精华内容
下载资源
问答
  • 知识图谱产品及应用实例(展台V2.0)语义搜索 语义搜索利用知识图谱可以准确捕获用户搜索意图,解决传统搜索中关键词语义多样性及语义搜索难题,直接给出满足用户搜索意图的答案
  • 在金融、医疗、电商等很多垂直领域,知识图谱正在带来更好的领域知识、更低金融风险、更完美的购物体验。更多的,如教育科研行业、图书馆、证券业、生物医疗以及需要进行大数据分析的一些行业。笔者认为产业互联网...
       在金融、医疗、电商等很多垂直领域,知识图谱正在带来更好的领域知识、更低金融风险、更完美的购物体验。更多的,如教育科研行业、图书馆、证券业、生物医疗以及需要进行大数据分析的一些行业。笔者认为产业互联网领域,知识图谱更有发展的空间,因为无论是智慧产业、还是产业+互联网,需要更多的产业理论知识的结合。放到农业领域更是如此,当前数字农业的发展瓶颈在于新兴技术与农业理论知识结合广度不够、深度更是远远不够,全国建成的数字农业示范点,虽然有一些节点带来了收益,更多的是“盆景”,许多仅仅沦为参观展示的功能载体。基于知识图谱技术的大型农业知识数据库缺失,笔者想从知识谱图在日常生产管理中做些探索。本文就是基于知识谱图构建生猪饲养过程。
    

    -01- 获取种猪、仔猪、保育、育肥猪档案,并建立对应的节点;

    • 从企业生产管理软件中获取种猪档案信息数据,主要包括耳缺、耳牌、在场状态、胎次、品种品系、父系母系等信息。将csv格式数据放入neo4j安装文件的import文件夹中。
      在这里插入图片描述
    • 在neo4j中创建节点
    load csv from 'file:///xx猪场种猪档案信息表.csv' as line create (xwyswine:xwyswine{ID:line[1],px:line[10],taici:line[5],zhuantai:line[4],chenhuo:line[10]})
    

    在这里插入图片描述
    类似方式建立仔猪、保育猪、育肥猪批次信息节点。

    -02- 创建关系节点

    • 从企业生产管理系统中获取分娩表,并创建分娩数据库
      分娩数据主要包括种猪ID、仔猪批次、分娩头数、成活率等。将csv格式数据放入neo4j安装文件的import文件夹中。
      在这里插入图片描述
    • 在neo4j中创建关系节点
    load csv from 'file:///xx分娩统计报表.csv' as line create (nhfm:nhfm{ID:line[2],taici:line[4],bed:line[5],weights_total:line[13],num_total:line[10],num_save:line[11],weights_aver:line[12],pici_fm:line[9]})
    

    在这里插入图片描述
    类似方式建立仔猪、保育猪、育肥猪批次专栏信息节点。

    -03-依据分娩关系、批次间调动信息创建猪只饲养过程。

    • 分娩:种猪——>仔猪
    match(nhzz:nhzz),(nhswine:nhswine),(nhfm:nhfm) where nhzz.ID=nhfm.pici_fm and nhswine.ID=nhfm.ID create (nhswine)-[:nhtransfer]->(nhzz)
    
    • 猪只批次调动
    match(nhtransfer:nhtransfer),(from:nhzz{ID:nhtransfer.pici_out}),(to:nhby{ID:nhtransfer.pici_in})  create (nhzz)-[nhtransd:nhtransd{title:'transfer',num:nhtrans.num_trans}]->(nhby)
    

    最终获取的猪只饲养过程图谱如下:
    在这里插入图片描述

    • 从育肥追溯饲养过程
    return ()-->()-->()-->(:nhyf{ID:"育1-Y-202004-1-三元"})
    

    在这里插入图片描述

    • 查看母猪生产过程
    return (:nhswine{ID:"1734"})-[*..]->()
    

    在这里插入图片描述

    • 查询调动关系属性
    MATCH (:nhby{ID:"保1-B-202006-5-三元"})-[r:nhzztransfer]->() return r.transnum
    

    在这里插入图片描述

    展开全文
  • 知识图谱应用

    2018-01-27 19:52:20
    1. 知识图谱是一种语义网络,即一个具有图结构的知识库,这里图的节点可以是概念(比如说大学),可以是实例(比如说东南大学),可以是一个literal(比如说一个数字,一个日期,一个字符串),而图的边就是一个关系...

