NLP 与 Python：构建知识图谱实战案例

大家好，欢迎来到IT知识分享网。

概括

积累了一两周，好久没做笔记了，今天，我将展示在之前两周的实战经验：如何使用 Python 和自然语言处理构建知识图谱。

网络图是一种数学结构，用于表示点之间的关系，可通过无向/有向图结构进行可视化展示。它是一种将相关节点映射的数据库形式。

知识库是来自不同来源信息的集中存储库，如维基百科、百度百科等。

知识图谱是一种采用图形数据模型的知识库。简单来说，它是一种特殊类型的网络图，用于展示现实世界实体、事实、概念和事件之间的关系。2012年，谷歌首次使用“知识图谱”这个术语，用于介绍他们的模型。

目前，大多数公司都在建立数据湖，这是一个中央数据库，它可以收集来自不同来源的各种类型的原始数据（包括结构化和非结构化数据）。因此，人们需要工具来理解所有这些不同信息的意义。知识图谱越来越受欢迎，因为它可以简化大型数据集的探索和发现。简单来说，知识图谱将数据和相关元数据连接起来，因此可以用来构建组织信息资产的全面表示。例如，知识图谱可以替代您需要查阅的所有文件，以查找特定的信息。

知识图谱被视为自然语言处理领域的一部分，因为要构建“知识”，需要进行“语义增强”过程。由于没有人想要手动执行此任务，因此我们需要使用机器和自然语言处理算法来完成此任务。

我将解析维基百科并提取一个页面，用作本教程的数据集（下面的链接）。

俄乌战争 – 维基百科 俄乌战争是俄罗斯与俄罗斯支持的分离主义者之间持续的国际冲突，以及…… en.wikipedia.org

特别是将通过：

• 设置：使用维基百科API进行网页爬取以读取包和数据。
• NLP使用SpaCy:对文本进行分句、词性标注、依存句法分析和命名实体识别。
• 提取实体及其关系：使用Textacy库来识别实体并建立它们之间的关系。
• 网络图构建：使用NetworkX库来创建和操作图形结构。
• 时间轴图：使用DateParser库来解析日期信息并生成时间轴图。

设置

首先导入以下库：

 for data import pandas as pd #1.1.5 import numpy as np #1.21.0 for plotting import matplotlib.pyplot as plt #3.3.2 for text import wikipediaapi #0.5.8 import nltk #3.8.1 import re for nlp import spacy #3.5.0 from spacy import displacy import textacy #0.12.0 for graph import networkx as nx #3.0 (also pygraphviz==1.10) for timeline import dateparser #1.1.7 

Wikipedia-api是一个Python库，可轻松解析Wikipedia页面。我们将使用这个库来提取所需的页面，但会排除页面底部的所有“注释”和“参考文献”内容。

简单地写出页面的名称：

topic = "Russo-Ukrainian War" wiki = wikipediaapi.Wikipedia('en') page = wiki.page(topic) txt = page.text[:page.text.find("See also")] txt[0:500] + " ..." 

通过从文本中识别和提取subjects-actions-objects来绘制历史事件的关系图谱（因此动词是关系）。

自然语言处理

要构建知识图谱，首先需要识别实体及其关系。因此，需要使用自然语言处理技术处理文本数据集。

目前，最常用于此类任务的库是SpaCy，它是一种开源软件，用于高级自然语言处理，利用Cython（C+Python）进行加速。SpaCy使用预训练的语言模型对文本进行标记化，并将其转换为“文档”对象，该对象包含模型预测的所有注释。

#python -m spacy download en_core_web_sm nlp = spacy.load("en_core_web_sm") doc = nlp(txt) 

NLP模型的第一个输出是句子分割(中文有自己的分词规则)：即确定句子的起始和结束位置的问题。通常，它是通过基于标点符号对段落进行分割来完成的。现在我们来看看SpaCy将文本分成了多少个句子：

# from text to a list of sentences lst_docs = [sent for sent in doc.sents] print("tot sentences:", len(lst_docs)) 

现在，对于每个句子，我们将提取实体及其关系。为了做到这一点，首先需要了解词性标注（POS）：即用适当的语法标签标记句子中的每个单词的过程。以下是可能标记的完整列表（截至今日）：

