CYC

Cyc是一个知识库系统，由Douglas Lenat于1984年开始创建。其最初目标是建立人类最大的常识知识库，其中包含了典型的常识知识，例如“每棵树都是一种植物”和“植物最终会死亡”等。Cyc知识库主要由术语（Terms）和断言（Assertions）两部分组成。其中，术语包含了概念、关系和实体的定义，而断言用来建立术语之间的关系，其中既包括了描述事实的断言，也包含了规则的描述。目前，Cyc知识库已经包含了50万条术语和700万条断言。Cyc的主要特点是基于形式化的知识表示方法来刻画知识，这种方法可以支持复杂的推理。然而，过于形式化也导致了知识库的扩展性和应用的灵活性不够。为了解决这个问题，Cyc提供了开放版本OpenCyc。

WordNet

WordNet是一种著名的词典知识库，用于解决自然语言处理中的词义消歧问题。它由普林斯顿大学认知科学实验室从1985年开始开发。主要定义了名词、动词、形容词和副词之间的语义关系。例如名词之间的上下位关系（如：“猫科动物”是“猫”的上位词），动词之间的蕴含关系（如：“打鼾”蕴含着“睡眠”）等。最新的WordNet 3.0已经包含超过15万个词和20万个语义关系。

ConceptNet

ConceptNet是一个常识知识库，最初来自于MIT媒体实验室的Open Mind Common Sense (OMCS)项目，该项目由人工智能专家Marvin Minsky于1999年提议创建。该知识库主要是通过三种方法构建的：互联网众包、专家创建和游戏。最新版本的ConceptNet5包含了2800万个三元组描述的关系型知识。与Cyc不同的是，ConceptNet采用非形式化、更接近自然语言的描述，而不是像Cyc那样采用形式化的谓词逻辑。相对于链接数据和谷歌知识图谱，ConceptNet更侧重于词与词之间的关系，并且包含的关系类型比WordNet更多。此外，ConceptNet是完全免费开放的，支持多种语言。

谷歌知识图谱

谷歌的知识图谱（Google Knowledge Graph）是一项旨在改善搜索结果质量的项目，它旨在将用户查询与相关实体联系起来，并通过提供更丰富的信息来增强搜索结果的可读性。知识图谱可以回答用户的问题，提供相关事实，以及在搜索结果页面上显示更丰富的信息。

知识图谱是一个庞大的知识库，其中包含超过7亿个实体（人物，地点，组织，事件，概念等）和数十亿个关系（例如父子关系，所属关系，位置关系等）。知识图谱从各种来源汇集了这些信息，包括维基百科、Freebase、Google本身的搜索记录和其他可靠的来源。

通过将实体与关系连接在一起，知识图谱可以为用户提供更深入的信息和上下文，帮助他们更好地理解他们正在搜索的内容。例如，如果用户搜索“梵高”，知识图谱会显示他的简介，以及他的作品、出生地、出生日期等相关信息。这些信息可以直接在搜索结果页面上显示，无需用户访问其他网站。

知识图谱还可以通过实体关系图（Entity Graph）的形式展示实体之间的关系，这对于理解一些复杂的概念和主题非常有用。

谷歌的知识图谱旨在使搜索更加人性化和智能化，并提供更丰富、更有用的信息，以便用户能够更快速地找到他们所需要的内容。

Freebase

Freebase是一个由Google创建的免费开放的知识图谱，它包含了数百万个实体、关系和属性，以结构化的方式组织和存储了各种类型的信息，包括人物、地点、电影、书籍、音乐和自然现象等等。

Freebase的目标是将世界上的信息组织成一个公共的知识库，为人们提供一个更好的方式来搜索和理解世界上的事物。它的数据是以RDF（Resource Description Framework）格式存储，可以通过SPARQL查询语言来查询和访问。

在2014年，Google将Freebase的数据转移到了Wikidata，宣布停止维护Freebase。不过，Freebase的数据仍然可以在Wikidata上找到，可以通过API等方式进行访问和查询。

通过开源免费吸引⽤户贡献数据，增值的应⽤及技术服务收费。

PKUBASE

PKUBASE是一个由北京大学创建的知识图谱，旨在将各种类型的知识组织成结构化的形式，以便于人们对信息的理解和使用。该知识图谱包含了大量的实体、属性和关系，涵盖了多个领域，如文化、历史、地理、医学、化学等等。

PKUBASE的数据以OWL和RDF格式存储，可以通过SPARQL查询语言进行访问和查询。它还提供了一些自然语言处理的功能，例如实体识别和关系抽取，以帮助用户更轻松地利用知识图谱中的信息。

