咱俩做出了一个不方便的支配

目录(?)[-]

孩子是温馨的,我急需也外的前承担,无论怎样做,开心健康之人生才是最要的。

版权声明:本文为博主原创文章,转载请注明CSDN博客源地址!共同学习,一起前行~

经过半年多之设想同准备,前天夜晚,我们做出了一个困难的操纵:让大儿子在家看。

        知识图谱(Knowledge
Graph)是目前学界和企业界的研究热点。中文知识图谱的构建对中文信息处理和国语信息寻找具有举足轻重之价值。中国中文信息学会(CIPS)邀请了产生约10小从事文化图谱研究和履行的头面大学、研究单位以及商店之家跟学者有意涉足并载演说,下面就是首先暨全国华语知识图谱研讨会的攻笔记。
        会议介绍地点和PPT下充斥链接:http://www.cipsc.org.cn/kg1/

今天上午,我同老婆去了学校,正式提出在家看,老师及校长当觉的不妥,但暗示,你请假吧。当然,某位学校的同志说正说正,痛批了今日之傅,但是自己为充分不得已。

 

本身厌倦了男女题海战术,买的课余书从没有工夫读,而异的健康变得更其不好了。我理解出成百上千底说辞可以给儿女后续读,譬如:别的孩子为什么成绩那么好?孩子当上集体生活否则会来自闭症,家长缺乏经验可能教育之重新不好,是的,所以我们充分慎重考虑这些,并连权衡,最终,我们当在家教育利远大于弊。

源地址:http://blog.csdn.net/eastmount/article/details/49785639

咱们不指望胎压力很,如果情节极其多我们见面还裁减些。我明白一个真情,压力有些有,自主的力量就会大一些。

       
PS:希望大家看原文PDF,因为出于自家啊尚以就学过程中,本人理解程度不够;同时出无出现场听这个讲座,所以重重现实贯彻方式以及经过还无法表达。
        下载地址:http://download.csdn.net/detail/eastmount/9255871

男女方面,他本来对在家看太兴奋,对于制定的计划还以为不好意思要无使加点。今天上午7点,我去给他,他立即打床然后洗脸刷牙,比寻常不知情不久多少,之后,他起来小不自在,胆怯的讯问妈妈:我本该干什么?妈妈随口说:那尔错过看开吧。其实妈妈是被他省课外书,结果他将语文和英语拿出去,自觉的大声朗读起来,甚至到吃早饭的时候他吧不愿意停下来,因为他道必须读满一钟头。我知道,他骨子里是爱慕阅读的,只是整个环境要求的太多。

  1. 相同
    知识图谱相关引入介绍
  2. 二 NLP Techniques in Knowledge Graph
     百度知心
  3. 老三 面向知识图谱的检索技术
    搜狗知立方

俺们打算,每周的周一至周五上午还是子女锻炼身体的岁月,比如游泳、篮球、网球和登山,只要是锻炼身体什么都得以。下午之辰,中午午休一个时,然后要学习电脑和英语,为什么是如此为?因为上学电脑其实会干到数学、语文很多的学识,我们开为非限量学习电脑的哪位方面,主要被他找到自己感兴趣之内容。最要害的凡,学习电脑可以作为他后来生计的保证。至于上英语,这是因他连小学文凭都尚未了,在中国莫容许混得下来的,只发去海外自己留学才发生或继续大学教育,庆幸之是,目前自家找到有外教的英语学习班正好契合他(他昨放了一样节省课,老师说他于我学的好,囧),而且价格不值钱。至于课本的始末,并不曾放弃,还是深受他协调指定计划,慢慢学。周末被他去与孩子辈玩耍。

二. NLP Techniques in Knowledge Graph —— 百度知心

        主题与主讲人:百度知识图谱中的NLP技术——赵世奇(百度)

        (一).Baidu Knowledge Graph
        百度知心访问链接:http://tupu.baidu.com/xiaoyuan/
        其中百度知识图谱“章子怡”人物关系图谱如下所示:

网球 1

        知识图谱和俗搜索引擎相比,它会回来准确的结果(Exact
answers),如下:

网球 2

        同时知识图谱推荐列表(List
Recommendation)如下所示,搜索“适合在卧室的植物”包括“吊兰、绿萝、千年木”等等。其中Named
entities 命名实体、Normal entities 普通实体。

网球 3

        同时,百度知心知识图谱也支持移动端的运,如下图所示:

