![](https://img-blog.csdnimg.cn/direct/f412d3917e1745289167bc846eda07b2.jpeg?x-oss-process=image/resize,m_fixed,h_224,w_224)
知识图谱
文章平均质量分 90
知识图谱的技术与原理分享
三月七꧁ ꧂
尚未佩妥剑,转眼便江湖。愿历尽千帆,归来仍少年! 跨考计算机上岸,下一站:月薪3W!
展开
-
知识图谱存在的挑战---商业模式相关和人才相关
而且,我国缺乏人工智能与传统行业的跨界人才,不利于AI在各垂直行业的应用推广。同时,知识图谱的应用还处于探索阶段,没有成熟的系统可以借鉴,也没有经验丰富人才的储备,开发人员更多需要具备快速的学习和业务场景理解能力,结合用户场景和技术实现的难易程度,以较低的成本快速交付。对于知识图谱领域的创业公司,其在商业模式主要为以定制化解决方案的形式与金融、医疗、工业等领域的客户进行深度绑定,建设知识图谱并积累与客户磨合中的行业经验,不断完善和提高所建立知识图谱的广度与深度,逐步建立技术壁垒并完成项目交付。原创 2024-06-14 15:20:18 · 568 阅读 · 0 评论 -
知识图谱存在的挑战---隐私、安全和伦理相关和测试认证相关
其中,知识获取与知识融合环节测试评估获得的关注度较高,知识融合环节中的质量评估主要是对知识的可信度进行量化,保留置信度较高的并舍弃置信度较低的,有效确保知识的质量。它强调特定数据本身的安全性,弱化了周边环境的安全考虑。为了保证输出高质量的图谱,并且维持这一质量要求,不仅需要从系统、平台、数据库、网络维度保护模型本身的安全性,防止训练好的模型文件被破坏,而且还需要保证输入数据的安全性,从模型的训练数据到抽取好待入库的知识结构,避免如恶意代码或原有数据、关系的替换,以免篡改行为导致知识图谱的质量下降。原创 2024-06-14 15:14:25 · 689 阅读 · 0 评论 -
知识图谱存在的挑战---基础知识库相关和开发工具相关
目前实际构建知识图谱的过程中,对于多数知识图谱生命周期的流程,还处于基于非专业工具,甚至没有可利用的工具的阶段。由于功能模块的短板及专业工具的匮乏,使得贯穿知识图谱全生命周期的平台严重缺失,这不仅降低了知识图谱构建以及搭建应用的效率,也大大增加了由于工具的不专业性使得构建出的知识图谱中存在极大的风险。上述问题都将影响基础知识库的构建和开放利用,进而影响知识图谱的构建,如何去克服这些问题,打造在百科知识库的基础上建立各垂直领域知识库,形成开放的知识库生态,是知识库构建及知识图谱深远发展面临的重要挑战。原创 2024-06-13 14:59:30 · 776 阅读 · 0 评论 -
知识图谱存在的挑战---数据相关和算法相关
在构建过程中,从不同来源的数据中抽取的知识可能存在大量噪声和冗余,甚至算法输入的数据可能恶意生成样本和训练数据污染,面对噪声数据的干扰、多源异构数据的复杂性及AI安全所带来的恶意增加的干扰数据,现有算法模型的鲁棒性还有待进一步提高。对指代消解而言,虽然英文指代消解的研究取得了很大的成就,研究方法从基于规则的方法到基于统计的方法,但由于汉语和英文在构词、语法和句型等许多方面都存在较大的差异,因此,汉语指代消解的问题不能完全照搬英文中相关的消解技术,必须针对汉语自身的特点利用汉语有关的知识资源进行指代消解。原创 2024-06-13 14:53:31 · 790 阅读 · 0 评论 -
知识图谱的应用---智慧城建
城市建设信息涉及基础设施、交通出行、医疗服务、公共安全、教育服务、生产制造等公众生活相关的方方面面,具有高维度、异构性、多样性、稀疏性和海量性等特征。整合上述城市运行核心系统的各项关键数据是智慧城建必须面临和解决的问题,知识图谱对于海量高维复杂数据的处理能力则能很好地为该问题提供解决方案,知识融合技术可对大量数据进行动态分析和整合,同时利用知识建模和知识计算可将散布在城市各个角落的数据连接起来,对城市进行全域的即时分析、指挥、调动、管理,从而实现对城市的精准分析、整体研判、协同指挥。原创 2024-06-12 17:21:23 · 1073 阅读 · 0 评论 -