• ADJ: 形容词，例如big，old，green，incomprehensible，first
• ADP: 介词，例如in，to，during
• ADV: 副词，例如very，tomorrow，down，where，there
• AUX: 助动词，例如is，has（done），will（do），should（do）
• CONJ: 连词，例如and，or，but
• CCONJ: 并列连词，例如and，or，but
• DET: 限定词，例如a，an，the
• INTJ: 感叹词，例如psst，ouch，bravo，hello
• NOUN: 名词，例如girl，cat，tree，air，beauty
• NUM: 数词，例如1，2017，one，seventy-seven，IV，MMXIV
• PART: 助词，例如’s，not
• PRON: 代词，例如I，you，he，she，myself，themselves，somebody
• PROPN: 专有名词，例如Mary，John，London，NATO，HBO
• PUNCT: 标点符号，例如.，（，），？
• SCONJ: 从属连词，例如if，while，that
• SYM: 符号，例如$，%，§，©，+，-，×，÷，=，:)，表情符号
• VERB: 动词，例如run，runs，running，eat，ate，eating
• X: 其他，例如sfpksdpsxmsa
• SPACE: 空格，例如

仅有词性标注是不够的，模型还会尝试理解单词对之间的关系。这个任务称为依存句法分析（Dependency Parsing，DEP）。以下是可能的标签完整列表（截至今日）。

• ACL：作为名词从句的修饰语
• ACOMP：形容词补语
• ADVCL：状语从句修饰语
• ADVMOD：状语修饰语
• AGENT：主语中的动作执行者
• AMOD：形容词修饰语
• APPOS：同位语
• ATTR：主谓结构中的谓语部分
• AUX：助动词
• AUXPASS：被动语态中的助动词
• CASE：格标记
• CC：并列连词
• CCOMP：从句补足语
• COMPOUND：复合修饰语
• CONJ：连接词
• CSUBJ：主语从句
• CSUBJPASS：被动语态中的主语从句
• DATIVE：与双宾语动词相关的间接宾语
• DEP：未分类的依赖
• DET：限定词
• DOBJ：直接宾语
• EXPL：人称代词
• INTJ：感叹词
• MARK：标记
• META：元素修饰语
• NEG：否定修饰语
• NOUNMOD：名词修饰语
• NPMOD：名词短语修饰语
• NSUBJ：名词从句主语
• NSUBJPASS：被动语态中的名词从句主语
• NUMMOD：数字修饰语
• OPRD：宾语补足语
• PARATAXIS：并列结构
• PCOMP：介词的补足语
• POBJ：介词宾语
• POSS：所有格修饰语
• PRECONJ：前置连词
• PREDET：前置限定词
• PREP：介词修饰语
• PRT：小品词
• PUNCT：标点符号
• QUANTMOD：量词修饰语
• RELCL：关系从句修饰语
• ROOT：句子主干
• XCOMP：开放性从句补足语

举个例子来理解POS标记和DEP解析：

# take a sentence i = 3 lst_docs[i] 

检查 NLP 模型预测的 POS 和 DEP 标签：

for token in lst_docs[i]: print(token.text, "-->", "pos: "+token.pos_, "|", "dep: "+token.dep_, "") 

SpaCy提供了一个图形工具来可视化这些注释：

from spacy import displacy displacy.render(lst_docs[i], style="dep", options={"distance":100}) 

最重要的标记是动词 ( POS=VERB )，因为它是句子中含义的词根 ( DEP=ROOT )。

助词，如副词和副词 ( POS=ADV/ADP )，通常作为修饰语 ( *DEP=mod ) 与动词相关联，因为它们可以修饰动词的含义。例如，“ travel to ”和“ travel from ”具有不同的含义，即使词根相同（“ travel ”）。

在与动词相连的单词中，必须有一些名词（POS=PROPN/NOUN）作为句子的主语和宾语（ *DEP=nsubj/obj ）。

名词通常位于形容词 ( POS=ADJ ) 附近，作为其含义的修饰语 ( DEP=amod )。例如，在“好人”和“坏人”中，形容词赋予名词“人”相反的含义。

SpaCy执行的另一个很酷的任务是命名实体识别（NER）。命名实体是“真实世界中的对象”（例如人、国家、产品、日期），模型可以在文档中识别各种类型的命名实体。以下是可能的所有标签的完整列表（截至今日）：