    本文作者为东南大学漆桂林老师,首发于知乎专栏知识图谱和智能问答



    前面一篇文章“知识图谱之语义网络篇”已经提到了知识图谱的发展历史,回顾一下有以下几点:

    1. 知识图谱是一种语义网络,即一个具有图结构的知识库,这里图的节点可以是概念(比如说大学),可以是实例(比如说东南大学),可以是一个literal(比如说一个数字,一个日期,一个字符串),而图的边就是一个关系(比如说漆桂林 就职于 东南大学,这里“就职于”就是一个关系)。

    2. 语义网络的表达能力还是很强的,即一阶谓词逻辑可以表达的知识都可以用语义网络来表达。

    3. 语义网络可以有逻辑推理能力,而推理可以通过规则来实现,也可以通过父子节点的继承实现。

    那么,知识图谱到底有些什么用呢?知识图谱比较适合需要建立数据关联和需要从非结构化数据中转化出结构化数据的场景。下面是几个应用场景(还会持续更新,也欢迎提意见)。


    一、语义搜索

    知识图谱这个概念是谷歌提出的,谷歌做知识图谱自然是跟搜索引擎相关,即提供语义搜索。这里语义搜索跟传统搜索引擎的区别在于搜索的结果不是展示网页,而是展示结构化知识,如下图(图1)所示:


    图1 语义搜索示例


    在图1中,当用户输入“jackie chan",搜索引擎可以识别出jackie chan其实就是成龙,而且,会给出成龙的各种属性信息,比如说出生日期、国籍、配偶等。这些都是以前基于关键词的检索做不到的,有了知识图谱以后,就可以即问即答了。点击成龙的配偶“林凤娇”,可以直接进入她的知识卡片,见图2:

    图2  语义导航示例

    然后还可以继续点击房祖名看他的信息。这里我们可以把成龙、林凤娇、房祖名看出图的节点,成龙跟林凤娇之间有一个关系,即夫妻关系,林凤娇跟房祖名之间有一个关系,即母子关系,这就是成龙家庭的一个小的关系图谱。


    二、股票投研情报分析

    通过知识图谱相关技术从招股书、年报、公司公告、券商研究报告、新闻等半结构化表格和非结构化文本数据中批量自动抽取公司的股东、子公司、供应商、客户、合作伙伴、竞争对手等信息,构建出公司的知识图谱。在某个宏观经济事件或者企业相关事件发生的时候,券商分析师、交易员、基金公司基金经理等投资研究人员可以通过此图谱做更深层次的分析和更好的投资决策,比如在美国限制向中兴通讯出口的消息发布之后,如果我们有中兴通讯的客户供应商、合作伙伴以及竞争对手的关系图谱,就能在中兴通讯停牌的情况下快速地筛选出受影响的国际国内上市公司从而挖掘投资机会或者进行投资组合风险控制(图3)。


    图3 股票投研情报分析


    三、公安情报分析

    通过融合企业和个人银行资金交易明细、通话、出行、住宿、工商、税务等信息构建初步的“资金账户-人-公司”关联知识图谱。同时从案件描述、笔录等非结构化文本中抽取人(受害人、嫌疑人、报案人)、事、物、组织、卡号、时间、地点等信息,链接并补充到原有的知识图谱中形成一个完整的证据链。辅助公安刑侦、经侦、银行进行案件线索侦查和挖掘同伙。比如银行和公安经侦监控资金账户,当有一段时间内有大量资金流动并集中到某个账户的时候很可能是非法集资,系统触发预警(图4)。


