.2，知识获取

知识获取部分主要是从知识源将不同模态的数据统一到一个知识源存储的数据库中，本实施例中设计了利用关系型数据库oracle的知识源存储。保证数据模态的结构化数据和文本模态的非结构化数据统一管理。

步骤3.3，知识标注

知识获取的结果作为知识标注的来源，其中除结构化数据不需标注外，非结构化和半结构化数据都需要进行知识标注。标注的范围包括：知识属性标注和知识关系标注。标注最终输出的是一个包含知识属性和知识关系的标注模板。

本实施例设计人工标注和技术标注结合的知识标注工具，由于领域知识专业壁垒，仅使用算法难以得到有用的效果，因此需要使用人工标注。但是技术标注能大幅度提高效率。技术标注，类似于自动化构建和半自动化标注，通常是使用deepdive工具或者远程监督算法进行。本实施例中的远程监督算法包括一个分类器，使用三种特征：词法特征(lexicalfeatures)、句法特征(syntacticfeatures)和实体标签特征(namedentitytagfeatures)。经过分类器的文本，能够初步得到基本的关系，但是这种关系仍然需要人工来校验。

步骤3.4，知识抽取

知识抽取是知识表示的核心。涉及python算法的研究开发，如机器学习、深度学习、图表示学习、在线学习，以及多种类型的工具，如ner、deepdive抽取工具、d2r工具、映射工具等的使用。

知识抽取是知识表示第一步，主要目的抽取实体、属性、关系，分为对非结构数据的抽取和对结构化数据的抽取两类。针对非结构化数据，如文本，进行词汇挖掘、实体挖掘、关系发现三个步骤得到初步的知识表示结果，即初步实体属性关系三元组。针对结构化数据，也称为数据整合，是通过工具对数据库中的结构化数据进行转换和映射，得到初步实体属性关系三元组。通过以上两种方式抽取的初步实体属性关系三元组也需要进行存储和管理。

本实施例实体挖掘采用bilstm-crf算法。将税收政策文本输入模型，无需特征工程，使用文本训练的词向量以及字符向量就可以达到很好的效果。

步骤3.5，知识融合

知识融合主要解决的是统一性、标准化的问题。主要包含了三类算法，实体对齐算法，属性对齐算法和冲突消解算法。知识抽取的结果初步实体属性关系三元组作为输入，经过知识融合算法后，形成标准的实体属性关系三元组。

本系统知识融合部分，实体相似度主要通过聚类算法(层次聚类)，以及知识表示学习(知识嵌入算法)，属性相似度主要通过集合相似度jaccard系数和tfidf向量相似度，得到较好的效果。工具选用上实体对齐上采用了limes工具进行实体匹配：三角不等式过滤。

三角不等式过滤如下：

给定(a，m)，m是度量标准，相当于相似性函数,a中的点x，y和z相当于三条记录,根据三角不等式有：

m(x,y)≤m(x,z)+m(z,y)

上式通过推理可以得到：

m(x,y)-m(y,z)＞θ→m(x,z)＞θ

上式中y相当于样本点。因为样本点e的数量是远小于目标数据集t的数量，所以过滤这一步会急剧减少后续相似性比较的次数，因而对大规模的web数据，可以提高算法效率。

步骤3.6，知识可视化

采用两种可视化方式，一种知识关系可视化，形成的关系图谱。

另一种是知识森林可视化。分两个步骤，一是分面树的可视化，二是减税降费知识森林可视化。分面树是知识图谱中的实体和概念对应的内容，分面树与分面树之间的关系构成了知识森林。知识森林的可视化能很好的显示出数据的层次关系，每一棵分面树是一个主题，也是一个概念对象，分面树之间的关系构成了知识图谱的关系。

步骤3.7，审核发布

标准化的实体属性三元组，还需要经过人工审核后，才能发布成对外可用的知识图谱。

本系统设计的审核部分包括以下三方面的内容：

1.审核一致性：实体属性关系三元组与知识源的一致性

2.审核方式：需要人机结合，远程众包。

3.审核结论：审核通过发布、审核后撤销、审核后修改发布

审核部分需要投入一部分人员去验证结果。人工审核后的结果作为知识图谱对外发布。

步骤4，知识应用

知识应用设计了两个大模块：知识计算模块和应用场景模块。

其中，知识计算模块主要包括了一系列相关的知识图谱相关的算法，包括机器学习模型和深度学习模型，以及实现查询统计时的统计分析模型，还可以实现网络分析和社群发现的图计算模型，以及实现链路预测的图神经网络和trans系列表示学习模型。在知识图谱系统整体中是一个很重要的部分，也是知识图谱是否可用的关键。

其中，应用场景模块：目前设计了两个大类场景，一个是基于纳税人角度的，搜索和查询系统，以及基于问题模式的智能问答系统；另一个是基于税务人员角度的，税收风险识别，如虚开、偷漏税等行为，团伙发现，虚开团伙和串案等行为。

可见，本实施例通过先从结构化数据库和非结构化数据库中获取到结构化数据和非结构化数据，相当于在知识图谱构建时在结构化数据基础上加入了非结构化数据中的的知识，然后对该结构化数据和非结构化数据进行属性关系构建处理，得到属性关系三元组数据，最后再根据实体属性关系将该属性关系三元组数据进行可视化处理，得到税收知识图谱，实现了在结构化数据的基础上添加了非结构化数据中的知识，避免了添加入人工知识的过程，实现了全自动化构建知识图谱，提高了构建知识图谱的效率，避免了人工经验的错误，提高了知识图谱的精度和准确性。

下面对本申请实施例提供的知识图谱构建装置进行介绍，下文描述的知识图谱构建装置与上文描述的知识图谱构建方法可相互对应参照。

请参考图2，图2为本申请实施例所提供的一种知识图谱构建装置的结构示意图。

本实施例中，该装置可以包括：

数据获取模块100，用于从结构化税收数据库和非结构化税收知识数据库获取结构化数据和非结构化数据；

知识构建模块200，用于对结构化数据和非结构化数据进行属性关系构建处理，得到属性关系三元组数据；

可视化处理模块300，用于根据实体属性关系将属性关系三元组数据进行可视化处理，得到税收知识图谱。

可选的，该数据获取模块100可以包括：

结构化数据获取单元，用于根据标准化结构从结构化税收数据库获取结构化数据；

非结构化数据获取单元，用于通过关键字爬虫从非结构化税收知识数据库获取非结构化数据。

本申请实施例还提供一种服务器，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如以上实施例所述的知识图谱构建方法的步骤。

本申请实施例还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如以上实施例所述的知识图谱构建方法的步骤。

该计算机可读存储介质可以包括：u盘、移动硬盘、只读存储器(read-onlymemory，rom)、随机存取存储器(randomaccessmemory，ram)、磁碟或者光盘等各种可以存储程序代码的介质。

说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机存储器(ram)、内存、只读存储器(rom)、电可编程rom、电可擦除可编程rom、寄存器、硬盘、可移动磁盘、cd-rom、或技术领域内所公知的任意其它形式的存储介质中。

以上对本申请所提供的一种知识图谱构建方法、知识图谱构建装置、服务器以及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。