知识推理是知识图谱研究的一大重点和难点1.1 基于逻辑规则的知识图谱推理基于逻辑规则的知识图谱推理是指通过在知识图谱上运用简单规则及特征，推理得到新的事实，该方法可以利用知识的符号性，精确度高且能为推理结果提供显式的解释。基于逻辑规则的推理分为基于逻辑的推理、基于统计的推理和基于图结构的推理。1.1.1 基于逻辑的推理基于逻辑的推理是指直接使用一阶谓词逻辑FOL、描述逻辑等方式对专家制定的规则进行

1 知识表示知识表示是一种对知识的描述方式，利用信息技术将真实世界中海量信息转化为计算机处理模式的结构化数据。早期知识表示方法有一阶逻辑、霍恩逻辑、语义网络、产生式规则、框架系统、脚本理论等。随着语义网SW的提出，万维网联盟（W3C）提出了XML、RDF、RDFS和OWL描述语言。XML为最早的语义网描述语言，以文档为单位表示知识，可用于标记数据和定义数据类型；RDF提供一个统一的标准以“主体-谓

一、研究背景煤矿安全领域存在着结构化、半结构化以及非结构化等不同种类的数据格式，不同的存储及关联方式，导致煤矿安全领域数据呈现海量离散低效的特点，数据无法被有效地运用起来。构建一个逻辑清晰、覆盖范围广的煤矿安全知识图谱，以帮助煤矿工作人员或对煤矿有兴趣的学者全面查询及学习煤矿安全知识。知识图谱的本质是一种知识表示形式，通过从多源文本中将隐藏的实体、关系抽取出来，并构成（实体-关系-实体）结构化的数

知识图谱的构建技术包括知识抽取、知识融合、知识加工和知识更新等。图1 知识图谱构建技术流程图1.1 知识抽取知识抽取就是自动化或半自动化的从原始数据中获得实体、关系及属性等可用知识单元。早期是基于规则的知识抽取，通过人为预先规定的抽取规则，从文本中抽取知识的三元组信息，缺点是数据量大的时候规则构建耗时长、可移植性差，难以应对数据规模庞大的知识图谱构建。目前基于神经网络的知识抽取将文本作为向量输入，

PSO模仿鸟类群集和鱼类集群的群体行为，引导粒子搜索全局最优解。标准PSO算法在解决复杂的多峰问题容易陷入局部最优解。因此，加快收敛速度和避免陷入局部最优解已成为粒子群算法研究中两个最重要和最具吸引力的目标。最有前景的解决方法是控制算法参数和与辅助搜索算子结合。APSO为实现这两个目标而产生。