    图4  公安情报分析


    四、反欺诈情报分析

    通过融合来自不同数据源的信息构成知识图谱,同时引入领域专家建立业务专家规则。我们通过数据不一致性检测,利用绘制出的知识图谱可以识别潜在的欺诈风险。比如借款人张xx和借款人吴x填写信息为同事,但是两个人填写的公司名却不一样, 以及同一个电话号码属于两个借款人,这些不一致性很可能有欺诈行为 (图5)。


    图5 反欺诈情报分析


    五、面向多源异构关系数据的自然语言问答

    现在很多企业都有自己的数据库,而且这些数据库因为不是同一批人构建的,所以维护数据库的成本很高,访问数据库也很不方便,而且数据库之间的关联也很难发现。通过构建一个本体(该本体可以是从数据库的schema抽取后,然后通过人工来修改得到),然后构建本体和数据库的schema的映射以及数据之间的匹配,就可以方便的实现数据的集成和数据的语义关联,并且可以利用构建的本体和通过本体集成得到的知识图谱来对自然语言做解析,从而将自然语言查询直接转化为SQL去查数据库,并且给出答案,答案可以是用图表的方式来给出。下面给出一个例子(图6):


    图6  数据库集成和问答系统示例


    如用户提问“龙蟠路高铁南站出口2013年8月1日经过的本田车辆有哪些”,系统直接给出结果。


    六、面向知识图谱的智能问答

    最近几年,问答(Question answering)重新受到广泛的关注,主要原因还是因为有IBM Watson的出现(见The AI Behind Watson - The Technical Article)。Watson虽然号称可以做很多领域(比如说法律有ROSS ROSS and Watson tackle the law - Watson),但是事实上,Watson最早提出的时候只是为智力竞赛节目Jeopardy(Jeopardy! Official Site | Jeopardy.com,类似开心辞典和一站到底)定制的,类似下面这种:

    Category: General Science


    Clue: When hit by electrons, a phosphor gives off electromagnetic energy in this form.


    Answer: Light (or Photons)

    也就是说,问题会有一些分类,然后出题的人会给出一些暗示(Clue),做题的人或者机器根据这些暗示给出答案。

    Watson的问答系统采用了wikipedia和DBpedia、Yago等半结构化数据以及图谱数据,但是更多的还是从文本中提取各种证据(evidence)来回答。IBM Watson系统架构见下图(图7)。


    图7  IBM Watson系统架构

    IBM Watson系统被神化成可以在任何领域适用,导致只要做问答相关项目,都容易被挑战跟Watson有什么差异。事实上,Watson系统和很多人工智能系统一样,是高度定制化的,当然,相关技术确实是可以用到多个领域,但是需要有一定的变化。

    东南大学认知智能研究所借鉴了Watson技术,启动了一个佛学考试机器人项目,旨在回答佛学相关问题。为了做这个系统,需要先构建一个佛学知识图谱,通过图谱和佛学相关的网页,利用问答技术解题。考试题目例子如下:

    1.僧伽是①涅槃义②和合众③杀贼义。

    2.「诸行无常、诸法无我、涅盘寂静」称为①三种无常②三法印③三乘道。

    3.人生最大的错误是①杀生②妄语③邪见。

    下面是系统的截屏:


    七、辅助判案

    知识图谱技术可以帮助我们快速构建一个法律知识图谱,目前还缺乏法律知识图谱的理论工作。跟其他领域的知识图谱相比,法律知识图谱需要考虑法律的逻辑,下面就是一个法律知识图谱的片段:



    从上面这个例子可以看出,每一个犯罪行为都有主体、客体、主观要件和客观要件,我们就需要从文本中去抽取这些信息,从而形成一个关于犯罪行为的图谱,而通过对海量判决书的挖掘,可以建立犯罪行为之间的关联,比如说,防卫过当和故意伤害之间有一个关联,即误判为的关系。通过这个图谱,给定一个判决书,可以辅助法官判的一个案件是否有误判,是否需要补充信息。


    致谢:感谢王昊奋博士对本文部分内容的建议。

    展开全文
  • 漆桂林 | 知识图谱应用

    千次阅读 2017-09-26 00:00:00
    1. 知识图谱是一种语义网络,即一个具有图结构的知识库,这里图的节点可以是概念(比如说大学),可以是实例(比如说东南大学),可以是一个literal(比如说一个数字,一个日期,一个字符串),而图的边就是一个关系...