知识图谱的应用---智慧外交
依托公开媒体、互联网及内部信息等海量资源数据,综合运用知识抽取、实体归一、知识计算与推理等技术,可以构建形成关于国家和事件的外交知识图谱,实现对事件的性质和影响进行分析,并在事件信息量化处理的基础上,提供复杂、高维时序数据的关联分析。此外,还可通过随机过程建模及基于机器学习的趋势预测,实现突破事件的热点动态跟踪、趋势预测和危机预警等功能,给出国家安全的量化风险评估,为战略层面安全形势提供模型评估支撑,有效提高国家安全、外交等部门在国家战略形势实时研判能力,知识图谱构建过程如下图所示。原创 2024-06-12 17:14:53 · 346 阅读 · 0 评论 -
知识图谱的应用---新零售
新零售,即个人、企业以互联网为依托,通过运用大数据、人工智能等先进技术手段并运用心理学知识,对商品的生产、流通与销售过程进行升级改造,进而重塑业态结构与生态圈,并对线上服务、线下体验以及现代物流进行深度融合的零售新模式 以阿里巴巴为例,立足于当下的电商场景从认知用户的需求出发,充分利用知识图谱技术,构建起了一个全新的电商知识图谱:新零售电商认知图谱。认知图谱在电商推荐也得到了广泛应用。其他的应用包括:1)在搜索结果页中插入和搜索词相关的主题形式的卡片,猜测真正的用户需求,这里的主题即为认知图谱的电商概念。原创 2024-06-11 11:24:44 · 831 阅读 · 0 评论 -
知识图谱的应用---社交网络
知识图谱在社交网络常用于使社交网站、互联网应用等可以成为个性化用户社交环境并发挥价值(涉及搜索、推荐、娱乐、社交、商务等)的场景,并以数据信息、资料、图谱等形式开展商业应用,如数字社区个性化、社会化信息互荐、娱乐、消费等。社交搜索是一种用户可以执行针对社会化媒体内目标联系人的搜索。通过机器智能阅读和分析每个商家的每一条评论,可以充分理解每个用户对于商家的感受,针对每个商家将大量的用户评价进行归纳总结,从而可以发现商家在市场上的竞争优势/劣势、用户对于商家的总体印象趋势、商家的菜品的受欢迎程度变化等信息。原创 2024-06-11 11:16:22 · 879 阅读 · 0 评论 -
知识图谱的应用---智慧农业
知识图谱可将这些离散的信息相互关联,把复杂的农业知识直观地展示给农民、农业技术人员和相关决策者,例如,中国知网推出的智慧农民云平台、IBM推出的Watson农业决策平台等。以农业领域重点产业规模数据库、企业数据库、政策数据库、产业资源数据库、专利数据库、投资数据库等数据为核心,可以从产业、区域、企业等多角度绘制产业图谱并进行可视化分析,从而为农业相关从业者、企业、研究院所提供全产业链、全方位的产业发展现状和趋势,并给出产业发展相关的决策与指导,包括产业布局研究、生产服务和指导、产量统计、市场预警等。原创 2024-06-10 09:47:39 · 828 阅读 · 0 评论 -
知识图谱的应用---智能公安
团伙关系图谱分析主要基于对象的基本属性信息进行分析,并在这些信息数据之间建立内在关联,通过关系推断和隐含关系挖掘,分析出目标对象群体的集群关系,分析指标包括目标对象群体的同类工作关系、同类犯罪倾向关系、同类居住区域关系、同类活动规律关系、同类网络关系等。物品关系图谱分析主要针对关注对象的车辆、车牌号、驾驶证、身份证、手机号、电子邮箱、虚拟身份账户、银行账户等对象,基于物品对象的关系图谱分析,通过图谱的可视化方式展示物品图谱关系网络,并可不断扩展物品关系网络进行物品关系挖掘分析。原创 2024-06-10 09:41:34 · 569 阅读 · 0 评论 -
知识图谱的应用---智能电网