网球 4

       
PS:不明白怎么近来以百度知心搜索的功效不是大好!感觉搜狗知心和google效果还好~

        (二).Knowledge Mining
        知识挖掘包括:Named entity mining 命名实体挖掘、AVP mining
属性-值对发掘、Hyponymy learning 上下位学习、Related entity mining
相关实业挖掘。
       
PS:注意及时四只知识点非常重大,尤其是当文化图谱实现着,下图为蛮重要。

网球 5

        1.命名实体挖掘 Mining Named Entities
       
传统命名实体(NE)类别:人(Person)、位置(Location)、组织(Organization)
        更多对web应用程序有用之初类型:Movie、TV
series、music、book、software、computer game
        更细的分类:组织 -> {学校,医院,政府,公司…}
                               Computer game -> {net game,webpage
game,…}
       
其中web中命名实体的特性包括:新的命名实体迅速崛起,包括软件、游戏跟小说;命名实体在网及的名字是业余的(informal)

        (1)从询问日志(Query Logs)中学习命名实体(NEs)        
查询日志被含有了大气之命名实体,大约70%底检索查询包含了NEs。如下图2007年Pasca论文所示,命名实体能够基于上下文特征(context
features)识别。如上下文词“电影、在线观看、影评”等等,识别“中国一齐人”。

网球 6

        Bootstrapping approach
        given a hand of seed NEs of a category C
       
从询问中上种子的上下文特征,然后运就拟到的上下文特征来领C类的初米实体,使用扩展种子集去扩大上下文特征….
       
利用查询日志该方式的优点是:它会覆盖时出现的命名实体;它的弱项是:旧的要么不给欢迎的命名实体可能会见擦了。

        (2)从平凡文书中读书命名实体(Learning NEs from Plain Texts)         文字包装器(Text
Wrappers)被大运用让从纯文本被领取(Extracting)命名实体。例如包装器“电影《[X]》”,“影片[X],导演”,其中[X]表示影片名字。如下图所示:

网球 7

        (3)使用URL文本混合模式(Url-text Hybrid
Patterns)学习命名实体

        是否发或单从网页标题(webpage
titles)中领到命名实体呢?确实。99%底命名实体都能够在一些网页标题中发现。
       
Url文本混合模型应该考虑URL约束,简单的公文模式可信的URL链接是十足的,复杂的文书模式需要低质量的URL。其中论文参考下图:

网球 8

网球 9

        PS:涉及到Multiclass collaborative
learning多类协作学习,推荐去押2013年具体的舆论,鄙人才疏学浅,能力有限,只能摆些入门介绍。《Bootstrapping
Large-scale Named Entities using URL-Text Hybrid Patterns》ZhangZW

        2.属性-属性值对发掘 AVP Mining         AVP英文全称是Attribute Values
Pairs。那么,哪里会到这种AVP数据为?
        在线百科:三要命百科 Baidu Baike \ Wikipedia \ Hudong Baike
        垂直网站(Vertical websites):IMDB,douban for videos
       
普通文档网页:从结构化、半结构化(semistructured)和莫结构化文本中爬取AVP

        (1)挖掘以线百科AVP数据
       
如下图所显示,结构化信息盒infobox准确而非完善,半结构化信息不是十足准确。
       
PS:结构化数据要数据库中表;非结构化数据像图、视频、音频无法直接掌握它的内容;半结构化数据而职工的简历,不同人可能建立不同,再设百科Infobox的“属性-值”可能两样,它是结构化数据,但结构变化很大。

网球 10

        (2)挖掘垂直网站AVP数据
        下面是起垂直网站受到爬取结构化数据还是半结构化数据。

网球 11

       可能会见碰到两个问题?
     
 第一独凡是什么找到有关的垂直网站,如果是寻找流行的网站是便于之,如音乐、电影、小说;但是如果是找长尾域(long
tail
domains)的网站是困难的,如化妆品、杂志。第二只问题是劈众多底数目怎样死成提取模式。

网球 12

       
同时,人工模式可保证充分高的准确性,但是工具能够助我们越便于之编纂模式。最后AVP知识要普通中积淀与换代,包括不同时间项目的更新、新网站的加入、无序或网站崩溃需要自动检测或手工处理。

        (三).Semantic Computation 语义计算
       
PS:如果当场参加此讲座就会叙述清楚了,下面这些表述有些模糊,sorry~
       
所有模块(modules)都应有是可选的:输入AVP数据控制如何模块是必需的,模块间的依靠必需遵守。同时,这些模块大部分还是机关工具(semi-automatic
tools)。
        下面具体介绍: 

