知识图谱可视分析研究综述

计算机辅助设计与图形学学报Vol.35No.1JournalofComputer-AidedDesign&ComputerGraphicsJan.20231)(杭州电子科技大学数字媒体与艺术设计学院杭州310018)2)(浙江财经大学信息管理与人工智能学院杭州310018)(zhgzhou@)摘要:知识图谱是一种以图谱形式描述客观世界中存在的各种实体、概念及其关系的技术,广泛应用于智能搜索、自动问答和决策支持等领域.可视分析技术可以将抽象的知识图谱映射为图形元素,帮助用户直观地感知和分析数据,从而提高知识图谱的构建和表达,也为知识图谱在各个领域的应用提供了有力支持.文中对知识图谱可视分析相关工作进行调研和整理,从知识图谱可视化表现形式、知识图谱构建过程中常用的可视分析方法以及面向应用领域的知识图谱可视分析技术3个方面进行综述;进一步,总结和讨论知识图谱可视分析面临的挑战,并对其未来的发展趋势进行展望.关键词:知识图谱;可视分析;知识表示;知识构建;知识应用中图法分类号:TP391.41DOI:10.3724/SP.J.1089.2023.19470ASurveyontheVisualAnalyticsofKLiuYuhua1),ZhaiRuyu1),ZhangXian(SchoolofMediaandDesign,HangzhouDianziUniversity,Hangzhou310018)2)(SchoolofInformationManagementandArtificialIntelligence,ZhejiangUniversityofFinanceandEconomics,Hangzhou310018)Abstract:Knowledgegraphisatechnologythatdescribesentities,conceptsandtheirrelationships,whichhasbeenwidelyusedinthefieldsofintelligentsearch,automaticquestionansweringanddecisionsupport.Visualanalysistechniquecantransformtheabstractknowledgegraphintographicelements,enablinguserstointuitivelyperceiveandanalyzedata.Itcanbuildandpresenttheknowledgegraphbetter,andprovideastrongsupportfortheapplicationofknowledgegraph.Wegiveasurveyonthevisualanalyticsofknowl-edgegraphfromfollowingthreeaspects:Thevisualrepresentationofknowledgegraph,thevisualanalysismethodsintheconstructionofknowledgegraph,andthevisualanalysistechnologyofknowledgegraphinvariousfields.Moreover,thechallengesandfutureworkonthevisualanalyticsofknowledgegrapharediscussedandconcluded.Keywords:knowledgegraph;visualanalytics;knowledgerepresentation;knowledgeconstruction;knowl-edgeapplication收稿日期:2021-11-22;修回日期:2022-01-21.基金项目:国家自然科学基金(62277013,62177040,62132017);之江实验室开放课题(K2022KG0AB01);全国统计科学研究项目(2022LY099);浙江省科技计划(2021C03137);浙江省科学技术厅公益计划研究项目(LTGG23H260003);浙江省统计科学研究项目;浙江省教育科学规划重点课题(GZ2023112);浙江省普通本科高校"十四五"教学改革项目(jg20220214).刘玉华(1988—),男,博士,讲师,硕士生导师,CCF会员,主要研究方向为数据可视化与可视分析;翟如钰(1996—),女,硕士研究生,主要研究方向为数据可视化;张翔(1990—),男,博士,讲师,CCF会员,主要研究方向为网络图可视化;王毅刚(1971—),男,博士,教授,博士生导师,CCF会员,主要研究方向为虚拟现实与可视化;周志光(1983—),男,博士,教授,博士生导师,CCF会员,论文通信作者,主要研究方向为数据可视化与可视分析.24知识图谱是结构化的语义网络知识库,其以三元组[1]的表达形式来描述客观世界中存在的概念、实体及其关联关系.知识图谱技术包括知识表示、知识图谱构建和知识图谱应用3方面的研究内容[2].其中,知识表示研究客观世界知识的建模,该过程需要用户设计合适的方法建模知识以方便机器识别和理解;知识图谱构建包括数据获取、知识抽取、知识融合和知识处理4个模块,需要用户建立高效的算法模型,从各种复杂的数据源中抽取客观世界的知识,并将其进行整合、处理,最后形成结构化的知识网络;知识图谱的应用则研究用户如何利用知识图谱建立基于知识的智能服务系统,以帮助用户解决实际应用的问题.