此外,现场设备检修时,往往需要了解设备各个维度的信息,例如该设备上一次检修的时间、故障原因及处置措施、设备问题的专题分析报告、设备实时参数的趋势曲线、与该设备有过相同缺陷或者被同时处置过的设备状态等,通过建立知识图谱并构建设备知识平台,可以将这些信息快捷、准确地提供给检修人员和管理人员。它以充分满足用户对电力的需求和优化资源配置、确保电力供应的安全性、可靠性和经济性、满足环保约束、保证电能质量、适应电力市场化发展等为目的,实现对用户可靠、经济、清洁、互动的电力供应和增值服务。变压器保护检修安全措施等。原创 2024-06-09 21:03:19 · 945 阅读 · 1 评论 -
知识图谱的应用---智慧交通
同时,与监控、监测、交通流量分布优化等技术的结合,完善公安、城管、公路等监控体系和信息网络系统,建立以交通诱导、应急指挥、智能出行、出租车和公交车管理等系统为重点的、统一的智能化城市交通综合管理和服务系统建设,实现交通信息的充分共享、公路交通状况的实时监控及动态管理。当前,“智慧交通”更加注重人、车、路和环境的和谐协调的关系处理,使交通发展更加具有可持续的协调发展意识,以更好地改善交通秩序和交通环境、节约能源、降低环境污染,智慧交通中知识图谱应用框架如下图所示。此外,对车辆也可进行同样的识别与检索操作。原创 2024-06-09 20:56:30 · 357 阅读 · 0 评论 -
知识图谱的应用---智慧司法
司法知识图谱可实现智慧司法的技术底层,找到对应的实体属性概念,触发相关的推送知识,还可以通过配对的规则,用概率来实现排名推荐,对类案进行分析,还可以广泛运用于要素式的审判,法律行为分析的预测,结果预判的分析等等,能很好地达到数据关联、知识拓展和应用支持。通过对知识图谱的构建,搭建论证案件事实的分析推理路径,结合案件事实、法律要素,为办案人识别、审查、运用证据,整理证据链的证明逻辑,并对证据的合法性、关联性进行判断,进而识别是否达到确实、充分的标准,为梳理案件事实提供智能化辅助。原创 2024-06-07 10:36:41 · 783 阅读 · 0 评论 -
知识图谱的应用---智慧政务
智慧政务即通过“互联网+政务服务”构建智慧型政府,利用云计算、移动物联网、人工智能、数据挖掘、知识管理等技术,提高政府在办公、监管、服务、决策中的智能水平,形成高效、敏捷、公开、便民的新型政府,实现由“电子政务”向“智慧政务”的转变。在政务生态链中,知识图谱的意义在于将大规模、碎片化的多源异构政务数据进行关联,以实体为基本单位对政务数据进行挖掘分析,揭示各实体间的复杂关系,实现知识层面的数据融合与集成,更大程度释放政务数据价值,为政府部门、企业、非营利组织、企业、公民提供知识服务。原创 2024-06-07 10:29:14 · 669 阅读 · 0 评论 -
知识图谱的应用---智慧教育
2017年,百度不仅在既有的大数据分析技术、OCR 识别技术、智能检索技术基础上完成了进一步的升级,同时,基于百度教育知识图谱构建的高考学习链路 逻辑,还能够将题目解析与对应高考知识点进行更为精准、快速的匹配,完成对高考考点的抓取与智能定位,令估分更快、更准确。通过构建知识图谱,可建立起教师、学生、家长间的良性互动关系,通过网络阅卷、在线考试、题库诊断、教学资源推荐、智慧课堂等多种渠道为学生提供针对性、个性化学习,帮助学生提高学习成绩,建立“以学生发展为中心”的个性化学习方式。原创 2024-06-06 15:46:35 · 932 阅读 · 0 评论 -
知识图谱的应用---智能制造
在企业内,不同的应用领域,往往会有相应的专家知识库,例如:市场预测方法、故障维修方法、生产排期方法、销售违规判定方法等,这些孤立的专家知识库仅利用了局部知识,无法形成完整的知识脉络。下图展示了一个设备生产企业将供应链、生产、维保、销售、市场监控等数据整合后构建的知识图谱案例,可基于此实现综合决策。目前在提升良品率方面,知识图谱通过深度计算所有的关联参数,可精准分析出与生产质量强相关的关键参数并基于分析结果搭建出参数的曲线模型,结合生产过程中实时监测和调控变量,最终将最优参数在大规模生产中精准落地。原创 2024-06-06 15:39:05 · 955 阅读 · 0 评论 -
