对DBpedia各子数据集特点分析

• 2020 年 2 月 18 日
• 筆記

对DBpedia各子数据集特点分析

数据地址见DBPedia官网。

Mainly From DataSet 3.0 ，一般同样的数据集，版本越新，size越大。

article_categories 2.0GB 关系只有一种类型，二分图，主语和谓语没有交集，形如：

主 谓 宾

Image 1.3GB ，每5行描述一个Image，为一个单元，单元与单元之间没有关联，sample如下：

<<images_1.3G_sample_and_Chinese_description.nt>>

Links to Wikipedia Article ( preview ) 300M

单一谓语，主语和宾语间没有交集。

Labels 1.0G ，PageId 1.6G, Revision 1.7G, short_abstract 10+G 形如：

主1 – 谓 – 属性1

主2 – 谓 – 属性2

….

只有一种谓语。

以下数据集同样猜测为单一谓语：

Titles ( preview )

From <https://wiki.dbpedia.org/data-set-30>

Extended Abstracts ( preview )

From <https://wiki.dbpedia.org/data-set-30>

External Links ( preview )

From <https://wiki.dbpedia.org/data-set-30>

Homepages ( preview )

From <https://wiki.dbpedia.org/data-set-30>

Infoboxproperties

每两行为一个单元，单元与单元之间没有连接。

Geographic Coordinates ( preview )

主语宾语没有交集

From <https://wiki.dbpedia.org/data-set-30>

Properties 8.4M

specific_mappingbased_properties 82M

谓语有多种。

宾语全部都是属性，形如"777000.0"^^<http://dbpedia.org/datatype/kilogram>

Pagelinks

3.3GB 每三行描述一个Page为一个单元，单元与单元之间没有关联，sample如下：

<<wikipedia_links_en_sample_and_chineseDescription.nt>>

Persondata

7M 每三行描述一个Person，为一个单元，单元与单元之间没有关联。

Cleanded Wikipedia Category Class (CWCC) Hierarchy ( preview ) (experimental/buggy)

From <https://wiki.dbpedia.org/data-set-30> 主语和谓语间没有交集

CWCC Hierarchy Instances ( preview ) 150M

From <https://wiki.dbpedia.org/data-set-30>

主语和谓语间没有交集。 主语和宾语间没有交集。 谓语有三种。 CSV文件。 不是以Url形式存在。