Knowledge Graph
知识图谱相关技术
Sophia$
算法
展开
-
知识图谱应用篇(三)-知识图谱的问答场景应该如何选择?
笔者会以产品经理的视角来写技术相关的文章,在前面的文章中简要的介绍了知识图谱的概念,构建以及基本应用形式。这篇文章主要介绍如何判断问答场景是否适合知识图谱。1. 什么是知识图谱的问答业界通用的问答系统是以Q&A为中心构建问答,需要运营去穷举用户的所有的问题(question),然后给每个问题配上相应的答案。然后算法用Q-Qmatch解析到运营配置的问题(question)上,召回答案(answer)返回给用户。目前广泛用于语音助手,客服机器人当中,案例:三星BIXBY语音助手,小I机器人。转载 2020-07-04 17:24:26 · 698 阅读 · 0 评论 -
知识图谱应用(二)-问答系统
笔者写了一篇知识图谱在搜索与推荐中的应用,这篇文章会着重讲讲问答系统中的人机交互和自然语言处理相关的问题。简单聊聊人机交互,目前人机交互的常见场景有如下三种:闲聊型(Chatbot)、问答型(QA)、任务型(VPA)。闲聊型,典型的应用案例是微软小冰,你可以和小冰进行闲聊问答型,典型的应用案例是度秘、小蚂答,基于问答的方式与用户进行交互任务型,cortana和siri应该可以算这个类型的本文主要着重讲解知识图谱在问答型产品中的应用。我偏笑_NSNirvana 在QA问句解析的七种方.转载 2020-07-04 17:04:55 · 1329 阅读 · 0 评论 -
知识图谱的应用(一)-搜索与推荐
之前从产品经理角度写了三篇有关知识图谱的基础知识,这篇文章和以后的文章会更贴近业务层面来写一些知识图谱的商业应用。为什么要把搜索与推荐放一起,是因为这俩兄弟绑定的太深了。1. 如何理解搜索与推荐1.1 搜索从需求角度来分析,可以还原成下面的这一段话,1.A是一个用户;2.A想要找一个"thing";3.A有"thing"的某些信息,或者知道"thing"的名称等等;4.A用他个人的知识表达方式描述了"thing";5.帮A找出"thing"。再讲通俗一点,就是帮A通过他的转载 2020-07-04 16:42:40 · 5561 阅读 · 0 评论 -
知识图谱基础(三)-schema的构建
在前面一篇文章《知识图谱基础(二)-知识表达系统》中介绍了知识图谱的基础知识表达系统,什么是entity,什么是relation,什么是domain,什么是type等等。本篇文章主要从应用角度来聊一聊如何构建schema以及shcema构建中需要考虑的问题。以下所讲的schema构建主要是基于common sense进行构建的,弱关系图谱构建会在应用中讲到。1. schema的定义简单来说,一个知识图谱的schema就是相当于一个领域内的数据模型,包含了这个领域里面有意义的概念类型以及这些类型的属性转载 2020-07-04 14:47:38 · 4536 阅读 · 0 评论 -
知识图谱基础(二)-知识图谱的知识表达系统
前面一篇文章主要简单介绍了一下什么是知识图谱,什么是知识库,以及知识图谱的基本应用。知识表达系统可以说是整个知识图谱应用化的灵魂,本文主要从产品角度去讲解知识图谱的知识表达系统。1. 三元组的定义《知识图谱基础(一)-什么是知识图谱》中讲到了以freebase为代表的curated KBs的本质上是三元组,下面会来讲解三元组的基本组成部分。1.1 实体(Entity)实体是对客观个体的抽象,一个人、一部电影、一句话都可以看作是一个实体。例如:姚明,李安,我不是潘金莲1.2 类型(type转载 2020-07-04 12:15:04 · 756 阅读 · 0 评论 -
知识图谱基础(一)-什么是知识图谱
1. 知识图谱的定义知识图谱在国内属于一个比较新兴的概念,国内目前paper都比较少,应用方主要集中在BAT这类手握海量数据的企业,这个概念是google在2012年提出的,当时主要是为了将传统的keyword-base搜索模型向基于语义的搜索升级。知识图谱可以用来更好的查询复杂的关联信息,从语义层面理解用户意图,改进搜索质量。个人认为,知识图谱最大的优势是在于对数据的描述能力非常强大,各种机器学习算法虽然在预测能力上很不错,但是在描述能力上非常弱,知识图谱刚好填补了这部分空缺。知识图谱的定义非转载 2020-07-04 12:06:36 · 1285 阅读 · 0 评论 -
Deepdive原理
DeepDive是一种新型数据管理系统,能够从非结构化的文本中提取出结构化的数据,可以在单个系统中解决提取,集成和预测问题,使用户能够快速构建复杂的端到端数据管道,例如黑暗数据BI(商业智能)系统。通过允许用户端到端构建系统,DeepDive允许用户专注于系统中最能直接提高应用程序质量的部分。相比之下,以前基于流水线的系统要求开发人员构建提取器,集成代码和其他组件 - 而不清楚他们的更改如何提高其数据产品的质量。这种简单的洞察力是DeepDive系统如何在更短的时间内生成更高质量数据的关键。通过DeepD转载 2020-06-29 21:34:21 · 951 阅读 · 0 评论 -
基于电影知识图谱的智能问答系统
1. MySQL数据准备1.1 MySQL数据说明(1)数据库:movie(2)genre:电影类别表(3)movie:电影基本信息表(4)movie_to_genre:电影与类别的对应关系 【电影id == 类别id】(5)person:演员基本信息表(6)person_to_movie:演员与电影对应的关系【演员id == 电影id】1.2MySQL数据脚本语句数据sql脚本下面提供了两种下载方式,如果你使用的mysql客户端可视化连接工具是.转载 2020-06-21 21:01:36 · 5424 阅读 · 0 评论