《时空信息学报》是由自然资源部主管，国家基础地理信息中心、中国地理信息产业协会、黑龙江测绘地理信息局共同主办的中文学术期刊，双月刊。为分享最新研究成果，搭建学术交流平台，中国地理信息产业协会公众号开设“时空信息学报”专栏，独家刊载《时空信息学报》论文，供广大读者研阅。1月2日起，陆续刊发2024年第5期的10篇论文。欢迎产学研用各界关注、分享！
顾及空间尺度变换的领域知识图谱可视化方法
周睿枭1，黄泽纯1, 2
1. 西南交通大学 地球科学与工程学院，成都 611756；
2. 自然资源部成都平原国土生态与土地利用野外科学观测研究站，成都 611130
摘 要：在知识图谱可视化方法的相关研究中，传统的基于力导向布局的节点–链接图方法缺乏空间化和多尺度层面的考虑，无法凸显知识图谱的空间分布模式和核心内容，带来严重的视觉负担。本文提出一种顾及空间尺度变换的领域知识图谱可视化方法。利用空间位置信息实现图谱与地图的叠加，通过多约束规则的模型筛选实现图谱内容的自适应展示；结合台风舆情知识图谱模拟案例进行验证，并与传统方法对比分析。结果表明：本方法生成的可视化布局能够反映知识图谱在现实地理空间中的真实分布情况；在空间尺度连续变换的情况下，本方法能够自适应地筛选实体和关系，生成的可视化结果视觉负担小且过渡平滑。研究成果对于知识图谱与地理信息的有机结合、地理空间数据可视化的发展等方面具有重要参考价值。
关键词：知识图谱；力导向布局；空间尺度变换；多尺度表达；地理信息
引用格式：周睿枭, 黄泽纯. 2024. 顾及空间尺度变换的领域知识图谱可视化方法. 时空信息学报, 31(5): 680-688
Zhou R X, Huang Z C. 2024. A visualization method for domain knowledge graphs considering spatial scale transformations. Journal of Spatio-temporal Information, 31(5): 680-688, doi: 10.20117/j.jsti.202405004
知识图谱是一种结构化的语义知识库，以符号形式描述现实世界中的概念及相互关系。实体–关系–实体三元组作为其基本组成单位，通过关系将实体联结在一起，最终构成网状的知识结构（Ji等，2022）。知识图谱承载了丰富的语义信息，通过对实体、关系和属性进行建模，可以更准确地表达现实世界中的知识，并为知识推理和智能问答等下游任务提供支撑，目前已被广泛应用。例如，葛娟等（2022）构建自然资源领域知识图谱实现了智能化的调查监测；尚宇真等（2023）通过构建人口数据空间化领域知识图谱梳理了行业研究进展。为帮助用户迅速、深入地理解大规模知识图谱中的复杂领域知识，需要对知识图谱可视化。将复杂、抽象的知识映射为形象、直观的图形元素，辅以人机交互的技术，提供直观、清晰、快捷的知识内容表达，使其更加高效地感知并分析知识（王鑫等，2020；李少杰等，2021）。知识图谱可视化方法按照可视化布局和视觉编码方式可划分为空间填充、节点–链接图、热图、邻接矩阵和其他共五种类型（王勇超等，2019）。其中，节点–链接图最为广泛使用，通过构造节点和边，将现实世界中的实体和关系抽象为节点链接结构（Holten和Wijk，2009）。力导向布局是节点–链接图最常见的可视化方式，通过模拟引力和斥力，使节点和边呈现合理的分布（Hu，2006）。这种结构简单且易于理解，有助于快速建立事物间的关联（Dudá?等，2018）。为了进一步提高知识图谱可视化效果，部分研究结合领域知识图谱的应用需求，通过人机交互方式不断调整知识内容的展示。例如，Ghosh和Rajabi（2022）的可视化工具KG-Visual允许用户动态地调整图谱的显示范围和信息密度；刘佳丽（2022）的交互式可视化技术允许用户根据自身需求定制图谱的展示形式，包括节点大小、颜色及布局方式等；Hsuan Yuan等（2024）的可视化工具KGScope可根据用户查询自动推荐相关的节点和边进行展示。此外，有研究通过改进节点–链接图方法，实现了对节点关系详细信息的补充（Henry等，2007）。更多研究主要针对力导向布局算法展开优化，如Lipp等（2016）通过降低力的计算复杂度，加速了图的布局进程；张野等（2019）引入了多层次方法对布局进行优化，在大图绘制中具有更高的性能；Xu等（2019）将传统二维布局扩展至三维，为节点和边提供了更多展示空间；Ahmed等（2020, 2022）和解蓝莹（2022）分别引入随机梯度下降、基于重叠社区发现的算法，改善了图布局的可视化效果。各领域知识图谱的实体通常源自现实世界，具有空间、时间和属性特征。虽然上述研究在一定程度上缓解了视觉负担，提高了传统布局的可读性和可解释性，但实体的相关特征未能充分利用，仍存在不足：①未顾及空间信息表达，无法呈现具有空间特征的知识图谱；②未顾及多尺度表达，在图谱空间化的基础上，需进一步结合领域知识特征，考虑不同空间尺度下图谱展示内容的取舍。