在数字化时代背景下,利用知识图谱可以有效地组织和处理海量信息,而人机交互技术则影响着知识图谱从获取数据到构建图谱再到实际应用的整个过程,是知识图谱研究的重要内容之一.可视化是人机交互的接口,也是解决知识表示、知识抽取、知识融合和知识处理等知识图谱问题的关键[3].在知识表示方面,可视化方法不仅能使用户直观地观察到核心信息和关键数据以快速地发现其中蕴含的知识,还可以满足信息传递的多样性;在知识抽取环节,利用可视化与人机交互手段可以帮助研究者以直观、可解释的方式分析现有的实体语义特征,准确地抽取出感兴趣的知识实现个性化的构建[4];在知识融合与知识处理环节,可视分析方法也发挥着重要的作用,推动了整个知识图谱的完善和拓展[5].而在知识图谱的实际应用过程中,可视分析技术能够帮助用户基于实际需求来选择恰当的展示形式和内容,从而促进用户对实体关系的理解、分析、推理和预测,有效地提高用户分析和探索行业知识的效率[6].可视分析技术贯穿了知识图谱从构建到应用的各个环节,对知识图谱有着重要的意义.因此,可视化领域的学者针对知识图谱的可视分析问题做了大量的研究.2019年,王勇超等[7]侧重于大规模知识图谱和异质网络的可视分析技术,按照知识图谱可视化的发展阶段以及不同阶段面临的挑战进行了综述.在此基础上,本文深入调研了可视化与人机交互领域(包括TVCG,CHI,CGF等期刊和会议)论文13篇,数据挖掘领域(包括TKDE,SIGKDD,CIKM等期刊和会议)论文12篇,人工智能领域(包括TNNLS,IJCAI和IEEEIntelligentSystems等期刊和会议)论文8篇,对知识图谱可视分析的研究工作进行全面总结.首先从可视化表现形式介绍知识表示中常用的可视化方法,包括节点链接可视化、矩阵表达可视化、层次结构可视化、简化表达可视化和表示学习可视化;然后根据知识图谱的构建过程,介绍知识抽取、知识融合和知识处理等构建环节中涉及的可视分析方法;进一步,面向知识图谱的应用领域,介绍智能搜索、社交媒体等领域涉及的可视分析技术,并总结知识图谱可视化常用的平台与工具;最后从大规模知识图谱的可视表达优化、可视分析效率提升以及其应用拓展等方面,总结和讨论知识图谱可视分析研究所面临的挑战,并对其未来的发展趋势进行展望.1知识表示可视化知识图谱的实质是以结构化的方式描述真实世界中存在的各种实体、概念及其关系,而这些实体、概念和关系均可以被称为知识.作为知识图谱研究中的重要模块,知识表示即通过某种有效的方式将这些知识(实体-关系-实体或概念-属性-属性值形式的三元组)组织起来,从而搭建完整的知识网络,并使其发挥作用[8].可视化在知识表示的理解与探索中发挥了关键作用,本节从知识表示可视化的展现形式出发,依次介绍知识图谱的节简化表达可视化以及表示学习可视化.1.1节点链接可视化节点链接可视化是最常见的用于知识表示可视化的方法,通常用节点表示实体或概念,用边表示关系或属性,节点和边可以使用不同类型的视觉元素(如颜色、大小、形状和符号等)来增强表达特定的含义.图1中,Yang等[9]使用紫色节点表示工业知识图谱中的关键词,而节点和关键词的大小均表示该关键词的重要性,节点之间连线的粗细则表示关键词之间的相关性程度,从而使研究者可以直观、合理地推断出未来工业智能化的发展方向.图2中,Zhu等[10]使用带有不同纹理的节点表示人物,用连线的长短表示人物关系的远近,红、蓝2种颜色的边则表示2个人物之间的关系是敌对还是盟友,从而以简单、直观的方式展现人物关系知识网络.因此,节点链接可视化方法可以通过赋予节点特殊的形状、大小、颜色、纹理,以及赋予连线不同的粗细、长短和颜色来表达不同应用场景下的特殊含义,从而有效地帮助用户直观、生动地感知和探索知识图谱所传达的信息.但是,这第1期刘玉华,等:知识图谱可视分析研究综述25种方法在表达稠密的知识图谱时会出现大量的点线交叉重叠,引起视觉混淆,增大用户的视觉感知难度,因此,节点链接可视化方法只适用于具有稀疏结构特点的知识图谱表达.图1工业知识图谱[9]图2人物关系知识网络[10]1.2矩阵表达可视化矩阵表达可视化使用矩阵的行和列来表示概念或实体,在行与列的交叉位置填充颜色和图标等效果以表达属性或关系,多用于表达具有稠密图特点的知识图谱.Xi等[11]用矩阵图的形式展示了乳腺癌病人临床超声报告中出现的病症及其状况,以矩阵的行表示病人,列表示病症,而行列的交叉位置则通过深浅不同的颜色和形状显示具体的病症表现(如图3所示).Wang等[12]利用图4所示的矩阵热力图表达蛋白质分子量和疾病之间的关系,其中,矩阵的行代表不同的蛋白质分子量,列代表不同的疾病,交叉位置的矩形表示蛋白质分子量对该疾病的影响程度,颜色越深表示影响程度越大.因此,利用矩阵表达可视化的方法,可以通过对矩阵交叉位置采用不同的形状、颜色填充来映射知识图谱中复杂的属性关系,有效地避免密集型知识图谱利用传统节点链接可视化方法展示时产生的点线交叉问题.图3病患症状知识图[11]1.3层次结构可视化基于层次结构的知识表示可视化方法使用层次化的布局来描绘实体和关系,常见的有树状图和缩进列表2种形式.树状图是最直观且最基本的层次化表达方式.Kerdjoudj等[13]设计了一个名为GraphVis的知识图谱可视化系统,将长文本中提取的知识三元组以图5所示的布局方式进行展示,帮助用户快速、直接地了解关键信息间的层次结构.但是,当面对关系复杂的知识图谱时,这种树状图的可视化方法容易造成连线错综复杂,无法充分发挥层次表达的优势,还会增加用户的视觉负担.缩进列表则提供了一种类似于文件资源管理器的视图结构.如图6所示,Sheng等[14]利用缩进列表的层次结构清晰地展示了知识图谱中节点间的关系.