        1.Cleaning
        检测及消除表面错误,包括不得读代码(Unreadable
codes)、错误的截断(Erroneous
Truncation)、由于打错误引起的失实性、双许节-单字节替换(Double byte –
single byte replacement)、英语字符处理(English character processing)等。

        2.Value Type Recognition 值类型识别
        自动识别AVP数据所被的性能对应之值类型。其中值类型包括:
       
Number(数字)、Data/Time(日期/时间)、Entity(实体)、Enumeration(枚举)、Text(default,默认文本)
        它可拉识别非法属性值和领取候选同义的属于性名。

        3.Value Normalization 值正常化
        Splitting(分词)

        E.g., movie_a, movie_b, and movie_c -> movie_a | movie_b
|  movie_c
        Generation
        E.g., Chinese zodiac / zodiac: Tiger / The lion
(十二生肖/生肖:老虎/狮子)
         ->  Chinese zodiac: Tiger and zodiac: The lion 
        Conversion(转换)
        E.g., 2.26m -> 226cm

        4.Attribute Normalization 属性正常化
        Domain-specific problem(特定领域问题)

        某些性能让视为同义词只在特定的圈子甚至是少数只特定的知识源中。
       
例如“大小(size)”和“屏幕(screen)”在片无线电话网站上代表和义词,但非是装有的开放域解释都一样。
        分拣型(Classification model)来鉴别候选同义属性
       
其中特征包括属性浅层相似特性、相似属性值特征、相似值类型(Value-type)特征及实体值特征。最后评选者从有着候选中挑选正确的相似特性对。

        5.Knowledge Fusion 知识融合
        融合从不同数额出自的文化,关键问题——实体消歧(Entity
disambiguation)。

       
其解决措施是精打细算两单同名称实体之间的相似性。一些着力性能可以为此来确定实体的身份,如“works
of a writer”。其他部分性能只能用来发相似性的风味,如“nationality of a
person”(国籍)。

        6.Entity Classification 实体分类
       
为什么用分类也?因为部分实体会丢掉类别信息;同时不失所有从源数据中刨的实体都发出型(category)。解决方式是:通过监督模型训练已知道路的实体和其的特性-值对;使用结构化数据(AVPs)和莫结构化数据(上下文文本)来规范地分类特征。

        下面是一些于学识应用层的语义计算模块/方法。主要是切实的以:
        实体消歧用于推理(Entity disambiguation for reasoning)
        陈晓旭的演出的《红楼梦》

网球 13

        连带实业消歧(Related entity disambiguation)

网球 14

        觅需求识别(Search requirement recognition)
        需要识别用户搜索的“李娜”是网球运动员、歌手、舞蹈家还是别。

网球 15

 

       
其基本问题即使是AVP相似计算,包括为不同的性能定义不同之权重、有因此性和无效属性等。

网球 16

        最后总结如下:
        1.网检索的初势头:知识搜索、语义搜索、社会化搜索
       
2.纵文化图谱而言,研究语义方面重点。知识库的构建与知识搜索还需要语义计算(Knowledge
base construction and knowledge search both need semantic
computation)。
        3.各种网络资源应该吃再度好之以:网络语料库、查询记录、UGC数据

 

网球 17

一. 知识图谱相关引入介绍

       
在介绍会内容前面,我准备先为大家介绍下文化图谱的基础知识。前面我哉介绍过许多文化图谱相关的稿子,这里主要看华南理工大学华芳槐的博士论文《基于多种数据源的华语知识图谱构建方式研究》,给大家讲解知识图谱的始末和提高历史。

        (一).为什么引入知识图谱呢?
       
随着信息之爆炸式增长,人们非常为难由海量信息遭找到真正得的信。搜索引擎正是以这种状态下起,其规律是:
     
  1.经过爬虫从互联网遭受搜集信息,通过树立根据关键词的倒排索引,为用户提供信息检索服务;
       
2.用户通过运用要词描述自己的查询意图,搜索引擎依据一定的排序算法,把适合查询条件的音依序(打分)呈现为用户。
       
搜索引擎的面世,在得水准达到化解了用户从互联网中获取信息的难题,但由其是基于关键词要字符串的,并从未指向查询的靶子(通常也网页)和用户之查询输入进行亮。
       
因此,它们于物色准确度方面在显著的缺陷,即出于HTML形式之网页缺乏语义,难以被电脑理解。

        (二).语义Web和本体的定义
        为解决互联网信息之语义问题,2008年Tim
Berners-Lee等人提出了下一代互联网——语义网(The Semantic
Web)的概念。在语义Web中,所有的音信都备一定之构造,这些构造的语义通常用本体(Ontology)来叙述。
       