知识图谱应用---智慧医疗
早期的医疗过程辅助,更多的是基于知识库的查询和提醒,以及基于规则的判断和决策,基本用于解决临床医生在遇到不熟悉的临床问题时进行知识检索的碎片化场景。基于知识图谱技术的医学科研,使得科研工作中一些耗时耗力的基础知识工作能够实现自动化,形成智能化的科研辅助应用,基于知识图谱的医学科研典型应用有:医疗文献辅助阅读应用利用人工智能技术从海量医疗文献中针对性抽取有用的信息,结合自动摘要、语义检索、关联分析等技术手段,形成基于医学文献的知识图谱,帮助医生快速阅读和理解医学文献,提高学习效率。原创 2024-06-04 16:59:30 · 1659 阅读 · 0 评论 -
知识图谱应用---智慧金融
在潜在风险行业预测方面,在基于多维度数据的基础上,对行业进行细分,依托行业信息、贷款信息等数据建立起的行业之间的知识图谱,可以发现不同行业间的关联程度。基于知识图谱的反洗钱系统充分运用大数据技术中分析和图挖掘技术,基于客户标签、画像开展客户立体化识别,并结合互联网大数据、第三方场景的数据等进行图层构建,对企业的关联网络特征进行图编码,并基于图层数据搭建目标企业关联概率网络,将图层进行叠加得到知识图谱,对企业关联结构进行深度解析,实现对隐性风险结构及关联主体的深度挖掘,以全息式多维度实时监控企业洗钱风险。原创 2024-06-04 16:41:37 · 810 阅读 · 1 评论 -
知识运维概述
具备知识运维能力的知识图谱平台主要功能宜包括:本体的构建,针对多种数据来源的结构化、半结构化、非结构化的数据类型在不同的技术下的知识获取,实体识别、关系识别、实体链接、实体属性抽取的实现,基于本体概念和实体知识图谱间的验证,构建流程与运维过程的监控,对知识图谱构建过程中的各种异常情况的记录和反馈,对入库知识图谱的人工审核。基于版本的知识图谱运维可以实现知识图谱的升级切换,方便线上应用业务的平滑升级,也可以在新版本知识图谱上线出现问题情况下快速切换回原有版本,降低对业务的冲击,同时避免误操作后的知识丢失。原创 2024-06-01 22:08:52 · 1017 阅读 · 0 评论 -
知识计算概述
随着知识图谱技术及应用的不断发展,图谱质量和知识完备性成为影响知识图谱应用的两大重要难题,以图谱质量提升、潜在关系挖掘与补全、知识统计与知识推理作为主要研究内容的知识计算成为知识图谱应用的重要研究方向。研究表明,融合已有先验知识和极少量的样本进行模型训练,能够很好的解决小样本量场景下的知识计算模型训练所面临的问题,基于开发世界假设,在进行知识图谱的逻辑推理和计算时,对未发现、不存在的、新产生的知识看作是未知的,将已经建立的知识图谱看作先验知识,通过少量高质量样本进行快速学习计算和整合。下图为异常检测示例。原创 2024-06-01 22:00:56 · 768 阅读 · 0 评论 -
知识建模概述
知识建模核心解决了采用什么样的形式高效组织和表达知识的问题,偏向于知识建模的方法论,在未来的发展趋势中,将会解决知识建模的规范化和标准化。自底向上的方法则多用于开放域知识图普的本体构建,因为开放的世界太过复杂,用自顶向下的方法无法考虑周全,且随着世界变化,对应的概念还在增长,自底向上的方法则可满足概念不断增长的需要。知识建模的过程是知识图谱构建的基础,高质量的数据模型能避免许多不必要、重复性的知识获取工作,有效提高知识图谱构建的效率,降低领域数据融合的成本。下面分别对这些步骤作详细的介绍,如下图所示。原创 2024-05-31 09:51:11 · 601 阅读 · 0 评论 -
知识融合概述
在总结众多知识融合概念的基础上认为知识融合是知识组织与信息融合的交叉学科,它面向需求和创新,通过对众多分散、异构资源上知识的获取、匹配、集成、挖掘等处理,获取隐含的或有价值的新知识,同时优化知识的结构和内涵,提供知识服务。从流程角度对知识融合概念进行分解,如下图所示。实体链接问题是数据层知识融合研究的主要任务,其核心是构建多类型多模态上下文及知识的统一表示,并建模不同信息、不同证据之间的相互交互,主要的实体链接方法有:基于实体知识的链接方法、基于篇章主题的链接方法和融合实体知识与篇章主题的实体链接方法。原创 2024-05-27 20:50:54 · 884 阅读 · 0 评论 -
