读完可以回答以下问题：
1.概念图谱构建的要素是什么？如何构建优质的概念图谱？
2.概念图谱中isA关系的抽取方法有哪些？实际应用较多的方法有哪些？实际应用时抽取过程是怎样的？
3.中文概念图谱的构建过程是怎样的？典型的中文概念图谱实例介绍
1.概念图谱构建的要素是什么？如何构建优质的概念图谱？
知识图谱的规模和质量是构建知识图谱的重要因素。概念图谱作为一种重要的知识图谱也是如此。
如何构建大规模且高质量的概念图谱呢？
从大规模的文本中自动抽取isA关系，进而构建大规模概念图谱。如何提高质量是大规模概念图谱的核心问题，目前无法给出一个统一的答案。
2. 概念图谱中isA关系的抽取方法有哪些？实际应用较多的方法有哪些？实际应用时抽取过程是怎样的？
1）isA关系抽取的方法
2）实际应用较多的方法为
基于模式的方法和基于在线百科的方法
3）基于在线百科的方法抽取过程
基于在线百科的方法抽取准确率较高，但是在线百科的标签规模有限很难形成大规模的概念图谱。
以YAGO为例基于模式方法构建概念图谱：
第一步：概念标签识别
数据源是维基百科数据，其中标签分为：概念型标签、主题型标签、属性型标签以及管理型标签
概念型标签：描述实体所属的类型（多用，核心标签） 例如：American male film actors 主题型标签：描述实体所述的主题（多用） 例如：Chemistry 属性型标签：描述实体的相关属性（少用） 例如：1979 births 管理型标签：用于管理维基百科词条（少用） 例如：Articles with unsourced statements
识别方法：浅层语言分析
标签短语的核心词
复数被识别为概念标签例如：American male filmactors
单数被识别为主题标签 例如：Chemistry
属性型标签和管理型标签识别使用：人工或基于规则的方式
第二步：概念层级体系构建
4）基于模式的方法抽取过程
最常见的isA关系的语法模式是Hearst模式。
缺陷：
1.模式前后的噪声词会导致抽取错误。 例如：animals other than dogs such as cats => cats is dogs
2.分词错误会导致错误。 例如：algorithms including SVM,LR and RF =》LR and RF是一个实体还是两个实体
缺陷解决：
基于统计频次，信任高频次模式的方式提高准确率和召回率
3.中文概念图谱的构建过程是怎样的？典型的中文概念图谱实例介绍
典型的中文概念图谱实例：大词林和CN-Probase
1）大词林
方法：抽取+排序
步骤：1）基于“搜索引擎搜索实体、从搜索结果、在线百科类别标记以及实体核心库”获得输入实体的上位词，从而得到候选上位词 =》提高覆盖率，提高召回率
2）基于上位词排序模块使用启发式规则对候选上位词进行排序=》提高准确率
3）从而得到实体的最终上位词
2）CN-Probase
方法：生成+验证
步骤：1）生成模块：从中文在线百科的多个数据源获取上下位关系。方法：短语分割获得上位词，深度生成使用编码器和解码器模型，谓词（职业，公司性质等）发现，使用标签进行直接抽取=》提高覆盖率
2）验证模块：基于启发式规则发现错误isA关系。方法：互斥概念的验证、命名实体识别（上位词不可能是命名实体）的验证和基于语法规则的验证（人工定义一些规则）=》提高准确率