当信息结构化而拥有语义后,计算机就能够领悟其义了,此时用户还展开搜索时,搜索引擎在了解互联网中信息意义的功底及,寻找用户真正得之音讯。由于互联网遭受信息的意思是由于本体来叙述的,故本体的构建以老大可怜程度达控制了语义Web的迈入。
       
本体(Ontology)描述了一定领域(领域本体)或具有领域(通用本体)中之概念与概念中的关系关系,并且这些概念和干是明白的、被一块确认的。通常,本体中主要包括概念、概念的其他名目(即一律关系)、概念中的左右员涉及、概念的属性关系(分为对象属性和数值属性)、属性之定义域(Domain)和值域(Range),以及在这些内容达之公理、约束等。

        (三).知识图谱发展过程
        随着互联网中用户生成内容(User Generated Content,
UGC)和开链接数据(Linked Open Data, LOD)等大气RDF(Resource Description
Framework)数据为揭示。互联网而逐步由单纯含网页和网页中超链接的文档万维网(Web
of Document)转变为含有大量讲述各种实体和实体之间丰富关系之数码万维网(Web
of Data)。
        在这背景下,知识图谱(Knowledge
Graph)正式为Google于2012年5月提出,其目标在改善搜索结果,描述真实世界被存在的各种实体和概念,以及这些实体、概念中的涉关系。紧随其后,国内外的别样互联网搜索引擎公司吗扰乱构建了上下一心的知图谱,如微软的Probase、搜狗之知立方、百度的近。知识图谱在语义搜索、智能问答、数据挖掘、数字图书馆、推荐系统等领域有广阔的采取。
        下图是搜狗知立方“姚明”的关系图:

网球 18

        谷歌S. Amit的论文《Introducing the Knowledge Graph: Things, Not
Strings》

        阿米特·辛格尔博士通过“The world is not made of strings, but is
made of
things”这句话来介绍他们之知识图谱的,此处的“thing”是同民俗的互联网上的网页相较:知识图谱的靶子在于描述真实世界被在的各种实体和定义,以及这些实体、概念中的涉关系。
        知识图谱和本体之间以在什么区别吗?
       
知识图谱并无是本体的替代品,相反,它是于本体的底子及开展了长以及扩展,这种扩张主要反映于实业(Entity)层面;本体中突出同强调的是概念以及概念里的涉及关系,它讲述了文化图谱的数据模式(Schema),即为知识图谱构建数据模式相当给为那构建本体;而知图谱则是以本体的基础及,增加了更进一步丰富的有关实体的音讯。
       
知识图谱可以看做是相同摆放高大的觊觎,图中之节点表示实体或概念,而贪图被之尽头则成涉嫌。在学识图谱中,每个实体和概念都采取一个大局唯一的规定ID来标识,这个ID对诺目标的标识符(identifier);这种做法及一个网页有一个遥相呼应之URL、数据库被的主键相似。
     
  同本体结构同样,知识图谱中之概念和定义中为存各种关系关系;同时,知识图谱中之实体之间吧存在就同的关联。实体可以享属性,用于形容实体的内在特性,每个属性都是为“<属性,属性值>对(Attribute-Value
Pair, AVP)”的办法来表示的。

        (四).知识图谱举例
       
总之,知识图谱的面世越敲起了语义搜索的大门,搜索引擎提供的曾休是往答案的链接,还有答案本身。下图展示Google搜索结果的快照,当用户搜索“刘德华的年”时,其结果连:
        1.列出了系的网页文档检索结果;
        2.每当网页文档的上方为起了搜寻的直接精确答案“54年度”;
        3.以列有了连带的人选“梁朝伟”、“周润发”以及他们分别的年龄;
        4.并且于右侧为知识卡片(Knowledge
Card)的形式列出了“刘德华”的有关信息,包括:出生年月、出生地点、身高、相关的影、专辑等。
       
知识卡片为用户所输入的查询条件被所包含的实业或探寻返回的答案提供详细的结构化信息,是一定于查询(Query
Specific)的文化图谱。

网球 19

        这些招来结果看似简单,但这些现象背后蕴藏着极其丰富的信:
        1.先是,搜索引擎需要了解用户输入被之“刘德华”代表的凡一个人;
        2.其次,需要而了解“年龄”一乐章所代表什么含义;
       