知识存储概述
从存储结构划分,知识存储分为基于表结构的存储和基于图结构的存储,如下图所示。知识存储方式。原创 2024-05-27 20:20:32 · 816 阅读 · 0 评论 -
知识表示概述
在图中,节点表示事物、属性、概念、状态、事件、情况、动作等含义,节点之间的弧表示它所连接的两个节点之间的语义关系,根据表示的知识情况需要定义弧上的标识,一般该标识是谓词逻辑中的谓词,常用的标识包括实例关系、分类关系、成员关系、属性关系、包含关系、时间关系、位置关系等。此外,语义计算是知识表示的重要目标,基于符号的知识表示方法无法有效计算实体间的语义关系,如下图所示。知识表示作为知识抽取、融合、建模、计算、应用的基础,侧重于表达实体、概念之间的语义关联,针对知识图谱的语义增强在未来依旧是知识表示重要任务。原创 2024-05-23 16:28:04 · 682 阅读 · 0 评论 -
知识获取概述
属性主要是针对实体而言的,以实现对实体的完整描述,由于可以把实体的属性看作实体与属性值之间的一种名词性关系,所以属性抽取任务就可以转化为关系抽取任务,例如,采用SVM方法将人物属性抽取问题转化为人物的关系抽取,提出的基于规则与启发式的抽取方法能够从Wikipedia和WordNet半结构化网页中自动抽取出属性和属性值,其抽取的准确率可达95%,并因此得到了著名的本体知识库YOGO,还有直接从非结构化文本中挖掘出实体属性名称和属性值之间的位置关系模式的属性抽取的方法。原创 2024-05-23 16:14:34 · 1064 阅读 · 0 评论 -
知识图谱推动因素
云计算的市场规模增长趋于稳定,目前主要以IaaS、PaaS、SaaS为代表的全球公有云为主,根据相关机构预测,市场规模已经达到2000亿美元,平均增长幅度达到29%。知识图谱最初是由谷歌提出用来优化搜索引擎的技术,目前已经应用到了很多热门领域中,例如语音助手、聊天机器人、智能问答等。其可以组织现实世界中的知识,描述客观概念、实体、关系。这种基于符号语义的计算模型,一方面可以促成人和机器的有效沟通,另一方面可以为深度学习模型提供先验知识,将机器学习结果转化为可复用的符号知识累积起来。 云计算作原创 2024-05-17 17:50:51 · 619 阅读 · 0 评论 -
知识图谱推动条件
知识图谱的发展离不开计算硬件的支撑,特别是知识图谱构建、推理、应用过程中的机器学习算法的训练和预测等过程,对计算硬件的依赖显得尤为明显。随着越来越多不同类型的硬件设备连接到互联网,生成了海量有用业务数据,同时基于这些业务数据在一定程度上改善该行业领域的用户体验。现阶段知识图谱对算力的需求体现在两方面,一是知识图谱算法包括大量的卷积、残差网络、全连接等计算需求,在摩尔定律接近物理极限、工艺性能提升对计算能力升级性价比日益降低的前提下,仅基于工艺节点的演进已经无法满足算力快速增长的需求;二是知识图谱需要原创 2024-05-03 17:50:27 · 1070 阅读 · 0 评论 -
知识图谱需求
公共安全领域信息化以现代通信、网络、数据库技术为基础,将所研究对象各要素汇总至数据库,并针对各个业务领域进行定制化开发,以满足公共安全实战需求。近年来我国公安信息化建设不断加强,发展至今,形成了涵盖1300余项标准的公安信息化标准体系,组织建设了9个国家工程实验室和27个公安部重点实验室,依托一站式工作平台“警综平台”,有效降低了基层民警工作量。虽然我国公安信息化发展较快,但受传统观念、资金投入、工作机制等影响,公安信息化建设仍有较大发展空间,而且由于公共安全相关信息中实体关系重要性较高,对知识图谱原创 2024-05-03 17:24:49 · 622 阅读 · 0 评论 -
知识图谱的起源与发展
