忆_恒心的博客

前言：由于最近在学习知识图谱的10.1 词嵌入（word2vec）10.1.1 为何不采用one-hot向量one-hot向量表示词（字符为词）,假设一个词的索引为iii，为了得到该词的one-hot向量表示，我们创建一个全0的长为NNN的向量，并将其第iii位设成1.one-hot词向量无法准确表达不同词之间的相似度，如我们常常使用的余弦相似度由于任何两个不同词的one-hot向量的余弦相似度都为0它将每个词表示成一个定长的向量，并使得这些向量能较好地表达不同词之间的相似和类.

2018年的一篇图神经网络的概述，从图的类型、图的类型、传播类型、训练类型进行GNN变体的分类，同时介绍了几个统一的框架以及描述了GNN的应用场景和提出了四个问题解决方案

目录0 前言：1 语义关系：1.1 句法关系1.1.1 替代关系​1.1.3 同现关系(Relations of Co-occurence)2 关系抽取的用处2.1 关系抽取中的特征2.1.1 学习语义关系的方法2.1.2 特征2.1.3 实体特征Basic entity features2.1.4 关系特征3 关系抽取数据集3.1 语义关系学习的标注数据3.2 基于模板的实体关系抽取3.2.1 基于模板的方法4 有监督实体关系的提取4..

目录1 数据采集原理和技术2 知识抽取：命名实体识别2.1实体识别2.2 基于规则和词典的命名实体识别流程2.3 基于机器学习的方法主要包括：2.4 基于深度学习的实体识别​2.5 基于半监督学习的实体识别2.6 基于迁移学习的实体识别机器学习与迁移学习2.7 基于预训练的实体识别参考文献：1 数据采集原理和技术爬虫原理 请求和响应 多线程并行爬取 反扒机制进队这些参考一下自己之前学的爬虫知识，详细见Python 这个专栏2 知识抽取：命名实体

一、知识图谱概念一个知识图谱的例子图表示形式：包括：实体、属性、惯性系节点是实体节点有属性标签（可以包含类型）两个节点的边是实体间关系强调实体，但也可以描述概念知识图谱 VS 传统知识库 VS 数据库知识图谱本质人类的信息组织革命Google Knowledge Graph知识表示一-语 义网络(Semantic Network)语义网络:表示概念间语义关系的网络1956年提出，最初目的用于语言翻译和自然语言处理 1960s, 19.

本体（Ontology）本体( Ontology ) :领域共享知识的描述方式,是语义 Web、语义搜索、知识工程和很多人工智能应用的基础。本体工程知识图谱中需要-一个本体来形式化描述和界定它所描述的知识和事实的范围。本体工程是用工程化规范保证本体质量的方法学。知识图谱本体VS数据库模式本体学习（手动）本体学习（自动）方法一：基于规则的本体学习人工写模版规则抽取本体优点:利用专家知识写抽取模版缺点:规则不足、规则冲突、不好扩展方法二：基于机器学习的本体学习将本体

目录知识抽取基础：问题和方法1 问题分析1.1 知识抽取的场景数据源1.2 从信息抽取到知识抽取1.3 知识抽取的例子​1.4 知识提取的挑战2 知识抽取场景和方法2.1 面向结构化的数据知识抽取2.1.1 从关系数据库中抽取知识2.2 面向半结构化数据的知识抽取2.2.1 linked data 核心数据集2.2.2YAGO百科知识抽取2.2.3 ZhiShi,me​2.3 面向无结构数据的知识抽取2.3.1 实体识别2.3.2 关系抽取

目录1 知识表示的概念1.1 知识表示方法1.2 知识表示的分类观点1.3 知识表示的发展2.1 语义网络2.2 产生式系统2.3 框架系统（Frame Systems）2.4概念图（Conceptual Graph）2.4.1 描述逻辑（Description Logic）Horn子句2.4.2 描述逻辑3.1 RDF(Resource Description Framework)3.1.1 RDF模型3.1.2 RDF Schema（图解）3.