OpenKG地址：http://openkg.cn/dataset/ckgg
GitHub地址：https://github.com/nju-websoft/CKGG
数据地址：https://doi.org/10.5281/zenodo.4668711
论文地址：https://doi.org/10.1007/978-3-030-88361-4_25
开放许可协议：CC BY-SA 4.0
贡献者：南京大学（沈俞霖，陈子恒，程龚，瞿裕忠）
1、背景
使用人工智能技术解答学业测验的题目是人工智能和知识工程领域的一个长期挑战。我们长期研究使用人工智能技术构建问答系统解答中国高中教育中的地理学科的题目。从此项研究中，我们发现，现有的开放数据中，仍缺乏可以覆盖高中阶段核心地理知识的高质量知识图谱。
在高中地理科目的应用上，现有的地理主题的知识图谱不够完整、准确。例如，GeoNames 仅涵盖地点位置和行政区划等基本地理数据。Clinga 从百度百科中提取了气候等丰富的地理数据，但受制于在线数据缺乏统一的验证，提取的数据准确性不高，并多存在分类标准不一致等情况。
虽然相关的知识图谱较为缺乏，高质量的地理数据仍在网络上广泛存在。例如，Berkeley Earth 提供了全球温度的数据， GES DISC 提供了全球降水量的数据。然而这些数据均以数据网格的格式提供，为了便于查询，我们需要将这些数据关联到具体的地点实体。此外，还存在一些以图片、表格格式存储的数据，均需将其关联到地点实体并转换为便于的格式。整合这些异构数据需要使用复杂的方法。
2、CKGG 概述
为解决高质量高中地理知识图谱缺乏的问题，我们首先从教辅资料中构建了覆盖高中地理核心概念的本体。以此为基础，我们构建了中文高中地理知识图谱 CKGG (Chinese Knowledge Graph for Geography)，覆盖高中阶段的核心知识。我们基于 GeoNames 和 Wikidata 的实体合并得到了 CKGG 中的地点实体，并使用了多种工具整合了不同来源不同格式的数据。CKGG 共包含 15 亿个 RDF 三元组，120 余万实体。下图概述了 CKGG 的数据来源。
3、CKGG 本体构建
CKGG 的本体包含 755 个类，304 个简单属性，89 个复杂属性。CKGG本体的一个示例如下。
我们使用7步法构建本体，详细过程为：
明确范围：CKGG 需覆盖高中地理教材/教辅中的大部分核心概念，我们使用教辅资料作为本体的数据源。
考虑重用：我们重用了标准的 RDF 和 RDFS 术语表达实体的名称和类型，重用了 WGS84 Geo Positioning 术语 (wgs84_pos:lat, wgs84_pos:long) 表达实体的经纬度信息，并重用了 Clinga 本体的行政区划层级关系。
列举术语：我们人工从教辅资料中收集了术语，并加入了少量的常识术语（如“公共设施”）
定义类：我们使用自顶向下的方法，定义了地理实体大类，在大类下定义了地点、气候类型等子类，并根据教辅资料和常识对类进行了进一步细分。
定义属性：我们将收集到的术语中的属性关联到其对应的 rdfs:domain 类型上。大多数属性的 rdfs:domain 类型为“地点”，例如海拔高度、气候类型、受洋流影响等。此外我们定义了“上级地点”属性，表述地点之间的从属关系。
定义约束：对每个属性，我们通过定义 rdfs:range 属性设置了它们的取值范围。对于一些枚举类型的属性，我们使用了 owl:oneOf 进行定义。例如“科技水平”被定义为可取值“极高”、“高”、“中”、“低”、“极低”，以便表达此类定性的属性值。
创建实例：对于 CKGG 的本体，我们没有定义对应实例，实例将在 CKGG 的图谱中构建时进行定义。
4、CKGG 图谱构建
CKGG的图谱构建主要分为实体构建、基本属性构建和其他属性构建，此外我们还构建了地点的重要性分数属性以便下游应用进行消歧。下面对各个步骤进行详细介绍。
实体构建：我们收集了 GeoNames 的所有实体和 Wikidata 的含中文标签和经纬度的地理实体。我们使用了两个数据源中原有的实体之间的对应关系。此外，我们使用启发式的方法得到了 GeoNames 中可能重复的实体之间的关系。最后我们使用这些对应关系将相同实体合并为 CKGG 中的一个实体。
基本属性构建：我们考虑地点的类型、名称和经纬度作为基本属性，要求 CKGG 中每个地点必须包含这三个属性。我们使用 AgreeMakerLight 跨语言本体对齐工具得到了 CKGG 本体和 GeoNames 特征码的对齐，进行人工验证后，使用该信息设置地点的类型。地点的名称我们使用了 Wikidata 和 GeoNames 的所有中文名，以及 GeoNames 中的标准英文名。对于地点的经纬度，由于之前实体合并的影响，可能存在多值，我们选择中心点作为地点的标准经纬度。
其他属性构建：我们收集了地点的气温、降水量、太阳辐射量、多边形范围、洋流、气候、统计信息等数据。
对气温、降水量、太阳辐射量，我们使用了网格数据源，数据源中地表按经纬度划分为了多个网格，每格对应了一个值。我们使用上一步得到的标准经纬度对每个地点的属性进行赋值。
对地点多边形范围，我们使用了 GIS 多边形数据源。将地点的多边形范围赋值后，我们根据此范围推算出了地点的包含关系。
对地点的洋流、气候等数据，我们使用了 GIS 工具将书本中的气候图和 Wikipedia 中的洋流图分别标注为多边形和折线段，后根据地点与其关系得到地点的气候类型和影响地点的洋流。
对地点的统计信息数据，我们目前对国内的地点进行了处理。我们收集了国家统计局网站上的分省统计数据，并使用自动化与人工结合的方法与本体进行了对齐。此外，我们还收集了国家统计局的行政区划数据，与 CKGG 中的地点进行对齐，以得到行政区的区划代码，使用该代码将统计数据与地点进行关联。
实体重要性属性构建：我们使用实体对应的 Wikipedia 文章的入链接量表示实体的重要性，该数据可以有效在无上下文的情况下对实体消歧。例如包含“北京”的重要性最高的实体是中国的首都，而非其他同名的地点。
5、CKGG 量化分析
CKGG 共包含 121.9 万个实体与 15 亿条三元组。对 CKGG 的质量，我们通过人工抽样的方式评估了地点实体的覆盖率、地点合并的准确率、实体包含关系的准确率。其中，地点合并的准确率超过 93%，实体包含关系的准确率达到 100%。CKGG 实体对高中地理教材的覆盖约为 79%，我们发现主要原因为复杂抽象实体（某河流流域、某河流河谷）较少被来源数据源描述。
6、结论
我们通过对高质量的地理数据源进行格式转换，得到了 CKGG 知识图谱，这项工作被语义网领域国际顶会ISWC 2021授予最佳资源论文提名奖。虽然其构建目的主要为针对高中地理教育的应用，我们的图谱也能用于其他地理应用。下一步工作我们将向 CKGG 中填充更多数据，并研究 CKGG 在问答系统中的应用。
OpenKG
OpenKG（中文开放知识图谱）旨在推动以中文为核心的知识图谱数据的开放、互联及众包，并促进知识图谱算法、工具及平台的开源开放。
点击阅读原文，进入 OpenKG 网站。