因此，本文提出一种顾及空间尺度变换的领域知识图谱可视化方法。利用知识图谱实体的空间位置信息，展示知识网络在现实地理空间的分布模式；同时根据实体的时空和属性特征制定约束条件，在不同空间尺度下筛选知识图谱的核心内容；以台风舆情领域的知识图谱为例进行建模，并与传统方法进行比较。顾及空间尺度变换的领域知识图谱可视化方法根据实体的空间、时间和属性特征构建知识内容筛选模型，结合地图综合与多尺度表达思想，随地图的缩放与平移同步筛选实体和关系，实现知识图谱的多尺度动态表达；同时，实体中所包含的坐标等空间位置信息作为属性管理，通过图层叠加，实现知识图谱的空间化表达。主要技术流程如图1所示。1）最大数量实体节点求取
计算可显示的实体节点最大数量。与节点–链接图（Holten和Wijk，2009）相似，将实体与关系可视化为节点和边，以图示化形式呈现知识图谱的语义信息。提前设定可显示的实体节点最大数量，避免信息冗余。利用开方根规律法（武芳等，2017），计算可显示的实体节点最大数量，解决尺度变换产生的实体节点显示数量变化问题：
式中，nA为知识图谱中的实体节点总数；nF为尺度变化后可显示的实体节点最大数量；MA为知识图谱全部实体节点可正常显示的地图比例尺分母；MF为尺度变化后的地图比例尺分母。2）多约束规则的模型筛选
设计一个包含空间、时间、属性权重和主题分类共四种约束规则的筛选模型，以先实体、后关系的形式对实体和关系进行筛选。主要步骤如下：
（1）根据知识图谱的本体模型，选择与其他类型实体间存在直接关联的实体，作为筛选模型的目标；
（2）从知识库中查询获取所有目标实体，输入筛选模型并初步执行空间约束的筛选；
（3）对筛选后的目标实体使用图数据库语义查询，获取与其存在语义关系的其他实体；
（4）对获取的目标实体及相关实体进行汇总，结合可显示的实体节点最大数量决定执行后续约束筛选或输出实体筛选结果，以此类推。
对所有筛选后的实体进行两两配对，利用语义查询获取其原本存在的关系，得到关系筛选结果，最终构建符合知识图谱原有语义关系的子图谱。
3）图层管理
利用实体节点的空间位置信息，将子图谱叠加至地图上。使用传统力导向布局（Hu，2006）构建子图谱的节点–链接图，对具备坐标信息的实体节点，建立其与地图中对应点要素之间的映射，使其固定于地图的对应位置；对其他实体节点，通过传统力导向布局（Hu，2006）获取显示位置。因此，实现知识图谱与地图空间叠加，完成顾及空间尺度变换的知识图谱可视化。
3 可视化建模
考虑台风灾害所引发的网络舆情中，用户微博文本的发布时间及IP属地满足实体对时间、空间及属性特征的要求，因此，实验选择以台风舆情领域的知识图谱为例进行建模。
3.1 实验数据
舆情数据源自新浪微博开放平台，将关键词设为台风“杜苏芮”搜索并获取相关微博内容及其发布用户信息。考虑网络舆情不受现实地理空间约束，将搜索地理范围设为我国境内全部行政区域；参考台风舆情的生命周期，同时将搜索时间范围设为台风“杜苏芮”登陆前后一周（2023年7月20~8月3日）。采用新浪微博应用程序接口（application program interface, API）与Python网络爬虫相结合的技术（何宗宜等，2015），以及高德开放平台的地理编码功能，获取了与台风“杜苏芮”相关的共26451条用户数据、57732条微博数据，以及与IP属地相关的443条地点数据。其部分关键字段及相关说明如表1~3所示。
3.2 知识图谱构建
知识图谱构建包括模式层和数据层两部分（刘峤等，2016）。参考美国斯坦福大学提出的七步法（Swartout等，1996；Noy，2001），使用Protégé本体建模工具构建了模式层的台风舆情知识本体模型，如图2所示。本体模型共定义了三种概念类和三种语义关系。概念类包括微博文本、微博用户和地点，地点分为省级、市级和县级三种子概念类；语义关系包括微博文本与微博用户之间的发布关系、微博文本与地点之间的定位关系，以及地点之间按照行政区划等级定义的包含关系。
从台风舆情实验数据中抽取实体和关系，建立从模式层概念类与语义关系到数据层实体和关系的映射。首先，从微博数据抽取微博文本实体，数据包含的字段即为实体对应的属性。其次，从用户数据中抽取微博用户实体及相关属性。根据用户发表观点的网络行为，利用用户Uid属性关联，从微博用户与微博文本实体间抽取发布关系。最后，从地点数据中抽取省级、市级或县级实体及相关属性。根据行政区划，从省级、市级和县级实体间抽取包含关系；根据微博文本发布时IP定位，利用地址属性关联，从微博文本与地点实体间抽取定位关系。实验抽取了共83202个实体、113709个关系，将抽取结果以实体–关系–实体的三元组形式存入Neo4j图数据库，如图3所示。