尽管缩进列表的实现和表示较为简单,但这种表达形式对同一层次节点的浏览和可视分析并不十分友好,且无法通过个性化的可视化设计实现节点间联系紧密程度的表达.1.4简化表达可视化大规模知识图谱具有数据量庞大、属性多维和结构复杂等特点,对其进行简化表达[7]是较为恰当且实用的可视化方法.简化表达可视化方法可以26图4蛋白质分子与疾病关系矩阵图[12]图5长文本知识层次化结构图[13]通过聚类的方法生成大规模知识图谱的简化图对其进行表达.Min等[15]将从数据源中检索获得的包含核心关键词的文献聚类,并以该关键词作为聚类中心呈现大数据可视化研究领域的关键词共现网络.图7中,每个节点表示1个关键词,节点的大小代表关键词出现的频率,反映了该领域的研第1期刘玉华,等:知识图谱可视分析研究综述27图6缩进列表式的知识图谱展示[14]究热度,使人们可以清晰地分析出当前中国大数据可视化研究的热点问题.Sun等[16]设计了大规模教育知识图谱的可视分析平台EduVis,将与事件相关的实体(如事件发生的时间、地点,以及涉及的组织、机构和人物等)聚类构成事件网络模块,再以整个事件网络图为核心,结合时间线、词云、树状图等探索和分析教育舆情事件的具体细节以及事件之间的关联关系(如图8所示),使得教育研究者可以对海量教育数据进行高效管理与分析.图7关键词共现网络[15]图8教育知识图谱可视分析系统[16]研究者也可以采用多种可视化方法组合的形式来实现大规模知识图谱的简化表达.Henry等[17]提出一种名为NodeTrix的可视化方法,使用节点链接图表示异质网络的整体结构,对关系复杂的局部实体集合采用邻接矩阵的形式表达实体间的关系,可有效地将节点链接图和矩阵图结合起来,实现对大规模知识图谱的可视化.1.5表示学习可视化针对传统的知识表示方法无法满足在连续空间中进行数值计算的问题,研究者提出基于表示学习的知识图谱可视化方法,通过将知识嵌入低维连续的向量空间中的方式,为大型知识图谱的计算提供支持.Xiao等[18]提出混合嵌入模型TransG,其具有多个不同语义特征的组件,可以自动地将实体对应的关系语义进行分类.图9中,灰色实心圆表示模型学习到的正确三元组,圆圈表示不正确的三元组,三元组的坐标由其包含的2个实体之间的向量差来决定,聚类结构代表不同的关系分类.He等[19]提出基于密度的学习方法,将知识图谱中的实体和关系用高斯分布的形式表示,高斯分布的中心表示实体或者关系在语义空间中的位置,协方差表示知识的不确定性.图10所示28为实体“HillaryClinton”的多个关系三元组,其中,圆圈代表不同的实体或关系,圆圈的大小反映实体或关系的不确定性程度,圆圈越大,表示不确定性越高.因此,该方法在清晰表达实体关系的同时,还对其不确定性进行了有效建模.图9多重实体关系语义可视化[18]图10实体和关系的高斯分布可视化方法[19]2知识图谱构建过程中的可视分析方法知识图谱的研究目的是将知识图谱应用于各领域以推动相关行业的智能化发展,而知识图谱的构建为提供这些智能化服务打下了坚实的基础.作为知识图谱研究中最关键的环节,知识图谱构建的本质是通过算法和模型从跨源数据中获取知识,并将其结构化处理,帮助机器形成认知和理解客观世界的能力,包括知识抽取、知识融合与知识处理3个环节.本节围绕每个环节中涉及的可视分析方法展开讨论.2.1知识抽取中的可视分析知识抽取是构建知识图谱的核心步骤之一,其关注如何从结构化数据、半结构化数据和非结构化数据等大量异构数据源中自动抽取候选知识要素的问题[20].抽取的关键技术包括实体抽取、关系抽取和属性抽取,抽取的结果直接影响知识图谱的构建质量和后续的应用效果.因此,在知识抽取过程中,研究者会通过可视化与人机交互的手段来评估知识抽取的质量.如图11所示,中文语义挖掘系统Boson提供的实体抽取可视化工具可以帮助用户直观地检验实体抽取的结果[21],其中,颜色代表词性类别,时间、地名、人名、组织和机构等实体也相应地映射成不同的颜色;然后对文本的段落进行拆分和覆盖,利用不同颜色的矩形清晰地展示分词结果和实体分布特征.语法结构树[22]的可视化方法在呈现实体抽取结果的同时,也为用户分析实体之间的语法关系提供了便利(如图12所示).丁泽源等[23]设计了一个基于深度学习的中文生物医学实体关系抽取模型,并将其嵌入到可视化系统,允许用户以交互式的方式查询标注实体的生物医学编号,帮助用户直观地理解中文生物医学实体信息,充分发挥了可视分析技术在知识抽取中的辅助作用.2.2知识融合中的可视分析知识融合又称知识整合,包括实体链接和知识合并2部分.实体链接[24]处理的是从半结构化或非结构化数据中提取的数据,重点解决2个问图11实体抽取可视化[21]第1期刘玉华,等:知识图谱可视分析研究综述29图12语法关系可视化[22]题:一是解决同名实体产生歧义的问题,即实体消歧技术;二是解决多个名称项对应同一实体的问题,即共指消解技术.知识合并关注结构化数据的处理,包括外部知识库和关系数据库的合并.可视分析技术可以展示不同数据源的知识整合效果,帮助用户提高知识融合的质量.如图13所示,Wang等[25]开发了交互式的可视分析系统TopicPanorama,针对不同的数据来源,分别构建相应的主题知识图谱;然后根据主题之间的相似性利用图匹配技术将多个主题图整合在一起;最终形成一个完整的全景主题知识图谱.