知识图谱(Knowledge Graph)以结构化的形式描述客观世界中概念、实体及其关系,将互联网的信息表达成更接近人类认知世界的形式,提供了一种更好地组织、管理和理解互联网海量信息的能力。知识图谱给互联网语义搜索带来了活力,同时也在智能问答中显示出强大威力,已经成为互联网知识驱动的智能应用的基础设施。知识图谱与大数据和深度学习一起,成为推动互联网和人工智能发展的核心驱动力之一。原创 2024-04-21 21:05:45 · 1261 阅读 · 0 评论 -
关系抽取与属性补全
从文本中抽取出两个或者多个实体之间的语义关系;从文本获取知识图谱三元组的主要技术手段,通常被用于知识图谱的补全。美丽的西湖坐落于浙江省的省会城市杭州的西南面。-->(西湖,位于,杭州) , (浙江省,省会,杭州)实体关系抽取方法概览基于模板的方法:基于触发词匹配的关系抽取基于模板的方法:基于依存句法匹配的关系抽取。依存句法分析句子的句法结构,以动词为几点,构建规则,对节点上的词性和边上的依存关系进行限定。基于模板的方法:基于触发词匹配的关系抽取基于模板的方法:基于依存句法匹配的关系抽取。原创 2024-04-21 20:47:50 · 854 阅读 · 0 评论 -
实体识别方法
隐藏状态的初始分布Π = [π(i)]N,这里指的是标签的先验概率分布。如果假设某个词的标签只与其相邻的词的标签有关,则形成马科夫随机场,同时由于这个随机场只有两种变量,令X为词,Y为实体类型标签,则形成一个条件随机场,即,我们的目标时求解P(Y|X)。解码隐藏状态序列—维特比算法,问题:给定训练好的模型,给定一句话,预测每个词对应的实体标签,输入:模型λ=(A,B,Π),观测序列O=(浙,江,大,学,位,于,杭,州);输入:模型λ=(A,B,Π),观测序列O=(浙,江,大,学,位,于,杭,州);原创 2024-04-16 20:14:05 · 1152 阅读 · 0 评论 -
知识图谱的存储
图数据库中存在大量属性,这些属性的检索与图遍历的计算是分开的,这是为了让节点之间的图遍历能不受大量属性数据的影响。每个节点首字节标明是否inUse,接下来四个字节存储该关系边的头节点ID,再接下来四个字节存储该关系边的尾节点ID,再接下来4个字节存储关系边类型ID,再下面存储头节点和尾节点的上一个关系边ID,以及头尾节点的下一个关系边ID。主要优化的点:1.节点的查找,关系的查找,2. 从节点到关系,从关系到节点,3. 从关系到关系,4. 从节点到属性,从关系到属性,5. 从关系到关系类型。原创 2024-04-16 16:51:40 · 1149 阅读 · 0 评论 -
知识图谱表示
尽管很多知识图谱并没有应用复杂的知识表示框架,Schema工程对于知识图谱的构建仍然是基础性和必要性的工作,高质量的知识图谱构建通常从Schema设计开始。在知识图谱的深度利用中,如复杂语义的表达、规则引擎的构建、推理的实现,会对更有丰富表达能力的知识表示方法有更多的需求。描述逻辑是一阶谓词逻辑的可判定子集,主要用于描述本体概念和属性,对于本体知识库的构建提供了便捷的表达形式,是与知识图谱最密切相关的知识表示方法之一。是以人的逻辑为主导的表示方式,可能并不适合机器,机器可能有自己的逻辑表示。原创 2024-04-02 11:31:47 · 831 阅读 · 0 评论 -
知识图谱概论
KG辅助视觉理解,知识图谱在CV领域有广泛的应用,将视觉识别出的对象链接到外源的知识图谱,可用来辅助图像语义关系抽取和视觉语义的深入理解等。谷歌2015年12月推出的Cutomizable Knowledg Graph,允许各网站基于Schema.org,以RDFa, JSON-LD, HTML Microdata等方式在网页、邮件等数据源中嵌入语义化数据,支持个人和企业定制自己的知识图谱信息,全球约有1.2亿的网站,超过30%的网页已经嵌入有Schema.org的语义数据。原创 2024-04-02 09:19:19 · 714 阅读 · 0 评论