3.说到底,还用以后台有长的学识图谱数据的支撑,才会对用户问题。
       
同时,知识图谱还当其余方也找引擎的智能化提供了可能,辛格尔博士指出:搜索引擎需要以答案、对话同预测三独至关重要成效上拓展改善。另外,知识图谱在智能问题、知识工程、数据挖掘与数字图书馆等领域为享有普遍的意思。
        按照覆盖面,知识图谱可以分成:
        1.通用知识图谱
       
目前一度公布之文化图谱都是通用知识图谱,它强调的是广度,因而强调还多的凡实体,很不便很成完全的全局性的本体层的联保管;另外,通用知识图谱至关重要采取为找等作业,对准确度要求无是挺高。
        2.业知识图谱
       
行业知识图谱对准确度要求重新胜似,通常用于扶持各种繁复的分析下或决定支持;严格和增长的数模式,行业知识图谱中之实业通常属性多且独具行意义;目标对象要考虑各种级别之食指,不同人员对应的操作以及作业场景不同。
         本体构建:人工构建方式、自动构建方式和自动构建方式

 

        第一首以现有百度知心和搜狗知立方为主,其中文章目录如下所示:
        一.文化图谱相关引入介绍
        二.NLP Techniques in Knowledge Graph —— 百度知心
        三.面向知识图谱的搜索技术 —— 搜狗知立方

 

三. 面向知识图谱的追寻技术 —— 搜狗知立方

       
这首文章要是搜狗张坤先生分享的文化图谱技术,以前自己吧提过搜狗知立方和摸索相关文化,这里就是为图为主简单进行描述了。参考:检索引擎和文化图谱那些从事
        首先简单回顾一下习俗的网页搜索技术

网球 20

       
其中包向量模型、Pagerank、根据用户搜索行为发现商业价值和社会价值、Learning
to Rank(学习排序),这里虽不再详细描述,我前有些文章介绍了这些。
        参考我的篇章:机器上排序的Learning to
Rank简单介绍

        搜索结构发现变化如下所示。
       
用户需要取得更准确之信息,系统要时刻换取空间,计算替代索引,优质的音将转向为机理解的知,使得这些文化与机械发挥还老作用。

网球 21

       
搜狗知立方整体框架图如下所示,其中下有些的实体对联合、属性对伙同是本身今天研究的一些。主要不外乎以下一些:
        1.本体构建(各类项目实体挖掘、属性名称挖掘、编辑系统)
        2.实条例构建(纯文本属性、实体抽取、半结构化数据抽取)
        3.异构数据整合(实体对同、属性值决策、关系成立)
        4.实体重要度计算
        5.演绎完善数据

网球 22

 

        国际直达风行的知识库或数据源如下所示:
     
  Wolframalpha: 一个计知识引擎,而无是摸索引擎。其确的换代的处在,在于能够及时理解问题,并吃来答案,在受提问到”珠穆朗玛峰发生多胜似”之类的问题时,WolframAlpha不仅能够告诉你海拔高度,还能告您及时所世界首先峰的地理位置、附近有啊城镇,以及同多级图片。 
     
  Freebase: 6800万实体,10亿的涉及。Google号称扩展及5亿实体和25亿底关系。所有内容都由用户增长,采用创意共用许可证,可以无限制引用。
     
  DBpedia: wikipedia基金会之一个子项目,处于萌芽阶段。DBpedia是一个在线关联数据知识库项目。它于维基百科的歌词条吃抽取结构化数据,以提供再精确和一直的维基百科搜索,并当旁数集和维基百科之间创造连接,并更将这些数量因涉及数据的花样发表暨互联网及,提供给得这些关乎数据的在线网络下、社交网站或者其他在线关联数据知识库。 