    本文作者为东南大学漆桂林老师,首发于知乎专栏知识图谱和智能问答



    前面一篇文章“知识图谱之语义网络篇”已经提到了知识图谱的发展历史,回顾一下有以下几点:

    1. 知识图谱是一种语义网络,即一个具有图结构的知识库,这里图的节点可以是概念(比如说大学),可以是实例(比如说东南大学),可以是一个literal(比如说一个数字,一个日期,一个字符串),而图的边就是一个关系(比如说漆桂林 就职于 东南大学,这里“就职于”就是一个关系)。

    2. 语义网络的表达能力还是很强的,即一阶谓词逻辑可以表达的知识都可以用语义网络来表达。

    3. 语义网络可以有逻辑推理能力,而推理可以通过规则来实现,也可以通过父子节点的继承实现。

    那么,知识图谱到底有些什么用呢?知识图谱比较适合需要建立数据关联和需要从非结构化数据中转化出结构化数据的场景。下面是几个应用场景(还会持续更新,也欢迎提意见)。


    一、语义搜索

    知识图谱这个概念是谷歌提出的,谷歌做知识图谱自然是跟搜索引擎相关,即提供语义搜索。这里语义搜索跟传统搜索引擎的区别在于搜索的结果不是展示网页,而是展示结构化知识,如下图(图1)所示:


    640?wx_fmt=png&wxfrom=5&wx_lazy=1

    图1 语义搜索示例


    在图1中,当用户输入“jackie chan",搜索引擎可以识别出jackie chan其实就是成龙,而且,会给出成龙的各种属性信息,比如说出生日期、国籍、配偶等。这些都是以前基于关键词的检索做不到的,有了知识图谱以后,就可以即问即答了。点击成龙的配偶“林凤娇”,可以直接进入她的知识卡片,见图2:

    0?wx_fmt=png

    图2  语义导航示例

    然后还可以继续点击房祖名看他的信息。这里我们可以把成龙、林凤娇、房祖名看出图的节点,成龙跟林凤娇之间有一个关系,即夫妻关系,林凤娇跟房祖名之间有一个关系,即母子关系,这就是成龙家庭的一个小的关系图谱。


    二、股票投研情报分析

    通过知识图谱相关技术从招股书、年报、公司公告、券商研究报告、新闻等半结构化表格和非结构化文本数据中批量自动抽取公司的股东、子公司、供应商、客户、合作伙伴、竞争对手等信息,构建出公司的知识图谱。在某个宏观经济事件或者企业相关事件发生的时候,券商分析师、交易员、基金公司基金经理等投资研究人员可以通过此图谱做更深层次的分析和更好的投资决策,比如在美国限制向中兴通讯出口的消息发布之后,如果我们有中兴通讯的客户供应商、合作伙伴以及竞争对手的关系图谱,就能在中兴通讯停牌的情况下快速地筛选出受影响的国际国内上市公司从而挖掘投资机会或者进行投资组合风险控制(图3)。


    0?wx_fmt=png

    图3 股票投研情报分析


    三、公安情报分析

    通过融合企业和个人银行资金交易明细、通话、出行、住宿、工商、税务等信息构建初步的“资金账户-人-公司”关联知识图谱。同时从案件描述、笔录等非结构化文本中抽取人(受害人、嫌疑人、报案人)、事、物、组织、卡号、时间、地点等信息,链接并补充到原有的知识图谱中形成一个完整的证据链。辅助公安刑侦、经侦、银行进行案件线索侦查和挖掘同伙。比如银行和公安经侦监控资金账户,当有一段时间内有大量资金流动并集中到某个账户的时候很可能是非法集资,系统触发预警(图4)。