知识图谱可视化包含两个步骤，即多尺度表达和空间化表达。多尺度表达需结合领域知识图谱实体的空间、时间和属性特征，对筛选模型的约束规则进行详细设计，使得从不同空间尺度下筛出用于可视化的子图谱。结合台风舆情知识本体模型，选择微博文本实体作为筛选模型的目标，相关约束规则的详细设计如下。（1）空间约束。将可视化背景地图的矩形地理范围作为约束条件，利用面要素和点要素的空间包含关系，通过空间查询获取拥有经纬度坐标且位于该范围内的目标实体。例如，查询IP属地位于地理范围内的微博文本实体，通过图数据库的单跳查询获取与其相关的微博用户和地点实体，得到空间约束的筛选结果。（2）时间约束。用户通常关注特定时期的知识内容而非整个生命周期。因此，由用户预设时间范围，通过单跳查询获取时间属性值位于该时间范围内的目标实体。例如，查询发布时间位于预设时间范围的微博文本及相关实体，得到时间约束的筛选结果。（3）属性权重约束。用户通常关注更具利用价值的实体，因此，可利用目标实体与相关实体的属性特征计算属性评分，筛选出评分更高的目标实体。例如，高质量微博文本及高权威性的微博用户更能引起关注，这一点在微博文本和微博用户实体的属性特征上得以体现。利用这些属性可计算目标实体的属性评分Wprop。由用户预设评分阈值，通过单跳查询获取Wprop高于阈值的微博文本及相关实体，得到属性权重约束的筛选结果。通过对各属性的归一化消除量纲的影响，利用等权求和得到属性评分值：
式中，m、n分别为目标实体与相关实体的属性特征数；Xi、Yj分别为目标实体与相关实体所对应的某种属性。实验中，m取值3，Xi分别代表微博文本实体的点赞数、评论数及转发数；n取值4，Yj分别代表对应微博用户实体的认证等级、粉丝数、关注数和发博数。（4）主题分类约束。实体属性中潜在主题信息是用户感兴趣的内容，保留主题的构成比例有助于展示更真实的知识内容。因此，可利用实体的属性特征推断其所属主题，进一步在各主题下结合属性评分筛选目标实体。例如，利用潜在狄利克雷分配（latent Dirichlet allocation，LDA）主题模型及评定指标（Blei等，2003），从微博文本实体的文本内容中识别了八种不同主题。计算各主题下微博文本及相关实体占实体总数的比例，当实体总数超出可显示的实体节点最大数量时，将最大数量与比例的乘积作为各主题的实体保留数；分别在每个主题下再次筛选Wprop高的微博文本及相关实体，得到主题分类约束的筛选结果。
筛选模型采取先实体、后关系的形式。实体依次经历空间、时间、属性权重和主题分类四种约束规则的筛选。每次筛选后结合可显示的实体节点最大数量进行判定：若实体总数仍超出最大数量，则继续执行后续筛选；反之，直接输出实体筛选结果。关系的筛选以知识图谱中既有的语义关系为依据，对任意两个筛选后的实体执行Cypher语义查询，若能获取其原本存在的关系，则保留至关系筛选的结果中。筛选模型在不同空间尺度下对可显示的实体数量进行设定，筛选出当前尺度下更符合用户需求的实体与关系，作为适于展示的核心知识内容。
2）空间化表达
筛选模型输出的实体与关系用于构建子图谱，结合Web地图在网页端进行空间可视化。使用传统的基于力导向布局的节点–链接图方法（Jacomy等，2014），进行可视化。采用前端可视化工具D3.js来实现。
（1）创建一个用于绘制节点和边的SVG，筛选后的实体为节点，关系为连接节点的边。为节点和边赋予模拟力，包括作用于节点的电荷力、碰撞力和径向力，以及作用于边的弹簧力，力模拟的详细设置如表 4所示。
（2）根据实体节点的空间位置信息，采用可视化工具OpenLayers将知识图谱和Web地图叠加。首先，建立一个用于承载Web地图的DIV，尺寸与SVG的一致；通过叠加操作将SVG置于Web地图上方；其次，利用OpenLayers的坐标转换方法，将具有空间位置信息的节点的经纬度坐标转换为屏幕坐标，实现了在Web地图对应地理位置上的固定，不再受模拟力的影响。
为验证方法可行性，将基于力导向布局的节点–链接图方法（Jacomy等，2014）与本方法进行了实验对比。在地图中心为34o18′N、117o18′E，地图缩放层级为8的情况下，展示经筛选模型得到的包括微博用户、微博文本和地点实体的688个实体，以及包括发布、定位和包含关系的827个关系。
4.1 知识图谱空间化可视效果分析
上述两种方法的可视化效果如图4所示。两种方法均能使节点和边指向地点实体节点聚集，吸引用户的视觉注意，达到一定的可视化效果。其中，图4（a）由于缺少现实地理空间背景，易引起节点空间邻近关系的误解；而利用地点实体节点的位置信息将其锚定在Web地图上，使得更贴近实际地理空间分布（图4（b））。因此，本方法为知识图谱可视化赋予了地理空间特征，视觉效果更加直观且真实。
4.2 知识图谱多尺度可视效果分析
由于基于力导向布局的节点–链接图方法未考虑多尺度空间化表达，知识图谱可视化时会存在视觉负担问题。因此，实验仅使用本方法分别在多个缩放层级下生成知识图谱可视化结果，分析可视化图形随空间尺度的变化情况。图5展示了地图缩放层级依次为9、8、7、6时的效果。在四种空间尺度下，节点和边的数量始终保持在合理范围内，避免了海量节点和边所导致的视觉拥挤。在有限空间内不仅展示了图谱主体，且确保了节点和边分布密度的合理性。另外，在空间尺度连续变化过程中，相邻两图之间的差异较小，节点和边的数量没有出现明显突变，过渡平滑。