PKUBASE是一个免费开放的项目，旨在促进知识共享和学术研究。它已被广泛应用于自然语言处理、信息检索、数据挖掘等领域，并得到了学术界和工业界的认可。

Linking Open Data

“Linking Open Data”（LOD）是一项旨在推广“开放数据链接”的倡议，由W3C负责组织和推广。该计划旨在将来自不同领域、不同机构和不同国家的开放数据链接起来，形成一个互联的知识图谱。这些数据包括各种类型的信息，如人物、地点、组织、书籍、音乐、科技和历史事件等等。

LOD的核心思想是将不同数据源中的信息进行链接，以形成一个更大、更丰富和更有用的数据集。这样一来，用户就可以通过一个链接来访问多个数据源，获取更全面和准确的信息。这种链接是通过使用共同的URI（统一资源标识符）和RDF格式实现的，从而使不同数据源之间的链接更加方便和容易。

LOD计划得到了广泛的支持和参与，包括政府机构、学术界、企业和非营利组织等。通过LOD，人们可以更好地理解和利用不同领域的信息，促进知识的共享和创新。

schema.org

schema.org是一个由Google、Bing、Yahoo!、Yandex等搜索引擎公司发起的合作项目，旨在提供一套标准的、易于理解和实现的网页标记语言，以便搜索引擎更好地理解和展示网页内容。

schema.org基于RDFa和Microdata等技术，提供了一系列标记类型，用于描述各种类型的实体、属性和关系，如人物、组织、地点、事件、产品、评论等等。这些标记可以帮助搜索引擎更好地理解网页内容，提高搜索结果的质量和相关性。

schema.org的标记类型可以嵌入到HTML文档中，以提供更多的语义信息。它也可以与其他语义技术（如RDF、OWL、SKOS等）结合使用，以实现更复杂的语义表示和推理。

schema.org得到了广泛的支持和应用，许多网站和应用程序都使用了它提供的标记，以提高搜索引擎的可见性和用户的搜索体验。

NELL

NELL（Never-Ending Language Learning）是由Carnegie Mellon大学开发的一种自动化的机器学习系统，旨在从互联网上不断学习自然语言知识。

NELL的学习过程基于三个关键步骤：抽取、学习和推理。在抽取阶段，NELL从互联网上自动收集大量的文本数据，并通过自然语言处理技术提取出结构化的语言知识。在学习阶段，NELL使用机器学习算法对这些知识进行学习，以识别出正例和负例之间的模式和关系。在推理阶段，NELL使用这些学习到的知识进行推理，以回答用户提出的自然语言问题。

NELL的目标是实现“无止境”的语言学习，即从互联网上不断学习新的语言知识，并将这些知识整合到一个持续增长的知识库中。通过这种方式，NELL可以不断提高自己的准确性和完备性，成为一个更加智能和全面的自然语言理解系统。

NELL在自然语言处理和人工智能领域具有重要意义，它为实现人工智能的“通用智能”提供了一种新的思路和方法。

DBpedia

DBpedia是一个从维基百科等维基媒体项目中自动抽取出结构化的数据并构建一个大规模知识图谱的项目。它是一个开放的、联合的数据集，包含了从维基百科中抽取出的关于各种实体、概念、事件和属性的信息，如人物、地点、组织、艺术品、科技产品、历史事件、音乐作品等等。

DBpedia的数据以RDF格式表示，并链接到其他知识图谱和数据集，如Freebase、Geonames、DBLP等。这些链接使得DBpedia能够与其他知识库进行互操作，并支持各种应用，如数据挖掘、智能推荐、自然语言处理等。

DBpedia的数据是由一个自动化的过程从维基百科等维基媒体项目中抽取而来。这个过程涵盖了词义消歧、实体链接、属性抽取等技术。通过这种方式，DBpedia已经成为一个非常大且丰富的知识库，包含了超过400万个实体、1亿多个关系和属性，涵盖了超过100个语言的维基百科内容。

DBpedia的数据集已经成为语义Web社区中的一个重要组成部分，被广泛应用于知识管理、信息检索、语义搜索、数据挖掘、智能推荐、自然语言处理等领域。

XLORE

XLORE是一个大规模跨语言知识图谱，由清华大学自然语言处理与社会人文计算实验室开发。该知识图谱包含了来自多个领域和多个语言的实体、概念、事件等知识，涵盖了科学、文化、历史、地理、商业等多个方面。

XLORE的数据以RDF格式表示，并遵循语义Web的规范。它由自动化的抽取和融合过程产生，从互联网上的多个来源（如维基百科、Freebase等）中获取结构化的知识，并利用自然语言处理和机器学习技术进行实体链接和关系抽取。