    0?wx_fmt=png


    图4  公安情报分析


    四、反欺诈情报分析

    通过融合来自不同数据源的信息构成知识图谱,同时引入领域专家建立业务专家规则。我们通过数据不一致性检测,利用绘制出的知识图谱可以识别潜在的欺诈风险。比如借款人张xx和借款人吴x填写信息为同事,但是两个人填写的公司名却不一样, 以及同一个电话号码属于两个借款人,这些不一致性很可能有欺诈行为 (图5)。

    0?wx_fmt=png


    图5 反欺诈情报分析


    五、面向多源异构关系数据的自然语言问答

    现在很多企业都有自己的数据库,而且这些数据库因为不是同一批人构建的,所以维护数据库的成本很高,访问数据库也很不方便,而且数据库之间的关联也很难发现。通过构建一个本体(该本体可以是从数据库的schema抽取后,然后通过人工来修改得到),然后构建本体和数据库的schema的映射以及数据之间的匹配,就可以方便的实现数据的集成和数据的语义关联,并且可以利用构建的本体和通过本体集成得到的知识图谱来对自然语言做解析,从而将自然语言查询直接转化为SQL去查数据库,并且给出答案,答案可以是用图表的方式来给出。下面给出一个例子(图6):


    0?wx_fmt=png

    图6  数据库集成和问答系统示例


    如用户提问“龙蟠路高铁南站出口2013年8月1日经过的本田车辆有哪些”,系统直接给出结果。


    六、面向知识图谱的智能问答

    最近几年,问答(Question answering)重新受到广泛的关注,主要原因还是因为有IBM Watson的出现(见The AI Behind Watson - The Technical Article)。Watson虽然号称可以做很多领域(比如说法律有ROSS ROSS and Watson tackle the law - Watson),但是事实上,Watson最早提出的时候只是为智力竞赛节目Jeopardy(Jeopardy! Official Site | Jeopardy.com,类似开心辞典和一站到底)定制的,类似下面这种:

    Category: General Science


    Clue: When hit by electrons, a phosphor gives off electromagnetic energy in this form.


    Answer: Light (or Photons)

    也就是说,问题会有一些分类,然后出题的人会给出一些暗示(Clue),做题的人或者机器根据这些暗示给出答案。

    Watson的问答系统采用了wikipedia和DBpedia、Yago等半结构化数据以及图谱数据,但是更多的还是从文本中提取各种证据(evidence)来回答。IBM Watson系统架构见下图(图7)。


    0?wx_fmt=png

    图7  IBM Watson系统架构

    IBM Watson系统被神化成可以在任何领域适用,导致只要做问答相关项目,都容易被挑战跟Watson有什么差异。事实上,Watson系统和很多人工智能系统一样,是高度定制化的,当然,相关技术确实是可以用到多个领域,但是需要有一定的变化。

    东南大学认知智能研究所借鉴了Watson技术,启动了一个佛学考试机器人项目,旨在回答佛学相关问题。为了做这个系统,需要先构建一个佛学知识图谱,通过图谱和佛学相关的网页,利用问答技术解题。考试题目例子如下:

    1.僧伽是①涅槃义②和合众③杀贼义。

    2.「诸行无常、诸法无我、涅盘寂静」称为①三种无常②三法印③三乘道。

    3.人生最大的错误是①杀生②妄语③邪见。

    下面是系统的截屏:

    0?wx_fmt=png


    七、辅助判案

    知识图谱技术可以帮助我们快速构建一个法律知识图谱,目前还缺乏法律知识图谱的理论工作。跟其他领域的知识图谱相比,法律知识图谱需要考虑法律的逻辑,下面就是一个法律知识图谱的片段:


    0?wx_fmt=png


    从上面这个例子可以看出,每一个犯罪行为都有主体、客体、主观要件和客观要件,我们就需要从文本中去抽取这些信息,从而形成一个关于犯罪行为的图谱,而通过对海量判决书的挖掘,可以建立犯罪行为之间的关联,比如说,防卫过当和故意伤害之间有一个关联,即误判为的关系。通过这个图谱,给定一个判决书,可以辅助法官判的一个案件是否有误判,是否需要补充信息。