• 人名: 包括虚构人物。
• 国家、宗教或政治团体：民族、宗教或政治团体。
• 地点：建筑、机场、高速公路、桥梁等。
• 公司、机构等：公司、机构等。
• 地理位置：国家、城市、州。
• 地点：非国家地理位置，山脉、水域等。
• 产品：物体、车辆、食品等（不包括服务）。
• 事件：命名飓风、战斗、战争、体育赛事等。
• 艺术作品：书籍、歌曲等的标题。
• 法律：成为法律的指定文件。
• 语言：任何命名的语言。
• 日期：绝对或相对日期或期间。
• 时间：小于一天的时间。
• 百分比：百分比，包括“%”。
• 货币：货币价值，包括单位。
• 数量：衡量重量或距离等。
• 序数： “第一”，“第二”等。
• 基数：不属于其他类型的数字。

for tag in lst_docs[i].ents: print(tag.text, f"({tag.label_})") 

或者使用SpaCy图形工具更好：

displacy.render(lst_docs[i], style="ent") 

这对于我们想要向知识图谱添加多个属性的情况非常有用。

接下来，使用NLP模型预测的标签，我们可以提取实体及其关系。

实体和关系抽取

这个想法很简单，但实现起来可能会有些棘手。对于每个句子，我们将提取主语和宾语以及它们的修饰语、复合词和它们之间的标点符号。

可以通过两种方式完成：

1. 手动方式：可以从基准代码开始，该代码可能必须稍作修改并针对您特定的数据集/用例进行调整。

def extract_entities(doc): a, b, prev_dep, prev_txt, prefix, modifier = "", "", "", "", "", "" for token in doc: if token.dep_ != "punct": prexif --> prev_compound + compound if token.dep_ == "compound": prefix = prev_txt +" "+ token.text if prev_dep == "compound" else token.text modifier --> prev_compound + %mod if token.dep_.endswith("mod") == True: modifier = prev_txt +" "+ token.text if prev_dep == "compound" else token.text subject --> modifier + prefix + %subj if token.dep_.find("subj") == True: a = modifier +" "+ prefix + " "+ token.text prefix, modifier, prev_dep, prev_txt = "", "", "", "" if object --> modifier + prefix + %obj if token.dep_.find("obj") == True: b = modifier +" "+ prefix +" "+ token.text prev_dep, prev_txt = token.dep_, token.text # clean a = " ".join([i for i in a.split()]) b = " ".join([i for i in b.split()]) return (a.strip(), b.strip()) # The relation extraction requires the rule-based matching tool, # an improved version of regular expressions on raw text. def extract_relation(doc, nlp): matcher = spacy.matcher.Matcher(nlp.vocab) p1 = [{'DEP':'ROOT'}, {'DEP':'prep', 'OP':"?"}, {'DEP':'agent', 'OP':"?"}, {'POS':'ADJ', 'OP':"?"}] matcher.add(key="matching_1", patterns=[p1]) matches = matcher(doc) k = len(matches) - 1 span = doc[matches[k][1]:matches[k][2]] return span.text 

 extract entities lst_entities = [extract_entities(i) for i in lst_docs] example lst_entities[i]

 extract relations lst_relations = [extract_relation(i,nlp) for i in lst_docs] example lst_relations[i]

 extract attributes (NER) lst_attr = [] for x in lst_docs: attr = "" for tag in x.ents: attr = attr+tag.text if tag.label_=="DATE" else attr+"" lst_attr.append(attr) example lst_attr[i]

第二种方法是使用Textacy，这是一个基于SpaCy构建的库，用于扩展其核心功能。这种方法更加用户友好，通常也更准确。

 extract entities and relations dic = {"id":[], "text":[], "entity":[], "relation":[], "object":[]} for n,sentence in enumerate(lst_docs): lst_generators = list(textacy.extract.subject_verb_object_triples(sentence)) for sent in lst_generators: subj = "_".join(map(str, sent.subject)) obj = "_".join(map(str, sent.object)) relation = "_".join(map(str, sent.verb)) dic["id"].append(n) dic["text"].append(sentence.text) dic["entity"].append(subj) dic["object"].append(obj) dic["relation"].append(relation) create dataframe dtf = pd.DataFrame(dic) example dtf[dtf["id"]==i] 