与其他知识图谱相比，XLORE的一个显著特点是它的跨语言性。该知识图谱涵盖了20多种语言，包括中文、英文、法语、西班牙语、德语、意大利语、日语、韩语等。这使得XLORE成为一个全球范围内的知识库，能够支持跨语言的知识管理和信息检索。

XLORE已经被广泛应用于自然语言处理、知识图谱构建、数据挖掘、智能推荐等领域，成为一个重要的研究资源和工具。

Wikidata

⽬标是构建全世界最⼤的免费知识库，采⽤CC0完全⾃由许可协议

Wikidata是一个由维基媒体基金会运营的免费知识图谱，目的是为维基百科及其它维基媒体项目提供一个可复用的结构化数据集。该知识图谱包含了各种实体、概念、事件和属性的信息，如人物、地点、组织、艺术品、科技产品、历史事件、音乐作品等等。

Wikidata的数据以RDF格式表示，并链接到其他知识图谱和数据集，如DBpedia、Freebase、Geonames等。这些链接使得Wikidata能够与其他知识库进行互操作，并支持各种应用，如数据挖掘、智能推荐、自然语言处理等。

与其他知识图谱相比，Wikidata的一个显著特点是它的众包和协同特性。任何人都可以参与编辑、添加和修订数据，这使得Wikidata成为一个全球范围内的、多语言的知识库。此外，Wikidata还提供了多种API和查询工具，使得用户可以方便地访问和利用其中的知识。

Wikidata已经成为语义Web社区中的一个重要组成部分，被广泛应用于知识管理、信息检索、语义搜索、数据挖掘、智能推荐、自然语言处理等领域。

web child

Web Child是一个欧洲联盟资助的研究项目，旨在构建一个面向儿童的智能Web搜索引擎。该项目的目标是帮助儿童安全、有效地利用Web资源，并促进他们的学习和发展。

Web Child项目通过结合多种自然语言处理技术和人机交互技术，开发了一个特定于儿童的Web搜索引擎，它可以根据用户的查询意图和年龄水平提供个性化的搜索结果。该搜索引擎还采用了一些过滤和安全机制，以确保儿童只能访问适合他们年龄和兴趣的内容。

除了搜索引擎，Web Child项目还包括了一些教育游戏和工具，帮助儿童学习网络素养和安全知识。该项目的成果已经得到了一些儿童教育机构和家长的认可和应用。

YAGO

YAGO是一个由德国马克斯·普朗克研究所计算机科学部门开发的语义知识库，使用开放网络和传统百科全书的内容构建了一个综合性的知识图谱。

YAGO使用一种叫做“语义抽取”的技术，从各种互联网资源中自动抽取出实体、关系和属性等信息，并将它们组成一个结构化的知识图谱。该知识库包含了约100万个实体和2亿多个关系，覆盖了广泛的领域，如人物、地点、组织、事件、科技产品、艺术品等等。

YAGO的特点之一是它支持多语言，并提供了英语、德语、法语、意大利语、西班牙语、葡萄牙语和中文等多种语言版本。此外，YAGO还提供了多种API和查询工具，使得用户可以方便地访问和利用其中的知识。

YAGO已经成为自然语言处理、语义Web、数据挖掘等领域中的一个重要资源，被广泛应用于知识管理、信息检索、智能推荐、文本分类、实体识别、关系抽取等任务。

BabelNet

BabelNet是一种多语言词典知识库，类似于WordNet。它的目标是解决WordNet在非英语语种中数据不足的问题。BabelNet的方法是将WordNet词典与Wikipedia百科全书进行集成。首先建立WordNet中的词汇与Wikipedia页面标题的映射，然后利用Wikipedia中的多语言链接，再辅以机器翻译技术，来增加WordNet的多种语言词汇。BabelNet 3.7包含271种语言，1400万同义词组，36.4万词语关系和3.8亿从Wikipedia中抽取的链接关系，总计超过19亿RDF三元组。BabelNet集成了WordNet在词汇关系上的优势和Wikipedia在多语言语料方面的优势，成功构建了目前最大规模的多语言词典知识库。

CN-DBpedia

CN-DBpedia是DBpedia项目的一个分支，是一个基于维基百科的中文知识图谱。它通过从中文维基百科中抽取信息，构建了一个包含约40万个实体和160万个关系的知识库，覆盖了广泛的领域，如人物、地点、组织、文化、历史、科技等等。