    致谢:感谢王昊奋博士对本文部分内容的建议。




    OpenKG.CN


    中文开放知识图谱(简称OpenKG.CN)旨在促进中文知识图谱数据的开放与互联,促进知识图谱和语义技术的普及和广泛应用。

    0?wx_fmt=jpeg

    点击阅读原文,进入 OpenKG 博客。

    展开全文
  • 知识图谱系统的落地主要包含四个重要环节:知识表示、知识获取、知识管理与知识应用。这四个环节循环迭代。知识应用环节明确应用场景,明确知识的应用方式。知识表示定义了领域的基本认知框架,明确领域有哪些基本的...

    知识图谱系统的落地主要包含四个重要环节:知识表示、知识获取、知识管理与知识应用。这四个环节循环迭代。知识应用环节明确应用场景,明确知识的应用方式。知识表示定义了领域的基本认知框架,明确领域有哪些基本的概念,概念之间有哪些基本的语义关联。比如企业家与企业之间的关系可以是创始人关系,这是认知企业领域的基本知识。知识表示只提供机器认知的基本骨架,还要通过知识获取环节来充实大量知识实例。
    知识实例获取完成之后,就是知识管理。这个环节将知识加以存储与索引,并为上层应用提供高效的检索与查询方式,实现高效的知识访问。四个环节环环相扣,彼此构成相邻环节的输入与输出。在知识的具体应用过程中,会不断得到用户的反馈,这些反馈会对知识表示、获取与管理提出新的要求。
    KGB知识图谱凭借其在知识图谱的构建,更新方面的技术优势,现在已经多行业等得以广泛应用。
    KGB知识图谱功能
    1.文档解析
    KGB知识图谱引擎,可轻松解析多种格式与版本文档:TXT、DOC、EXCEL、PPT、PDF、XML等。尤其是PDF文件,可直接解析输出为word格式文件,保留文件中表格与文字格式等重要信息。对于图片信息,OCR可自动识别并抽取图片中的文字信息。
    2.知识抽取
    KGB知识图谱引擎,可从结构化表格与非结构化文本中自适应识别并抽取关键知识(主体、客体、时间、地点、金额、条款等),准确率高达90%,实现知识的快速生成。
    3.知识关联
    KGB知识图谱引擎深入挖掘知识关联,将一个个知识实体链接为具有完整意义的知识事实。并具有强大的知识推理能力,推理出暗含的知识与结论,丰富知识图谱。
    4.知识较验
    KGB知识图谱加工厂能够对知识质量智能校验,包括对多种知识错误与冲突进行自动智能核查与修正,更有知识工程师进行知识精准校验,保证知识图谱的准确性。
    KGB知识图谱特色
    1、跨领域可扩展
    知识图谱加工厂具有通用的图谱构建引擎。知识抽取、知识关联与质量核查过程不依赖特定业务知识,结合用户知识图谱构建的需求,可以快速构建用户领域知识图谱。
    2、知识质量智能核查
    知识图谱加工厂实现对多种知识错误与冲突的智能核查与校验,并对知识库进行实时自动更新,保证知识图谱准确性。
    3、人机结合的服务
    知识图谱加工场人机构成:90%机器+10%的人工,只需要提供语料,就可以快速得到对应的知识图谱构建成果。

    展开全文
  • GitHub项目地址), 实现了Apache TinkerPop3框架及完全兼容Gremlin查询语言, 具备完善的工具链组件,助力用户轻松构建基于图数据库之上的应用和产品。 HugeGraph-Studio:HugeGraph-Studio是HugeGraph的Web可视化...
  • 我们把健康医疗知识图谱分为概念图谱和实例图谱,定义了各 自的数据模型,然后分别介绍了各自的建立过程,以及两者之间如何建立关联。我们提出了“ 医在回路 ”的概念,对医生在构建健康领域知识图谱中的角色和职责...
  • 在前篇中介绍了一个知识图谱用于畜牧行业中猪只饲养追溯的实例(https://blog.csdn.net/weixin_43990004/article/details/111942435)。本例将拓展出基于知识图谱的批次化管理情况监控思路及实现路径。 1、批次化...
  • 本培训文档主要介绍图数据库、知识图谱、HugeGraph图数据库,以及基于HugeGraph图数据库构建知识图谱实例,重点介绍了图数据库和知识图谱的基本业务知识和应用场景。
  • Kubernetes知识图谱

