在知识图谱学习中，除了理解基本概念、表示方法和构建流程，还需要认识一些具有代表性的公开知识资源。DBpedia、YAGO、Freebase 常被并列讨论，不只是因为它们影响广泛，更因为它们分别体现了三种重要的知识组织路线：结构化抽取、语义整合、协同汇聚。理解这三个数据集，实际上也是在理解知识图谱发展的不同路径。

一、为什么要了解知识图谱数据集

知识图谱并不是凭空构建出来的。无论是教学示例、实验验证，还是实际应用开发，都常常需要已有的数据资源作为基础。

公开知识图谱数据集的价值主要体现在以下几个方面：

• 提供现成的实体、关系、类别和属性资源

• 帮助理解真实知识图谱的规模、结构和组织方式

• 为知识抽取、知识融合、图谱查询、问答和推理等任务提供基础数据

因此，学习知识图谱时，了解典型数据集本身就是重要内容。它有助于把抽象概念落实到真实资源之上，也有助于理解不同知识图谱为何会采取不同的构建方式。

二、DBpedia：从 Wikipedia 中抽取结构化知识

DBpedia 是知识图谱发展中最经典的公开资源之一。它的核心思想，是从 Wikipedia 中抽取结构化内容，并将这些内容以 RDF 形式发布出来，使其能够被查询、链接和复用。

DBpedia 的主要特点可以概括为：

（1）以 Wikipedia 为主要基础来源，重点利用信息框、分类信息、跨语言链接以及部分结构化元数据；

（2）采用 RDF 作为核心表示形式，因此天然适合放在语义网和开放链接数据的语境中理解；

（3）支持 SPARQL 查询，这使它不仅是一个可下载的数据集，也是一种可访问、可检索的知识资源；

（4）同时，它还强调与其他开放数据资源建立链接，因此在知识共享和互联方面具有代表性。

可以把 DBpedia 概括为：以 Wikipedia 为基础、以 RDF 为表示形式、强调开放链接与知识复用的通用知识图谱资源。

DBpedia 官网：

https://www.dbpedia.org/

DBpedia SPARQL 查询入口：

https://www.dbpedia.org/resources/sparql/

从学习角度看，DBpedia 的意义在于，它非常适合作为入门案例。

通过它，学习者可以直观理解：百科页面中的半结构化内容，如何一步步转化为知识图谱中的实体、属性和关系。也正因为如此，DBpedia 往往是知识图谱公开资源学习中的第一个典型样本。

三、YAGO：强调高精度与语义一致性

YAGO 的全称是 Yet Another Great Ontology。与 DBpedia 相比，YAGO 更强调知识的语义层次、一致性控制和高精度组织，因此常被视为“高质量语义整合路线”的代表。

理解 YAGO 时，有一个重要前提：它并不是一个始终不变的单一版本，而是一条持续演化的知识库路线。

早期和经典版本中，YAGO 常被描述为结合 Wikipedia、WordNet、GeoNames 等资源来构建知识库。

其中，Wikipedia 提供事实来源，WordNet 提供类别体系和语义层次，GeoNames 提供地理实体支持。

随着版本发展，YAGO 又进一步吸收了新的大型知识源和语义框架，因此今天介绍 YAGO，不能只停留在早期版本的资源组合上，更应看到它持续演化的一面。

YAGO 的核心特点主要体现在以下方面：

（1）长期强调知识质量和高精度；

（2）重视类别层次、类型约束和语义一致性；

（3）它并不是简单堆积事实，而是努力让事实处在更清晰、更稳定的语义结构之中；

（4）同时，它还体现出较强的跨资源整合特征。

因此，可以把 YAGO 概括为：以高质量语义组织为核心目标、强调一致性和精度控制的通用知识图谱。

YAGO 官网：

https://yago-knowledge.org/

从学习角度看，YAGO 的意义在于，它提醒我们：知识图谱不仅要“大”，还要“清楚、准确、结构一致”。

如果说 DBpedia 更容易让人看到“如何抽取知识”，那么 YAGO 更容易让人理解“如何组织高质量知识”。

四、Freebase：社区协同与大规模知识汇聚

Freebase 的路线与前两者有所不同。Freebase 更强调社区协同、多源数据导入和大规模知识汇聚，因此在知识图谱发展史上具有特殊地位。虽然它今天已不再作为持续运行的在线平台存在，但仍是极具代表性的历史性通用知识库。

Freebase 最重要的特点，在于它把“结构化知识编辑”本身开放出来。

常见的理解方式是：在 Wikipedia 中，人们主要编辑文章；而在 Freebase 中，人们尝试直接编辑结构化知识。

这样一来，知识库的扩展就不再只依赖自动抽取，而是同时依赖社区协作、公共数据导入和持续整理。

也正因如此，Freebase 展示了另一条非常典型的路线：知识图谱不仅可以由系统自动抽取生成，也可以通过协作编辑逐步发展为大型知识系统。

因此，可以把 Freebase 概括为：以社区协同和多源知识汇聚为核心的大规模通用知识库。

Freebase 官方历史数据页面（Google Developers）：

https://developers.google.com/freebase

从学习角度看，Freebase 的意义并不只在于它曾经规模很大，更在于它展示了知识图谱建设中的“协同构建”思路。虽然它今天更多作为历史性经典资源被讨论，但它对后来的知识库建设、实体对齐和知识迁移研究都产生了重要影响。

五、DBpedia、YAGO、Freebase 的主要区别

这三者都属于通用知识图谱或通用知识库资源，但它们的侧重点并不相同。

DBpedia 更强调从 Wikipedia 中抽取结构化知识，并通过 RDF 与开放链接数据方式发布这些知识。它所代表的是“结构化抽取与开放链接”的路线。

YAGO 更强调知识的语义质量、类别层次、一致性控制和高精度组织。它所代表的是“语义整合与质量控制”的路线。

Freebase 更强调社区协同、多源导入和大规模知识汇聚。它所代表的是“协同构建与知识汇聚”的路线。

如果用更简洁的话概括：

• DBpedia：偏重抽取与开放链接

• YAGO：偏重精度与语义一致性

• Freebase：偏重社区协同与大规模汇聚

需要注意的是，这三条路线并不是彼此排斥的，而是知识图谱发展中三个非常重要的不同侧重点。

六、学习这些数据集时最重要的认识

学习 DBpedia、YAGO、Freebase，不必把重点放在死记规模数字上。规模会随着版本和统计口径变化，而真正重要的是理解它们各自代表的构建思想。

首先，它们都不是简单堆积事实的“大表格”，而是面向通用知识组织的大规模知识资源。

其次，它们分别体现了不同的构建路线：DBpedia 体现结构化抽取路线，YAGO 体现语义整合与质量控制路线，Freebase 体现协同构建与知识汇聚路线。

最后，这些数据集不仅具有历史意义，也具有方法意义，它们仍然是理解知识抽取、知识融合、实体对齐、图谱查询和知识问答等任务的重要参照。

也就是说，学习这些数据集，最重要的不是记住所有细节，而是看清它们分别回答了什么问题、采用了什么方式、在知识图谱发展中处于什么位置。

📘 小结

DBpedia、YAGO、Freebase 是知识图谱学习中最具代表性的三类通用知识资源。DBpedia 强调从 Wikipedia 抽取结构化知识并进行开放链接，YAGO 强调高精度与语义一致性，Freebase 强调社区协同与大规模知识汇聚。理解它们的关键，不是记住所有规模数字，而是看清它们各自代表的构建思路，以及它们在知识图谱发展中的不同位置。

“点赞有美意，赞赏是鼓励”