在构建知识图时，第一步（如果我理解正确）是收集结构化数据，主要是使用某些本体编写的RDF三元组，例如Schema.org。 现在，收集这些RDF三元组的最佳方法是什么？
似乎我们可以做的两件事。
使用抓取工具抓取网页内容，对于特定网页，请在此页面上搜索RDF三元组。如果我们找到它们，请收集它们。如果没有，请转到下一页。
对于当前页面，使用一些NLP工具来理解页面内容（例如使用NELL，请参阅http://rtw.ml.cmu.edu/rtw/），而不是查找现有的RDF三元组。
现在，我的理解（基本/几乎）是正确的吗？如果是这样，我们为什么要使用NLP？为什么不依靠现有的RDF三元组呢？看起来像NLP并不像我们希望的那样好/可靠......我可能完全错了。
让我们说我们想要使用@AKSW提到的第三种方法创建RDF三元组，即从一些网页（文本）中提取RDF三元组。
For example, this page。如果你打开它并使用＆＃34;查看源代码＆＃34;，那么你可以看到很多语义标记（使用OGP和Schema.org）。所以我的抓取工具可以简单地执行此操作：只抓取/解析这些标记，并轻松将这些标记更改为RDF三元组，然后声明成功，转到下一页。
因此，爬虫在此文本页面上所做的非常简单：只收集语义标记并从这些标记创建RDF三元组。它简单而有效。
另一种选择是使用NLP工具从同一文本中自动提取结构化语义数据（可能我们对现有标记不满意）。一旦我们提取结构化信息，我们就会从中创建RDF三元组。这显然是一件非常难的事情，我们也不确定它的准确性（？）。
这里的最佳做法是什么，这里的优缺点是什么？我更喜欢简单/简单的方式 - 只需收集现有的标记并将其更改为RDF内容，而不是使用NLP工具。
我不确定有多少人同意这个？这是最好的做法吗？或者，这只是我们的要求在多大程度上引领我们的问题？
答案 0 :(得分：1)
您的问题不明确，因为您没有说明您的数据来源，并且此页面上的所有答案都认为它是网络标记。这不一定是这种情况，因为如果您对根据最佳实践（称为关联数据）发布的结构化数据感兴趣，您可以使用所谓的SPARQL端点来查询链接开放数据（LOD）数据集并通过联合生成您的知识图查询。如果要从网站标记中收集结构化数据，则必须解析标记以查找和检索用RDFa，HTML5微数据或JSON-LD编写的轻量级注释。这些注释的可用性可能在很大一部分网站上受到限制，但对于以RDF表示的结构化数据，您根本不应使用NLP，因为RDF语句是机器可解释的，并且比非结构化数据（如文本网站内容）更易于处理。创建你提到的三元组的最好方法取决于你想要达到的目的。