一休哥的专栏

ntroducing the Knowledge Graph: things, not strings【阅读翻译】

本文首先简要回顾知识图谱的历史，探讨知识图谱研究的意义。其次，介绍知识图谱构建的关键技术，包括实体关系识别技术、知识融合技术、实体链接技术和知识推理技术等。然后，给出现有开放的知识图谱数据集的介绍。最后，给出知识图谱在情报分析中的应用案例。— 漆桂林、高桓、吴天星 东南大学计算机科学与工程学院本文节选自《情报工程》2017 年第 1 期，知识图谱专题稿件。1 知识图谱构建技术本节首先给出知识图谱的

概念MLlib提供标准的机器学习算法API，能够方便的将不同的算法组合成一个独立的管道，或者叫工作流。 • DataFrame:ML API使用Sark SQL中的DataFrme作为机器学习数据集,可容纳各种类型的数据，如DataFrame可能是存储文本的不同列,特征向量,真正的标签或者预测。 　　 　　 • 转换器:Transformer是一种算法,可以将一个DataFrame转换成

1.网页数据解析 （1）可以参看webkit内核，构建一个网页解析工具，解析dom树/视觉树/分块树，根据需求解析目标数据； （2）构建xpath类规则，提取指定目标数据； （3）解析microdata数据，可以参考pps/babytree，里面的itemscope/itemprop系列标签2.数据来源 （1）百度百科/维基百科等知识词条类 （2）豆瓣类垂直站点 （3）其它类别的站点3.

Cloudera Data Science Workbench: Self-Service Data Science for the Enterprise Cloudera数据科学工作台：企业自助数据科学开发环境March 14, 2017 R Python SCALA 使用