让我们也使用 NER 标签（即日期）提取属性：

 extract attributes attribute = "DATE" dic = {"id":[], "text":[], attribute:[]} for n,sentence in enumerate(lst_docs): lst = list(textacy.extract.entities(sentence, include_types={attribute})) if len(lst) > 0: for attr in lst: dic["id"].append(n) dic["text"].append(sentence.text) dic[attribute].append(str(attr)) else: dic["id"].append(n) dic["text"].append(sentence.text) dic[attribute].append(np.nan) dtf_att = pd.DataFrame(dic) dtf_att = dtf_att[~dtf_att[attribute].isna()] example dtf_att[dtf_att["id"]==i] 

已经提取了“知识”，接下来可以构建图表了。

网络图

Python标准库中用于创建和操作图网络的是NetworkX。我们可以从整个数据集开始创建图形，但如果节点太多，可视化将变得混乱：

 create full graph G = nx.from_pandas_edgelist(dtf, source="entity", target="object", edge_attr="relation", create_using=nx.DiGraph()) plot plt.figure(figsize=(15,10)) pos = nx.spring_layout(G, k=1) node_color = "skyblue" edge_color = "black" nx.draw(G, pos=pos, with_labels=True, node_color=node_color, edge_color=edge_color, cmap=plt.cm.Dark2, node_size=2000, connectionstyle='arc3,rad=0.1') nx.draw_networkx_edge_labels(G, pos=pos, label_pos=0.5, edge_labels=nx.get_edge_attributes(G,'relation'), font_size=12, font_color='black', alpha=0.6) plt.show() 

知识图谱可以让我们从大局的角度看到所有事物的相关性，但是如果直接看整张图就没有什么用处。因此，最好根据我们所需的信息应用一些过滤器。对于这个例子，我将只选择涉及最常见实体的部分（基本上是最连接的节点）：

dtf["entity"].value_counts().head()

 filter f = "Russia" tmp = dtf[(dtf["entity"]==f) | (dtf["object"]==f)] create small graph G = nx.from_pandas_edgelist(tmp, source="entity", target="object", edge_attr="relation", create_using=nx.DiGraph()) plot plt.figure(figsize=(15,10)) pos = nx.nx_agraph.graphviz_layout(G, prog="neato") node_color = ["red" if node==f else "skyblue" for node in G.nodes] edge_color = ["red" if edge[0]==f else "black" for edge in G.edges] nx.draw(G, pos=pos, with_labels=True, node_color=node_color, edge_color=edge_color, cmap=plt.cm.Dark2, node_size=2000, node_shape="o", connectionstyle='arc3,rad=0.1') nx.draw_networkx_edge_labels(G, pos=pos, label_pos=0.5, edge_labels=nx.get_edge_attributes(G,'relation'), font_size=12, font_color='black', alpha=0.6) plt.show() 

上面的效果已经不错了。如果想让它成为 3D 的话，可以使用以下代码：

from mpl_toolkits.mplot3d import Axes3D fig = plt.figure(figsize=(15,10)) ax = fig.add_subplot(111, projection="3d") pos = nx.spring_layout(G, k=2.5, dim=3) nodes = np.array([pos[v] for v in sorted(G) if v!=f]) center_node = np.array([pos[v] for v in sorted(G) if v==f]) edges = np.array([(pos[u],pos[v]) for u,v in G.edges() if v!=f]) center_edges = np.array([(pos[u],pos[v]) for u,v in G.edges() if v==f]) ax.scatter(*nodes.T, s=200, ec="w", c="skyblue", alpha=0.5) ax.scatter(*center_node.T, s=200, c="red", alpha=0.5) for link in edges: ax.plot(*link.T, color="grey", lw=0.5) for link in center_edges: ax.plot(*link.T, color="red", lw=0.5) for v in sorted(G): ax.text(*pos[v].T, s=v) for u,v in G.edges(): attr = nx.get_edge_attributes(G, "relation")[(u,v)] ax.text(*((pos[u]+pos[v])/2).T, s=attr) ax.set(xlabel=None, ylabel=None, zlabel=None, xticklabels=[], yticklabels=[], zticklabels=[]) ax.grid(False) for dim in (ax.xaxis, ax.yaxis, ax.zaxis): dim.set_ticks([]) plt.show() 