该系统设计了环形的堆栈树和基于密度的网络图来展示主题节点的融合,允许用户根据需求调整参数来交互修改和查看主题知识的融合效果.Asada等[26]利用DrugBank药物数据库及其相关的文本信息构建了异构的图14所示药学知识图谱,在使用图13主题知识图谱[25]图14药学知识图谱[26]节点链接图展示实体关系时,将同一实体对应的多个名称项(如药物醋氨酚有“Acenol”“APAP”“Paracetamol”等多个同义词)以逗号分割的方式呈现在节点附带的文本框中,为下一步用户从文本信息中预测正确的关系三元组提供了帮助.本体匹配作为知识合并的重要内容,在将不同知识库进行合并的过程中发挥了关键作用.Dang等[27]介绍了一种用于本体匹配的可视化工具,可以基于不同知识库的本体构建概念分类矩阵,为用户快速和交互式地进行本体识别与匹配提供便利,如图15所示.其矩阵的行和列表示不同的概念,行列上的弧线表示概念间的层次结构关系,矩阵交叉位置上的扇形表示2个概念之间的衔接关系,不同的颜色表示不同的关系类型,如绿色代表等价关系、蓝色代表包含关系等.Aurisano等[28]设计了一套可视化工具AlignmentVis,提供了展示本体匹配器映射结果的网格视图,其中,每个单元格代表源实体和目标实体之间的匹配置信度,通过颜色映射反映匹配置信度的大小,帮助用户快速地发现错误的匹配结果,并进一步分析其错误来源.图15本体匹配概念分类矩阵[27]2.3知识处理中的可视分析专家经过知识抽取和知识融合后得到知识的基本事实表达,再经过知识处理操作则可获得一个层次化、结构化的知识体系.知识处理包括本体构建、知识推理和质量评估3方面内容[29].在知识处理环节,可视分析技术不仅可以帮助研究者高效地完成质量评估的工作,还可以在知识的分析与推理任务中发挥作用.Zaveri等[30]在进行知识图谱错误发现和质量评估工作中设计了用户交互界面,用户可以选择要评估的数据类型,然后每个页面会呈现一个实体及其待标注的三元组,用户对每条数据进行判断并选择错误类型,还可以记录错误原因和修复建议,帮助用户手动选择感兴趣的内容并评估每个资源的正确性.Palantir公司开发了一个基于知识图谱的军事情报可视分析系统[31],该系统将战舰、飞机、敌方活动情报和相关战场环境资源等映射为各类事件、实体、对象及其关系,具备了军事知识管理与处理的能力,在军事情报分析与活动决策中发挥了重要作用.图16所示为利用该系统对军事情报知识和相关战场信息进行关联可视化的界面,其中,矩形节点表示情报报告和事件行为,决策者可以点击节点交互式地浏览该情报或事件包含的人物、装备、环境、时间、空间等相关参数,以直观的方式对层次化的情报知识网络进行分析推理,并结合战场环境资源等进行判断,实现调度指挥、关联分析及军事活动预判决策的目的.3知识图谱应用过程中的可视分析技术知识图谱为互联网语义搜索带来了巨大活力,是推动人工智能发展的核心驱动力之一[2].在知识图谱的实际应用过程中往往伴随着可视分析技术的使用,本节围绕知识图谱应用过程中的可视分析技术展开讨论.3.1智能搜索领域的可视分析鉴于知识图谱在关系推理、预测方面的显著优势,各大智能搜索行业都纷纷致力于知识图谱技第1期刘玉华,等:知识图谱可视分析研究综述31图16基于知识图谱的军事情报可视分析系统[31]术的研究,并构建了自己的知识图谱产品以提高Search[32]上融合了含有海量公共资源数据的“Google知识图谱”[33].当用户使用搜索引擎时,其后台会迅速基于用户搜索的内容将相关的事实和图像等填充到知识图谱卡片中,将与搜索内容相关的资源反馈给用户.同样地,Microsoft的BingSearch、搜狗的“知立方”、百度的“知心”等均通过这种方式为用户提供了良好的信息服务.在一些专业领域的知识搜索任务中,可视分析也扮演了重要角色.Cashman等[34]构建了一个数据扩充可视分析系统,该系统支持知识图谱的链接,用户可以在系统上通过查询来搜集目标数据在知识图谱上的信息,并将其作为附加属性为后续的数据增强工作做铺垫.在查询过程中,允许用户以直方图等形式直观地分析属性的数据分布和类型分布特征,同时提供了关于数据知识图的节点链接可视化来帮助用户理解数据是如何组合和构建的.Tang等[35]提出面向电力领域知识的智能问答搜索系统,如图17所示,首先构建了电力知识图谱,并以节点链接式的可视化形式进行展示;然后通过对用户提出的问题进行语义分析自动生成图数据库查询语句,在知识库中运行查询;最后将查询结果进行可视化展示,提高了用户获取专业领域知识的效率.3.2社交媒体领域的可视分析在社交媒体领域,知识图谱技术既可用于人物社交关系网络的分析,又可用于新闻媒体事件图17电力领域知识图谱[35]的挖掘与探索.国外的著名社交网站Facebook推出了“GraphSearch”[36],通过知识图谱将与用户相关的人、物关联在一起,并将人物关系以网络化布局形式直观地展现出来,对用户挖掘和分析人物关系具有重要意义.Yang等[37]设计了知识检索可视化系统KOSMOS,以基于社交媒体和主流新闻媒体文章构建的知识图谱作为数据支持,根据用户查询内容,使用节点链接式的布局展示相关事件和相关文章的知识结构,如图18所同的实体类型,连线则表示实体间的关系.KOSMOS系统可以帮助用户直观地分析主流媒体报导事件图18知识检索可视化系统界面[37]与社交媒体报导事件之间的关系,使用户在广阔的信息空间中快速地了解事件全貌,同时也为政府部门探索分析媒体倾向和公众意见等提供了有力支持.3.3基于知识图谱的可视分析与决策知识图谱是人工智能和深度学习领域的热门技术,基于知识图谱进行数据的分析与决策可以有效地辅助行业和领域发展,已经在诸多方面取得了成功的应用案例.针对数据特征,如何选择和推荐恰当的可视化方法进行展示是可视化领域的经典问题.