python语义网络图

开篇还是从我在情报工程发表的一篇论文的前言开始讲起。

知识图谱(Knowledge Graph)的概念由谷歌2012年正式提出，旨在实现更智能的搜索引擎，并且于2013年以后开始在学术界和业界普及，并在智能问答、情报分析、反欺诈等应用中发挥重要作用。知识图谱本质上是一种叫做语义网络(semantic network)的知识库，即具有有向图结构的一个知识库，其中图的结点代表实体(entity)或者概念(concept)，而图的边代表实体/概念之间的各种语义关系，比如说两个实体之间的相似关系。语义网络[1]是20世纪50年代末60年代初提出，代表性人物有M. Ross Quillian和Robert F. Simmons。语义网络可以看成是一种用于存储知识的数据结构，即基于图的数据结构，这里的图可以是有向图，也可以是无向图。使用语义网络，可以很方便地将自然语言的句子用图来表达和存储，用于机器翻译[2]、问答系统[3]和自然语言理解[4]。下面就举一个例子，比如说，要表示John gave a book to Mary这样一句话，可以用下面这样的一个语义网络来表示：

这句话的核心是一个事件，触发词为give(过去式gave)，该事件的主体(施事)是John，对象是一个物体，该物体是一本书，客体(受益者)是Mary。这种表示方法到现在还是继续采用的。语义网络提出的时候，有一些研究人员评论说，语义网络没有自然语言更适合表示人类的知识。这其实就引发了一个讨论，对于人类的自然语言来说，什么样的表示方法是合理的？是直接用我们的自然语言的句子表示呢，还是用谓词逻辑的线性表示(