需要注意一点，图形网络可能很有用且漂亮，但它不是本教程的重点。知识图谱最重要的部分是“知识”（文本处理），然后可以在数据帧、图形或其他图表上显示结果。例如，我可以使用NER识别的日期来构建时间轴图。

时间轴图

首先，需要将被识别为“日期”的字符串转换为日期时间格式。DateParser库可以解析几乎在网页上常见的任何字符串格式中的日期。

def utils_parsetime(txt): x = re.match(r'.*([1-3][0-9]{3})', txt) #<--check if there is a year if x is not None: try: dt = dateparser.parse(txt) except: dt = np.nan else: dt = np.nan return dt 

将它应用于属性的数据框：

dtf_att["dt"] = dtf_att["date"].apply(lambda x: utils_parsetime(x)) example dtf_att[dtf_att["id"]==i] 

将把它与实体关系的主要数据框结合起来：

tmp = dtf.copy() tmp["y"] = tmp["entity"]+" "+tmp["relation"]+" "+tmp["object"] dtf_att = dtf_att.merge(tmp[["id","y"]], how="left", on="id") dtf_att = dtf_att[~dtf_att["y"].isna()].sort_values("dt", ascending=True).drop_duplicates("y", keep='first') dtf_att.head() 

最后，我可以绘制时间轴(绘制完整的图表可能不会用到)：

dates = dtf_att["dt"].values names = dtf_att["y"].values l = [10,-10, 8,-8, 6,-6, 4,-4, 2,-2] levels = np.tile(l, int(np.ceil(len(dates)/len(l))))[:len(dates)] fig, ax = plt.subplots(figsize=(20,10)) ax.set(title=topic, yticks=[], yticklabels=[]) ax.vlines(dates, ymin=0, ymax=levels, color="tab:red") ax.plot(dates, np.zeros_like(dates), "-o", color="k", markerfacecolor="w") for d,l,r in zip(dates,levels,names): ax.annotate(r, xy=(d,l), xytext=(-3, np.sign(l)*3), textcoords="offset points", horizontalalignment="center", verticalalignment="bottom" if l>0 else "top") plt.xticks(rotation=90) plt.show() 

过滤特定时间：

yyyy = "2022" dates = dtf_att[dtf_att["dt"]>yyyy]["dt"].values names = dtf_att[dtf_att["dt"]>yyyy]["y"].values l = [10,-10, 8,-8, 6,-6, 4,-4, 2,-2] levels = np.tile(l, int(np.ceil(len(dates)/len(l))))[:len(dates)] fig, ax = plt.subplots(figsize=(20,10)) ax.set(title=topic, yticks=[], yticklabels=[]) ax.vlines(dates, ymin=0, ymax=levels, color="tab:red") ax.plot(dates, np.zeros_like(dates), "-o", color="k", markerfacecolor="w") for d,l,r in zip(dates,levels,names): ax.annotate(r, xy=(d,l), xytext=(-3, np.sign(l)*3), textcoords="offset points", horizontalalignment="center", verticalalignment="bottom" if l>0 else "top") plt.xticks(rotation=90) plt.show() 

提取“知识”后，可以根据自己喜欢的风格重新绘制它。

结论

本文是关于如何使用 Python 构建知识图谱的教程。从维基百科解析的数据使用了几种 NLP 技术来提取“知识”（即实体和关系）并将其存储在网络图对象中。

现利用 NLP 和知识图来映射来自多个来源的相关数据并找到对业务有用的见解。试想一下，将这种模型应用于与单个实体（即 Apple Inc）相关的所有文档（即财务报告、新闻、推文）可以提取多少价值。您可以快速了解与该实体直接相关的所有事实、人员和公司。然后，通过扩展网络，即使信息不直接连接到起始实体 (A — > B — > C)。