一階邏輯在知識圖譜的知識推演中作用，如何獲取一階邏輯? 華盛頓大學的Sherlock系統誰用過?

推理規則的獲取是個比較大的坑，咋整?

簡單的本體推理（DL-Lite）對於知識圖譜還是由於的，舉個例子，http://Zhishi.me中加入一些disjointness聲明後可以發現很多不一致，即某個entity同屬於兩個不相交的concept，見：

Yanfang Ma, Huan Gao, Tianxing Wu, Guilin Qi:
Learning Disjointness Axioms With Association Rule Mining and Its Application to Inconsistency Detection of Linked Data.CSWS 2014: 29-41

另外，關係的functionality聲明也可以用於檢測不一致。

通過subclass, domain, range，可以對知識圖譜做補全。用關聯規則挖掘就可以做出來了，見AMIE的工作。我們正在做這方面的研究，很快可以發布一個系統。

當然，要做到一般的規則的學習還是很難的。

推理規則一般都是人寫的。

之所以有知識圖譜，就是對推理的反動。在2001-2012年之間，語義網的研究特彆強調推理。但是推理的成本很高，所以在工業界的實踐中，逐漸就把推理廢棄了。

大部分的推理任務，是可以轉化為圖上的查詢的。所以在實操中，不必要引入一套複雜的推理機機制。推理機是很強大，但是大多數工程師掌握不了。所以SPARQL rules或者neo4j的查詢也就夠用了。

一階邏輯系統在實戰中也比較難以駕馭，通常會用描述邏輯或者邏輯編程logic programming。基於過程語義的規則系統比較實用，如 RIF PRD。

個人有同感.在開始學語義網的時候,它的推理功能的確驚艷.但其推理性能過慢和推理結果未必是匹配需求,的確給人的學習熱情澆了冷水.經過摸索,個人覺得語義網適合於知識圖譜的描述和管理,可以用上推理機對知識本身進行一定的完整性約束.至於知識的發揮作用,我期待是在專家系統和推薦系統上用到.在專家系統中可以用上一定的規則,為了性能更多的是模糊和近似上的處理.以上是純屬個人觀點,求大神斧正.

感謝鮑總和漆教授，鮑總的查詢即推理和漆教授的disjoint思想都是很實用的。查詢即推理，要滿足KG足夠OK，能cover所有要推理的連接點，且表達充分；disjoint還是好做一點。作為探尋讓KG可以掌握自然界一般規律還是有很多路要走。

前段時間也做過一些嘗試，包括PRA和Tensor network，感覺都不夠滿足自然界規律，都是從KG到KG，而KG的知識本身就不夠完善，退出來的結果只能實驗室用發發paper可以。embedding的方法也失去推理的本義，用向量空間表示來推理關係和實體，得到的結果局限性很大。

鮑總可能會遇到的例子：

知識：工行異地跨行轉賬收手續費5%

問題：從北京工行轉長沙招行，5000大概要多少手續費？

這個題查詢和disjoint，以及embeding等都沒法解釋，所以一階邏輯還是得有的，就看怎麼抽以及表達。

元關係是一個近乎哲學的概念

需要人為規定 通過結構化數據或者文本挖掘獲取

清洗也是難點