    2020-06-22 10:56:00
    在Kubernetes中,我们可以创建多个容器,每个容器里面运行一个应用实例,然后通过内置的负载均衡策略,实现对这一组应用实例的管理、发现、访问,而这些细节都不需要运维人员去进行复杂的手工配置和处...
  • 本体知识图谱 本体就是对那些可能相对于某一智能体(agent)或智能体群体而存在的概念和关系的一种描述。 ​ ——汤姆·格鲁伯——《迈向知识共享型本体的设计原则》。 ​ 本体从schema的角度...
  • 知识图谱与事件知识学习清华大学李娟子教授 使用NLP相关技术抽取新闻事件中的关键词通过分析维基百科对事件的描述结构基于主题分类建模事件之 间的关系用己发生的事件作为背景知识从多个相似事件实例中动态学习以...
  • 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
  • 对领域知识图谱构建方法进行了系统研究,提出了一种准确、高效的领域知识图谱构建方法——“四步法”,将该方法应用到中国基础教育九门学科知识图谱的构建中,在较短时间内构建出了准确率较高的学科知识图谱,证明了该...
  • 章节1:知识图谱介绍及其应用领域分析 章节2:知识图谱涉及技术点分析 章节3:Neo4j数据库实战 章节4:使用python操作neo4j实例 章节5:基于知识图谱的医药问答系统实战 章节6:文本关系抽取实践 章节7:金融平台风控模型...
  • 知识融合通过框架匹配和实例对齐,把分散的知识资源联合起来,可以极大的增加知识图谱的覆盖领域和共享程度。 知识体系构建 知识体系三个方面核心内容: 对概念的分类 概念属性的描述 概念之间相互关系 知识体系的...
  • 知识图谱 概念与技术 肖仰华等编著 中国工信出版集团 电子工业出版社 第四章 关系抽取 概述 基于学习的抽取 ...应用: 关系抽取 上游应用 构建知识图谱,下游应用:文本理解、问答系统、聊天机...
  • 知识图谱是一种有向图结构,描述了现实世界存在的实体、事件或者概念以及它们之间的关系,为自动问答、信息检索等应用提供支撑。其中,图中的节点表示实体、事件或概念,图中的边表示相邻节点间的关系,如下图所示。...
  • 参考资料:《知识图谱:方法、实践与应用》 概要 该文献提出的模型简称VMI,方法的主要思想是运用多重索引与候选集合,其中将向量空间模型和倒排索引技术相结合,实现对实例数据的划分。该方法在保证了高质量匹配的...
  • ​ 首先是对于阅读的总结,收集了最近的知识图谱在推荐中的应用,简单分类,先从知识图谱和图神经网络的融合开始.把对于论文的一些总结写在最开始: 动机 1.传统的推荐系统只是将用户的行为作为独立的实例来进行训练...
  • 知识图谱应用什么是信息抽取信息抽取的主要任务自然语言理解的本质信息抽取构建知识图谱实例正则表达式与AC自动机基于规则的信息抽取 项目简介 知识图谱、信息抽取以及规则系统 基于机器学习的信息抽取系统 基于...
  • 这一篇文章是《什么是知识图谱(Knowledge Graph)(上)》的后续,主要介绍了几个KG应用的例子。有一些概念在上一篇文章里介绍过,如果对这一篇里的一些定义有疑问,请先阅读上一篇哦。 实例1:学...

空空如也

空空如也

1 2 3 4
收藏数 66
精华内容 26
关键字:

知识图谱应用实例