图5（a）至（d）分别对应四种不同情况，即原始知识图谱分别经过空间约束、空间和时间约束、空间时间和属性权重约束，以及全部四种约束规则的筛选后，达到可显示的实体节点最大数量要求，直接输出筛选结果。这从侧面验证了筛选模型约束规则设计的合理性。除了体现实体节点数量上的变化之外，还能表达知识内容的重要程度的变化。随着缩放层级的减小和地理范围的扩大，原本聚焦于局部地区的节点逐渐减少，SVG内不断涌入新的、影响力更高的地点节点及属性权重更高的相关节点。同时，节点也会根据其Wprop被表达为不同大小的图形符号，使得更加直观、准确地了解不同节点的重要性差异，迅速定位并获取更具利用价值的语义信息。
4.3 知识图谱可视化效率分析
地图缩放层级依次为9、8、7、6，分别使用基于力导向布局的节点–链接图方法与本方法进行可视化时，二者加载图形所需耗时如表5所示。本方法加载知识图谱可视化图形的所需耗时表现均优。随着缩放层级减小，地理范围内实体与关系数量增多，基于力导向布局的节点–链接图方法由于未能结合知识特征进行筛选，图形加载耗时骤增，出现卡顿现象；而本方法在四种约束规则的模型筛选下，耗时增加相对较少，说明图形加载效率更高。
为解决目前知识图谱可视化未顾及空间信息表达与多尺度表达的问题，本文提出了顾及空间尺度变换的领域知识图谱可视化方法。利用实体空间位置信息，将知识图谱与Web地图叠加，实现了知识图谱的空间化表达；同时，设计了包含空间、时间、属性权重和主题分类四种约束规则的筛选模型，在不同空间尺度下筛选适于展示的实体和关系，实现了知识图谱的多尺度表达；并以台风舆情领域的知识图谱为例，进行了建模与分析。主要结论如下：（1）实现了知识图谱的空间可视化，反映了知识内容在现实地理空间中的分布情况，便于目标实体或关系的迅速定位；（2）在空间尺度连续变换的情况下，能够生成平滑过渡的知识图谱可视化结果。不仅保留了图谱的核心知识内容，而且避免了节点拥挤和显示卡顿等问题，减轻了视觉负担。研究成果适用于具有空间、时间和属性特征的领域知识图谱可视化，对于知识图谱与地理信息的有机结合、地理空间数据可视化的发展等方面具有重要参考价值。尽管取得了一定的进步，但仍存在改进之处，如针对本体模型复杂的知识图谱的可视化效果验证，以及约束规则需结合领域知识进行补充设计等问题。同时，还可考虑专题地图和知识图谱两种模式的结合，为地理空间知识可视化提供更多维度的解释。
葛娟, 张继贤, 韩文立, 卢遥, 沈晶, 章力博, 宋红霞. 2022. 自然资源调查监测成果质量检验知识图谱本体设计探讨. 地理信息世界, 29(5): 39-42[Ge J, Zhang J X, Han W L, Lu Y, Shen J, Zhang L B, Song H X. 2022. Research on the ontology design of natural resources surveying and monitoring products quality inspection knowledge graph. Geomatics World, 29(5): 39-42 (in Chinese)]何宗宜, 苗静, 彭将, 胡雪芸. 2015. 结合微博数据挖掘的时空特征分析. 测绘通报, (10): 60-64[He Z Y, Miao J, Peng J, Hu X Y. 2015. Spatial and temporal character analysis based on data mining of microblog. Bulletin of Surveying and Mapping, (10): 60-64 (in Chinese)]李少杰, 罗强, 孙亚松. 2021. 基于时空知识图谱的空间分析方法研究. 地理信息世界, 28(6): 72-78[Li S J, Luo Q, Sun Y S. 2021. A spatial analysis method based on spatiotemporal knowledge graph. Geomatics World, 28(6): 72-78 (in Chinese)]刘佳丽. 2022. 面向交互式定制的知识图谱可视化技术. 硕士学位论文. 哈尔滨: 哈尔滨工业大学[Liu J L. 2022. Knowledge graph visualization technology for interactive custom. Master Dissertation. Harbin: Harbin Institute of Technology (in Chinese)]刘峤, 李杨, 段宏, 刘瑶, 秦志光. 2016. 