与英文版DBpedia类似，CN-DBpedia的知识库结构化程度很高，每个实体都与它的属性、类别和相关实体等信息相关联。此外，CN-DBpedia还支持多种语言，包括中文、英文、法文、德文等。

CN-DBpedia的应用领域很广，它可以用于自然语言处理、信息检索、知识管理、推荐系统等任务。与其他知识图谱相比，CN-DBpedia在中文信息处理领域的应用具有独特的优势。

ConceptGraph

ConceptGraph是一个以概念层次体系为中心的知识图谱，与类似Freebase的知识图谱不同，ConceptGraph主要关注于概念定义和概念之间的IsA关系。ConceptGraph可以通过输入一个概念，如“Microsoft”，返回与之相关的IsA关系的概念组，如“Company”、“Software Company”、“Largest OS Vender”等。这个过程被称为概念化"Conceptualization"。

ConceptGraph可以用于短文本理解和语义消歧。例如，对于一个短文本“the engineer is eating the apple”，可以利用ConceptGraph来正确理解“apple”的含义是“吃的苹果”还是“苹果公司”。第一个版本由微软发布，包含超过540万个概念，1255万个实体和8760万个关系。ConceptGraph主要通过从互联网和网络日志中挖掘构建。

WEBKB

WEBKB是一个早期的知识表示和知识获取系统，由美国科罗拉多大学的Peter D. Turney和Michael L. Littman开发。它基于语义网络模型，使用一种叫做“主题词”的方法来对知识进行表示和组织。

WEBKB支持多种知识获取方法，包括从网页中抽取出关键词和结构信息，自动生成基于词汇和概念的知识结构等。它还提供了一个简单的自然语言处理接口，可以将用户输入的自然语言转换为结构化的知识表示。

WEBKB的知识库结构化程度较高，每个主题词都与它的属性、关系和其他相关主题词等信息相关联。此外，WEBKB还支持多种查询和推理方法，如可满足性检验、词义相似度计算、关系抽取等。

尽管WEBKB已经停止维护和更新，但它的开发思想和技术仍然具有参考价值，对于知识表示和知识获取领域的研究具有一定的启发作用。

HERBNET

HERBNET是一个基于互联网的植物学知识库，收集了来自各种在线资源的植物学知识和图片。HERBNET的目标是帮助人们更好地理解植物学的概念和分类，并提供一个全面的植物学资源库。

HERBNET的知识库包含了数千种植物的信息，包括它们的分类、描述、形态、分布、生态等多方面的信息，以及与之相关的图片和视频。它还提供了多种搜索和查询工具，可以根据植物名称、属性、特征等条件来查找相关信息。

HERBNET的数据来源非常广泛，包括各种植物学相关网站、博客、论坛、图片库等。它还使用了自然语言处理和机器学习等技术来自动抽取和处理植物学信息，提高了数据的准确性和完整性。

HERBNET的应用领域包括教育、研究、农业、园艺等领域。它可以用于学习植物分类、研究植物形态学、识别植物种类、设计园林景观等任务。

LINKGEODATA

LINKGEODATA是一个基于开放数据的地理信息知识图谱，它以OpenStreetMap（开放街图）为基础，通过将OpenStreetMap中的地理数据转换为RDF格式，建立了一个结构化的地理信息知识库。

LINKGEODATA的知识库包含了大量地理信息，包括地点、地名、地物、行政区划等，涵盖了世界范围内的地理实体。它使用了多种本体论和语义技术来对地理信息进行建模和描述，并提供了一系列查询和分析工具，可以帮助用户更好地理解和利用地理信息。

LINKGEODATA的应用领域非常广泛，包括地理信息系统、自然灾害监测、城市规划、导航和交通管理等领域。它可以用于分析地理信息的分布和关联、优化地理信息的管理和使用、支持智能交通系统和导航应用等任务。

Link Life Data

Link Life Data是一个基于开放数据的生命科学知识图谱，它包含了生命科学领域的知识和数据，涵盖了生物学、医学、生物技术等多个方面。

Link Life Data的知识库包括了大量的生命科学实体和关系，如基因、蛋白质、代谢物、药物、疾病、生物通路等，它使用了多种本体论和语义技术来对这些实体和关系进行建模和描述。同时，它还整合了来自多个公共数据库的数据，如UniProt、KEGG、DrugBank等，为用户提供了丰富的数据资源。

Link Life Data的应用领域包括生物医学研究、药物研发、临床医学、基因组学等领域。它可以用于分析生物实体之间的关系和相互作用，帮助研究人员理解生命科学领域的基本知识和进展，为生命科学领域的研究和应用提供有力支持。