网球 23

        实业构建——实体和性质的抽取         (1) 各品种实体抽取
       
利用用户搜索记录。该记录保留了用户的标识符、以及用户之询问条目、查询时、搜索引擎返回的结果与用户筛选后点击的链接。
       
该数据集从自然程度达到体现了众人对找结果的千姿百态,是用户对网络资源的等同栽人工标识。根据用户搜索记录的数量特点,可用二总统图表示该多少,其中qi表示用户之询问条目,uj表示用户点击过的链接,wij表示qi和uj之间的权重,一般是经过用户点击次数进行衡量。
        采用擅自游走(Random
Walk)对用户搜索记录进行聚类,并选出每个接近吃颇具高置信度的链接作为数据来自,同时抽取对应实体,并将进信度较高之实业加入种子实体中,进行下一样涂鸦迭代。
        (2) 属性抽取
        a) 半结构化网站,利用Tag path和Text node标识网页,对性能聚类
        b) 从询问日志被分辨实体+属性名
        本体构建中本体编辑推荐下“Protege JENA”软件。

网球 24

        信息抽取系统的树立        
如下所示,获取在线百科消息盒的性能与属性值。在当下一部分,我们挑选因机器上的排序模型技术。基于严密全面的海量的用户作为也底蕴,建立机器上排序模型。使得搜索结果取得一个更是细致化、全面的效应优化。结构图如下所示:

网球 25

网球 26

       
由于没有其他一个网站有所有的音信,甚至是以一个天地里。为了拿走到更为健全的知识,需要组合,这便需针对一起。其中数据源包括:百度百科、豆瓣、起点中文网、互动百科、搜狐娱乐、新浪教育、Freebase等等。
        实业对网球合
       
下图是一样张藏的实业对齐图。他是针对“张艺谋”这个实体进行对一起,数据源来自互动百科、百度百科、tvmao网站、搜狐娱乐。
     
  比如张艺谋的国籍需要对旅“中华人民共和国”、“中国(内地)”、“中国”三个属于性值;“国家”、“国籍”、“国籍”需要属性对一头;再要出生日期对联合“1951年11月14日”、“1951-11-14”、“1951-11-14”实现属性值对合。
       
另参考我之章:冲VSM的命名实体识别、歧义消解和代表消解

网球 27

网球 28

 

        属于性值决策及关系成立
       
属性值决策可以看成是属于性值对伙同,需要选择来多之多少,同时自可靠。
       
关系成立补齐需要取链接,再统计链接数,计算链接重要程度,最后提到实体。

网球 29

 

        实体搜索
       
实体搜索如“李娜”,会根据用户之先找记录,真正亮用户搜索,返回结果。辨别它是网球运动员、歌星、舞蹈家或跳水选手。

网球 30

 

        演绎补数据及认证
       
从原始三元组数据,推理生成新的多少,建立重多的实体间的链接关系,增加知识图的底限的密度,例如:莫言作品。

网球 31

        询问语义理解、实体的分辨及由一
        举例:美国                     罗恩尼                          
  女抢匪
                  美国<Loc>      罗恩尼<Person>          
 女抢匪<Movie>
                  美国<Loc>   乔阿吉姆·罗恩尼<Person>
侠盗魅影<Movie>
        PS:推荐大家温馨失去学习CRF相关知识,作者吧于习着

网球 32

网球 33

        性能的模式挖掘
       
由于表达方式的多样性,对同一属性,不同人发出不同的传教。我们透过发掘百度知道,来得到属性的五光十色的叙述道。

网球 34

网球 35


        后台检索系统

网球 36

 

        知立方信息展现:
       
1.资知识库信息之展示载体,将知识库的信转化为用户可以知晓的始末;
       
2.供越来越助长的富文本信息(不局限为文,增添图片、动画、表格等);
       
3.提供再融洽的用户交互体验:增加又多的用户交互元素,如图浏览、点击试听。并能够引导用户在更短的日得到更多之音信。
       
如下图所示:“刘德华”分别点击上基本信息,点击歌曲,点击属性标签,点击具体的影。

网球 37

        再设重名、系列实体展现如下: “李娜
”点击任何的同名人物、“十大元帅”点击某个具体的人物、“速度跟激情”点击重新多,展示更多之文山会海实体。

网球 38

网球 39

       
关于知识图谱这片之素材不是不少,而且切实每个步骤是什么实现之材料便重新少了。这首文章要用作文化图谱的入门介绍,并由此会议叙述了百度知心和搜狗知立方,目前境内研究比较早的知图谱。其中推荐大家看原文PDF,版权也是由他们有所,我只是记录下好的求学笔记。
       
总之,希望文章针对性你所有帮助,由于自并未与这次会,所以可能有些错误或无可知发挥清楚的地方,尤其是现实实现过程,还恳请见谅,写文不易,且看还珍惜,勿喷~
       (By:Eastmount 2015-11-16 深夜2点
  http://blog.csdn.net/eastmount/)