传统的可视化推荐方法分为基于规则的推荐[38]和基于机器学习的推荐[39].最近,Li等[40]提出一种基于知识图谱的可视化推荐方法KG4Vis(如图19所示),首先从数据集和可视化的成对组合中提取数据特征和可视化设计特征并构造知识图谱,然后在知识图谱的表征学习空间中进行可视化规则的学习和推理,最后针对新的数据集推荐多种可选的、有效的可视化方法.这种基于知识图谱的可视化推荐方法既不需要手动指定可视化规则,又可以保证良好的解释性,与其他可视化推荐方法相比,该方法更具有先进性.同样地,Wang等[41]提出了一种基于知识图谱的论文推荐方法,以EI数据库为数据源,将论文和与之相关的作者、机构、关键词、参考文献、技术模型等进行关联并构建知识图谱,图19基于知识图谱的可视化方法推荐流程图[40]第1期刘玉华,等:知识图谱可视分析研究综述33并以节点链接的方式进行展示,最后根据用户的搜索进行论文推荐.该方法可以将跨领域的论文知识有效地关联与融合,帮助研究者快速、准确地检索出满足其需求的、有价值的论文集合.有些研究者基于知识图谱将枯燥的文本信息以丰富的表达形式展现,方便用户直观地了解文本内容.Zhu等[10]从维基百科中提取关系三元组并构建了综合知识图谱,再基于人物关系知识图谱设计了三国历史概览图(如图20所示),通过词云展示战役信息并以时间线来布局人物事件的发展,用丰富的表达形式将三国历史信息可视化,为用户快速了解小说内容和有效学习历史知识提供了帮助.Lin[42]则基于知识图谱设计开发了红楼梦人物关系可视化及问答系统,便于用户直接了解和分析小说中各个角色之间的联系.还有研究者结合知识图谱和数据可视分析技术挖掘隐含的信息以进行关系预测.Lin等[43]提出一种端到端的知识图神经网络模型,以DrugBank为数据源,将药物、蛋白质、疾病等实体信息进行关联并构建了医药知识图谱,用节点链接可视化方法展示,使用户可以通过挖掘知识拓扑图中的实体信息有效地捕获药物及其邻域的关系,快速识别出药物之间潜在的负面影响.Nathani等[44]对已构建好的知识图谱进行节点与关系特征的分析,利用基于注意力机制的特征嵌入方法,探索给定实体的邻域内实体和关系特征以进行关系预测,有效地提升了预测的准确率.3.4知识图谱可视分析常用平台与工具随着知识图谱可视分析研究的快速发展,智能商业领域出现了越来越多的知识图谱构建和可视化的平台与工具,如CiteSpace[45]、智图[46]、达观知识图谱[47],DataExa-Sati[48],Protege[49]和SCI2[50]等.这些主流的平台与工具已被广泛地应用于金融、安全、教育、医疗、文献检索等专业领域的知识图谱构建与可视分析任务.本文从开发机构、所支持的可视化设计以及应用领域3个方面对知识图谱构建和可视化的平台与工具进行调研分析,结果如表1所示.图20基于人物关系知识图的三国历史概览图[10]表1常用的知识图谱可视化平台与工具平台开发者可视化设计应用领域CiteSpace[45]DrexelUniversity节点链接可视化、简化表达可视化、树状图构建知识图谱用于科学文献的可视分析智图[46]智言科技节点链接可视化、层次结构可视化智能搜索、决策分析等领域达观知识图谱[47]达观数据节点链接可视化、简化表达可视化智能搜索领域、制造业领域的故障分析与决策DataExa-Sati[48]渊亭科技矩阵表达可视化、层次结构可视化金融、安全、教育、医疗等领域的数据分析与决策Protege[49]StanfordUniversity节点链接可视化、树状图基于本体的知识分析推理任务SCI2[50]IndianaUniversity节点链接可视化、简化表达可视化构建文献作者共现网络图对合作关系交互式探索与分析近年来,随着人工智能和深度学习的发展,对知识图谱可视分析的相关研究也被推向了高潮.但就目前而言,知识图谱可视分析仍面临着诸多挑战,进一步的研究方向如下:(1)大规模知识图谱可视表达的创新与优化.随着数据规模的不断增长,知识图谱的结构变得越来越复杂.如何利用可视化方法清晰、有效地表达大规模知识图谱中的语义关系,帮助用户快速分析与决策成为关键问题,而现有的知识表示可视化方法存在显示空间利用率低、点线布局混乱复杂、用户视觉负担重等问题.因此,需要在知识表示方面探索更多的可视化新方法,帮助提升大规模知识图谱可视分析的效率.同时,随着移动设备的普及,越来越多的用户倾向于使用移动设备来实时处理生活与工作上遇到的问题.这也就需要研究者不断优化知识图谱现有的可视化设计,简化交互功能,使得移动设备也能够较好地支持大规模知识图谱关键信息的表达,为用户使用移动设备对知识图谱进行分析和决策做铺垫.(2)提升大规模知识图谱可视分析效率.大规模知识图谱的数据量极大,很难对其进行高效率地绘制和渲染,影响了人机交互的流畅性.此外,计算和渲染每帧画面都极度依赖硬件性能,极易导致程序崩溃.因此,若要促进大规模知识图谱的实时可视分析,就需要从数据存储、建模和处理层面着手解决问题.例如,可以考虑利用采样方法来缩小可视化规模,提高实时响应速度和可视分析的效率;同时,也需要保证数据采样的有效性,满足知识图谱的构建质量要求.(3)知识图谱的应用拓展及开发可视分析工具.虽然知识图谱在智能搜索、社交媒体、数据分析与决策等领域得到了广泛的应用,但仍处于初级阶段,具有广阔的发展前景.因此,需要充分发挥可视分析技术在分析、推理和辅助决策方面的优势,推进知识图谱从面向全领域的通用知识图谱(如Wikidata[51],DBpedia[52]和YAGO[53]等)到面向特定领域的行业知识图谱(如金融、医疗、公安、司法等)的拓展.