知识图谱构建技术综述. 计算机研究与发展, 53(3): 582-600[Liu Q, Li Y, Duan H, Liu Y, Qin Z G. 2016. Knowledge graph construction techniques. Journal of Computer Research and Development, 53(3): 582-600 (in Chinese)]尚宇真, 李志涛, 赵冠伟, 卫秋阳, 陈川. 2023. 基于知识图谱分析的人口数据空间化研究进展. 时空信息学报, 30(2): 218-227[Shang Y Z, Li Z T, Zhao G W, Wei Q Y, Chen C. 2023. Advancements in spatial analysis of population data based on knowledge graphs. Journal of Spatio-temporal Information, 30(2): 218-227 (in Chinese)]王鑫, 傅强, 王林, 徐大为, 王昊奋. 2020. 知识图谱可视化查询技术综述. 计算机工程, 46(6): 1-11[Wang X, Fu Q, Wang L, Xu D W, Wang H F. 2020. Survey on visualization query technology of knowledge graph. Computer Engineering, 46(6): 1-11 (in Chinese)]王勇超, 罗胜文, 杨英宝, 张宏鑫. 2019. 知识图谱可视化综述. 计算机辅助设计与图形学学报, 31 (10): 1666-1676[Wang Y C, Luo S W, Yang Y B, Zhang H X. 2019. A survey on knowledge graph visualization. Journal of Computer-Aided Design & Computer Graphics, 31(10): 1666-1676 (in Chinese)]武芳, 巩现勇, 杜佳威. 2017. 地图制图综合回顾与前望. 测绘学报, 46(10): 1645-1664[Wu F, Gong X Y, Du J W. 2017. Overview of the research progress in automated map generalization. Acta Geodaetica et Cartographica Sinica, 46(10): 1645-1664 (in Chinese)]解蓝莹. 2022. 基于力导向算法的知识图谱可视化技术研究与实现. 硕士学位论文. 镇江: 江苏大学[Xie L Y. 2022. Research and implementation of knowledge graph visualization technologybased on force-directed algorithm. Master Dissertation. Zhenjiang: Jiangsu University (in Chinese)]张野, 王松, 吴亚东. 2019. FMR：基于FR的快速多层次算法. 图学学报, 40(1): 78-86[Zhang Y, Wang S, Wu Y D. 2019. FMR: A fast multilevel algorithm based on FR. Journal of Graphics, 40(1): 78-86 (in Chinese)]Ahmed R, Luca F D, Devkota S, Kobourov S, Li M W. 2020. Graph drawing via gradient descent // Proceedings of the 28th International Symposium on Graph Drawing and Network Visualization, 3:17Ahmed R, Luca F D, Devkota S, Kobourov S, Li M W. 2022. Multicriteria scalable graph drawing via stochastic gradient descent, (SGD)2. IEEE Transactions on Visualization and Computer Graphics, 28(6): 2388-2399Blei D M, Ng A Y, Jordan M I. 2003. Latent Dirichlet allocation. The Journal of Machine Learning Research, 3 (1): 