从已有的实体及实体关系中挖掘新的知识，包括内容挖掘和结构挖掘
1. 内容挖掘：实体链接
文本中的实体--链向--知识库中目标实体，建立文本与知识库的联系
流程：
（1）实体指称识别
通用命名实体识别技术
词典匹配技术
（2）候选实体生成
表层名字扩展：实体是缩略词或者全称的一部分
搜索引擎：将实体提及和上下文文字提交到搜索引擎，根据返回结果生成候选实体
构建查询实体引用表
（3）候选实体消歧
基于图的方法：将实体指称，实体以及他们之间的关系通过图的形式表示出来，然后对关系进行协同推理
基于概率生成模型：对实体提及和实体的联合概率进行建模
基于主题模型建模：实体在文本中的相容度，实体与话题的一致性进行联合建模
基于深度学习：特征向量（实体E/拥有的关系R/实体类型ET/实体描述D）--词散列降维--多层非线性映射--语义层--语义相关度
2. 规则挖掘
（1）归纳逻辑程序设计 ILP（Inductive logic programming）
（2）路径排序算法 PRA （Path ranking algorithm）
两个实体的一组关系路径--预测--实体可能存在的关系
步骤：
1. 特征选择：选择对预测目标潜在有用的关系路径，计算随机游走的准确度和覆盖度
2. 特征计算：对于实体对（h,t）和某一特征路径（r）,计算从沿路径r到达t的概率
3. 关系分类：为每一个目标关系训练一个分类模型
来源：https://www.cnblogs.com/hapyygril/p/11958773.html