同时,现有工具的开发成本和维护成本普遍较高,部分工具要求用户具备一定的专业基础,存在使用门槛较高等问题.因此,仍需要探索和开发一些新的可视分析工具,帮助知识图谱在实际应用中充分发挥其作用.本文对知识图谱可视分析的相关工作进行了调研与综述.首先对知识图谱的基本概念及可视分析在知识图谱中所发挥的作用进行讨论;然后从知识表示中常用的可视分析方法、知识图谱构建过程与应用过程中的可视化与人机交互技术,以及知识图谱可视化常用的平台与工具进行介绍;最后论述了知识图谱可视分析面临的挑战和发展方向.知识图谱的重要性不仅在于其可以有效地将海量、纷杂的信息组织成一种便于人类认知的形式,而且在于其在指引学科领域未来研究发展方向上发挥的关键性作用.因此,推动知识图谱可视分析的研究、应用和发展是十分重要的.参考文献(References):[1]WangQ,MaoZD,WangB,etal.Knowledgegraphembed-ding:asurveyofapproachesandapplications[J].IEEETrans-actionsonKnowledgeandDataEngineering,2017,29(12):2724-2743[2]JiSX,PanSR,CambriaE,etal.Asurveyonknowledgegraphs:representation,acquisitionandapplications[J].IEEETransactionsonNeuralNetworksandLearningSystems,2022,33(2):494-514[3]EbertA,VeerG,DomikG,etal.Buildingbridges:HCI,visu-alization,andnon-formalmodeling[M].Heidelberg:Springer,2014:8-16[4]AlaniH,KimS,MillardDE,etal.Automaticontology-basedknowledgeextractionfromwebdocuments[J].IEEEIntelligentSystems,2003,18(1):14-21[5]DongX,GabrilovichE,HeitzG,etal.Knowledgevault:aweb-scaleapproachtoprobabilisticknowledgefusion[C]//Proceedingsofthe20thACMSIGKDDInternationalCon-ferenceonKnowledgeDiscoveryandDataMining.NewYork:ACMPress,2014:601-610[6]XuPP,CaoN,JohnSM,etal.Interactivevisualco-clusteranalysisofbipartitegraphs[C]//ProceedingsoftheIEEEPa-cificVisualizationSymposium.LosAlamitos:IEEEComputerSocietyPress,2016:32-39[7]WangYongchao,LuoShengwen,YangYingbao,etal.Asurveyonknowledgegraphvisualization[J].JournalofComputer-AidedDesign&ComputerGraphics,2019,31(10):1666-1676(inChinese)(王勇超,罗胜文,杨英宝,等.知识图谱可视化综述[J].计算机辅助设计与图形学学报,2019,31(10):1666-1676)[8]CaiY,AuYeungC,LeungH.Fuzzycomputationalontologiesincontexts[M].Heidelberg:Springer,2012:15-21[9]YangWH,XuD.VisualanalysisofindustrialknowledgegraphresearchbasedonCitespace[C]//Proceedingsofthe7thInternationalConferenceonConditionMonitoringofMachin-eryinNon-StationaryOperations.LosAlamitos:IEEECom-第1期刘玉华,等:知识图谱可视分析研究综述35(Hankcs.实体(Hankcs.实体语法结构[OL].[2021-11-22].https://hanlp.)[23]DingZeyuan,YangZhihao,LuoLing,etal.Chinesebiomedi-calentityrelationextractionsystembasedondeeplearning[J].JournalofChineseInformationProcessing,2021,35(5):70-76(inChinese)(丁泽源,杨志豪,罗凌,等.基于深度学习的中文生物医学实体关系抽取系统[J].