993-1022Dudá? M, Lohmann S, Svátek V, Pavlov D. 2018. Ontology visualization methods and tools: A survey of the state of the art. The Knowledge Engineering Review, 33(e10): 1-39Ghosh D, Rajabi E. 2022. KG-Visual: A tool for visualizing RDF knowledge graphs. In: Garoufallou E, Ovalle-Perandones M A, Vlachidis A, eds. Communications in Computer and Information Science. Cham: Springer International Publishing.126-136Henry N, Fekete J D, McGuffin M J. 2007. NodeTrix: A hybrid visualization of social networks. IEEE Transactions on Visualization and Computer Graphics, 13(6): 1302-1309Holten D, van Wijk J J. 2009. A user study on visualizing directed edges in graphs//Proceedings of the SIGCHI Conference on Human Factors in Computing Systems. Boston, USAHsuan Yuan C W, Yu T W, Pan J Y, Lin W C. 2024. KGScope: Interactive visual exploration of knowledge graphs with embedding-based guidance. IEEE Transactions on Visualization and Computer Graphics, 30(12): 7702-7716Hu Y F. 2006. Efficient, high-quality force-directed graph drawing. The Mathematica Journal, 10(1): 37-71Jacomy M, Venturini T, Heymann S, Bastian M. 2014. ForceAtlas2, a continuous graph layout algorithm for handy network visualization designed for the Gephi software. PLoS One, 9(6): e98679Ji S X, Pan S R, Cambria E, Marttinen P, Yu P S. 2022. A survey on knowledge graphs: Representation, acquisition, and applications. IEEE Transactions on Neural Networks and Learning Systems, 33(2): 494-514Lipp F, Wolff A, Zink J. 2016. Faster force-directed graph drawing with the well-separated pair decomposition. Algorithms, 9(3): 53Noy N L. 2001. Ontology development 101: A guide to creating your first ontology. Knowledge Systems Laboratory, 32: 1-25Swartout B, Patil R, Knight K, Russ T. 1996. Toward distributed use of large-scale ontologies // Proceedings of the 1996 Banff Knowledge Acquisition Workshop, 138:148Xu D W, Wang L, Wang X, Li D Q, Duan J P, Jia Y Z. 2019. KG3D: An interactive 3D visualization tool for knowledge graphs. Lecture Notes in Computer Science. Cham: Springer International Publishing. 886-889
点我访问原文链接
