知识图谱多数据源融合

       知识图谱的实体往往面临数据融合的问题，因为知识图谱的数据源可能有多个，在不同数据源有对同一实体的不同表达，即使在同一个数据源里也可能存在这种情况，需要通过一定手段将其合并。

      知识图谱的数据融合过程通常如下：

知识融合流程图

1，数据预处理：输入的原始数据源往往存在脏数据和格式不一致数据，需要进行人工进行规整，这一步过程是实际工程中比较费时但是作用很大的工作，没有好的数据处理后续的算法效果往往也不会好。

2，数据分组：我们的目标是找出所有相同的实体，如果不进行数据分组，我们的计算量会是两两比较，对于海量数据的时候计算量过于庞大，所以要事先进行分组。分组的效果既要保证能够比较均衡地分而治之，又要尽量保证不要漏分。

常见的方法包括通过数据本身的类目信息进行分组，比如在融合商品数据的时候可以根据商品的类目信息进行分组；或者根据数据的关键信息，比如在融合人物数据的时候可以根据其出生日期进行分组。

3，属性相似度：经过上一步的分组，每个分组下的实体是有可能是相同的实体的集合，接下来需要对实体的属性进行计算相似度，有了实体各个属性的相似度才容易进行下一步的实体相似度计算。

常见的方法包括：

3.1）纯字符串的：计算编辑距离，levenshtein distance，计算字符串A通过插入/删除/替换操作变换到字符串B的距离；

3.2）集合类型：计算Jaccard相似度，计算集合交集个数/集合并集个数；

3.3）文档类型：通过tf-idf找出每篇文档的关键词，再通过余弦相似度计算关键词集合的相似度。

4，实体相似度：

有了实体各个属性的相似度，可以来计算实体相似度了。常见的方法分为两种：

4.1）回归：通过实体各个属性的相似度，直接判断实体的相似度。可以直接对各个属性相似度拍权重，也可以通过逻辑回归的方式计算出各个属性相似度的权重。

4.2）聚类：直接通过聚类操作，计算出相似实体。可以进行层次聚类，相关性聚类，Canopy+K-means聚类等。