中文信息学报,2021,35(5):70-76)[24]ShenWY,WangJ,HanJW.Entitylinkingwithaknowledgebase:issues,techniques,andsolutions[J].IEEETransactionsonKnowledgeandDataEngineering,2015,27(2):443-460[25]WangXT,LiuSX,LiuJL,etal.TopicPanorama:afullpic-tureofrelevanttopics[J].IEEETransactionsonVisualization&ComputerGraphics,2016,22(12):2508-2521[26]AsadaM,GunasekaranN,MiwaM,etal.Representingahet-erogeneouspharmaceuticalknowledge-graphwithtextualin-formation[J].FrontiersinResearchMetricsandAnalytics,2021,6:670206[27]DangTuan,FranzN,LudäscherB,etal.ProvenanceMatrix:avisualizationtoolformulti-taxonomyalignments[J].CEURWorkshopProceedings,2015,1456:13-24[28]AurisanoJ,NanavatyA,CruzIF.Visualanalyticsforontologymatchingusingmulti-linkedviews[C]//ProceedingsofInterna-tionalSemanticWebConference.Heidelberg:SpringerInterna-tionalPublishing,2015:25-36[29]LiuQiao,LiYang,DuanHong,etal.Knowledgegraphcon-structiontechniques[J].JournalofComputerResearchandDe-velopment,2016,53(3):582-600(inChinese)(刘峤,李杨,段宏,等.知识图谱构建技术综述[J].计算机研究与发展,2016,53(3):582-600)[30]ZaveriA,KontokostasD,SherifMA,etal.User-drivenqualityevaluationofDBpedia[C]//Proceedingsofthe9thInternationalConferenceonSemanticSystems.NewYork:ACMPress,2013:97-104[31]SafetyInternalReference.Palantirbigdatacapabilityanalysisresearch[OL].[2021-11-22]./articles/3(inChinese)(安全内参.Palantir大数据能力分析研究[OL].[2021-11-22]./articles/32891)[32]GaoYL,PengJY,LuoHZ,etal.Aninteractiveapproachforfilteringoutjunkimagesfromkeyword-basedGooglesearchresults[J].IEEETransactionsonCircuits&SystemsforVideoTechnology,2009,19(12):1851-1865[33]PelikánováZ.Googleknowledgegraph[OL].[2021-11-22].https://dspace.muni.cz//handle/ics_muni_cz/1024[34]CashmanD,XuS,DasSY,etal.CAVA:avisualanalyticssystemforexploratorycolumnardataaugmentationusingknowledgegraphs[J].IEEETransactionsonVisualizationandComputerGraphics,2021,27(2):1731-1741[35]TangYC,HanHY,YuXM,etal.Anintelligentquestionan-sweringsystembasedonpowerknowledgegraph[OL].[2021-11-22]./abs/2106.09013[36]Baidu.Graphsearch[EB/OL].[2021-11-22].http://baike.baidu.com/view/9966007.htm[37]YangCH,JieYS,ChinBK,etal.KOSMOS:knowledge-gra-phorientedsocialmediaandmainstreammediaoverviewsys-tem[OL].[2021-11-22]./abs/2012.06209[10]ZhuYZ,CaoXiY,BianYL,etal.CKGHV:acomprehensiveknowledgegraphforhistoryvisualization[C]//ProceedingsofIEEE/ACMJointConferenceonDigitalLibraries.LosAlami-tos:IEEEComputerSocietyPress,2014:437-438[11]XiJN,YeLP,HuangQH,etal.Toleratingdatamissinginbreastcancerdiagnosisfromclinicalultrasoundreportsviaknowledgegraphinference[C]//Proceedingsofthe27thACMSIGKDDConferenceonKnowledgeDiscovery&DataMin-ing(KDD’21).NewYork:ACMPress,2021:3756-3764[12]WangQY,LiML,WangX,etal.COVID-19literatureknowledgegraphconstructionanddrugrepurposingreportgeneration[C]//ProceedingsoftheConferenceoftheNorthAmericanChapteroftheAssociationforComputationalLin-guistics:HumanLanguageTechnologies:Demonstrations.Stroudsburg:AssociationforComputationalLinguistics,2021:66-77[13]KerdjoudjF,CuréO.RDFknowledgegraphvisualizationfromaknowledgeextractionsystem[OL].[2021-11-22].https:///abs/1510.00244[14]ShengSJ,ZhouP,WuXD.CEPV:atreestructureinformationextractionandvisualizationtoolforbigknowledgegraph[C]//ProceedingsoftheIEEEInternationalConferenceonBigKnowledge.LosAlamitos:IEEEComputerSocietyPress,2019:221-228[15]MinGH,LinM,LiZH,etal.Thetrend,hotspots,frontierandpathofbigdatavisualizationresearchinChina——basedontheknowledgegraphanalysisofCitespace5.5.R2[C]//Proceed-ingsoftheInternationalConferenceonCulture-OrientedSci-ence&Technology.LosAlamitos:IEEEComputerSocietyPress,2020:118-122[16]SunK,LiuYH,GuoZC,etal.EduVis:visualizationforedu-cationknowledgegraphbasedonwebdata[C]//Proceedingsofthe9thInternationalSymposiumonVisualInformationCom-municationandInteraction.NewYork:ACMPress,2016:138-139[17]HenryN,FeketeJD,McguffinMJ.NodeTrix:ahybridvisu-alizationofsocialnetworks[J].IEEETransactionsonVisuali-zationandComputerGraphics,2007,13(6):1302-1309[18]XiaoH,HuangML,HaoY,etal.TransG:agenerativemixturemodelforknowledgegraphembedding[OL].[2021-11-22]./abs/1509.05488[19]HeSZ,LiuK,JiGL,etal.Learningtorepresentknowledgegraphswithgaussianembedding[C]//Proceedingsofthe24thACMInternationalonConferenceonInformationandKnowl-edgeManagement.NewYork:ACMPress,2015:623-632[20]WangHaofen,QiGuilin,ChenHuajun.Knowledgegraph:methodology,practiceandapplication[J].AutomationPano-rama,2020,37(1):7(inChinese)(王昊奋,漆桂林,陈华钧.知识图谱:方法、实践与应用[J].自动化博览,2020,37(1):7)[21]Boson.Entitypartofspeechanalysis[OL].[2021-11-22].http:///demo#overview-analysis(inChinese)(Boson.实体词性分析[OL].[2021-11-22].http://static.bos-/demo#overview-analysis)[22]Hankcs.Entitysyntaxstructure[OL].[2021-11-22].https://han-(inChinese)oftheAmericanSocietyforInformationScienceandTechnol-ogy,2006,57(3):359-377[46]ZhiyanTechnology.Zhitu[OL].[2021-11-22].http://webot.ai/oftheAmericanSocietyforInformationScienceandTechnol-ogy,2006,57(3):359-377[46]ZhiyanTechnology.Zhitu[OL].[2021-11-22].