网球【转载】中文知识图谱研讨会的上学总结 (上) 图谱引入、百度知心、搜狗知立

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

通过半年差不多底考虑与准备,前天夕,我们做出了一个艰难的控制:让大儿子在家看。

 

自厌倦了男女题海战术,买的课外书向没有工夫读,而异的健康变得更其不好了。我理解有好多之理可以让子女后续读,譬如:别的孩子怎么成绩那么好?孩子应该上集体生活否则会发生自闭症,家长缺乏经验可能教育的又糟糕,是的,所以我们非常慎重考虑这些,并不断权衡,最终,我们看在家教育利远大于弊。

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

咱打算,每周的周一至周五上午还是孩子锻炼身体的辰,比如游泳、篮球、网球和登山,只要是锻炼身体什么都得。下午的时间,中午午休一个钟头,然后要学习电脑及英语,为什么是这么也?因为上电脑其实会涉嫌到数学、语文很多之文化,我们初步也不限制学习电脑的谁地方,主要让他找到好感兴趣的情。最重大之是,学习电脑可以当做他以后生计的管教。至于上英语,这是为他连小学文凭都未曾了,在中华免可能混得下来的,只出失去海外自己留学才有或继续大学教育,庆幸的是,目前自我找到有外教的英语学习班正好适合他(他昨听了一如既往节约课,老师说他比较我学的好,囧),而且价钱不贵。至于课本的内容,并没有放弃,还是吃他好指定计划,慢慢学。周末于他错过与男女等打。

 

咱无盼儿女压力颇,如果情节尽多我们见面更减掉些。我知道一个真相,压力小一些,自主的能力就见面愈有。

目录(?)[-]

今天上午,我跟妻子去了母校,正式提出在家看,老师以及校长当觉的不妥,但暗示,你请假吧。当然,某位学校的同志说正说正,痛批了今的教育,但是好吗充分不得已。

  1. 同等
    知识图谱相关引入介绍
  2. 二 NLP Techniques in Knowledge Graph
     百度知心
  3. 老三 面向知识图谱的探寻技术
    搜狗知立方

儿女点,他本对在家看太兴奋,对于制定的计划还是觉得不好意思要无若加点。今天上午7点,我错过让他,他即刻从床然后洗脸刷牙,比平常不知情不久多少,之后,他起来小不轻松,胆怯的问话妈妈:我本该干什么?妈妈随口说:那尔错过看开吧。其实妈妈是给他省课外书,结果他把语文和英语拿出去,自觉的大声朗读起来,甚至到吃早饭的时段他呢未乐意停止下来,因为他觉得必须读满一小时。我理解,他实在是爱慕阅读之,只是整个环境要求的最多。

 

孩子是友好的,我用也外的前承担,无论怎样做,开心健康之人生才是极致着重之。

        知识图谱(Knowledge
Graph)是当前教育界以及企业界的研讨热点。中文知识图谱的构建对中文信息处理和华语信息搜索具有重大之值。中国中文信息学会(CIPS)邀请了发出大致10小从事文化图谱研究和施行的名牌高校、研究单位及合作社的家及学者有意涉足并登出演说,下面就是是首先暨全国华语知识图谱研讨会的攻笔记。
        会议介绍地点及PPT下充斥链接:http://www.cipsc.org.cn/kg1/

网球 1

        第一篇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.学问图谱相关引入介绍
        二.NLP Techniques in Knowledge Graph —— 百度知心
        三.面向文化图谱的搜技术 —— 搜狗知立方

       
PS:希望大家看原文PDF,因为由自己耶还于念书过程中,本人理解程度不够;同时发出无发现场听是讲座,所以重重具体贯彻方式和进程还心有余而力不足发挥。
        下载地址:http://download.csdn.net/detail/eastmount/9255871

 

一. 知识图谱相关引入介绍

       
在介绍会内容前面,我准备先行叫大家介绍下知图谱的基础知识。前面我呢介绍了很多学问图谱相关的篇章,这里要看华南理工大学华芳槐之博士论文《基于多种数据源的中文知识图谱构建方式研究》,给大家教知识图谱的情节跟升华历史。

        (一).为什么引入知识图谱呢?
       
随着信息之爆炸式增长,人们十分麻烦由海量信息中找到真正得之音。搜索引擎正是在这种情景下冒出,其原理是:
     
  1.经爬虫从互联网遭受集信息,通过确立因关键词之倒排索引,为用户提供信息检索服务;
       
2.用户通过采用要词描述自己之询问意图,搜索引擎依据一定的排序算法,把切查询条件的音依序(打分)呈现为用户。
       
搜索引擎的面世,在自然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,并不曾指向查询的靶子(通常为网页)和用户之询问输入进行亮。
       
因此,它们在摸索准确度方面存在显著的先天不足,即由HTML形式的网页缺乏语义,难以为电脑理解。

        (二).语义Web和本体的定义
        为缓解互联网信息的语义问题,2008年Tim
Berners-Lee等丁提出了后辈互联网——语义网(The Semantic
Web)的概念。在语义Web中,所有的信都持有一定之布局,这些组织的语义通常使用本体(Ontology)来讲述。
       
当信息结构化而有语义后,计算机就会理解其含义了,此时用户更进行查找时,搜索引擎在亮互联网中信息意义的底子及,寻找用户真正得之音。由于互联网遭受信息的意义是由于本体来讲述的,故本体的构建以那个特别程度上控制了语义Web的提高。
       
本体(Ontology)描述了特定领域(领域本体)或具有世界(通用本体)中的定义与概念里的涉嫌关系,并且这些概念和干是明显的、被齐认可的。通常,本体中主要不外乎概念、概念的另名目(即一律关系)、概念中的光景个涉及、概念的性关系(分为对象属性与数值属性)、属性的定义域(Domain)和值域(Range),以及当这些情节及的公理、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)数据给宣布。互联网而逐渐从只有含网页和网页中超链接的文档万维网(Web
of Document)转变吗带有大量叙各种实体和实业之间丰富关系的数额万维网(Web
of Data)。
        在斯背景下,知识图谱(Knowledge
Graph)正式为Google于2012年5月提出,其目标在于改善搜索结果,描述真实世界被留存的各种实体和概念,以及这些实体、概念中的涉及关系。紧随其后,国内外的其它互联网搜寻引擎公司吧纷纷构建了好的学问图谱,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、推荐系统等领域拥有广泛的运用。
        下图是搜狗知立方“姚明”的涉图:

网球 2

        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”这词话来介绍他们的文化图谱的,此处的“thing”是同风俗的互联网及之网页相较:知识图谱的对象在于描述真实世界被在的各种实体和概念,以及这些实体、概念中的涉关系。
        知识图谱和本体之间又存什么界别为?
       
知识图谱并无是本体的替代品,相反,它是于本体的底蕴及进行了增长和扩大,这种扩张主要反映于实业(Entity)层面;本体中突出与强调的是概念和概念里的干关系,它讲述了知识图谱的数据模式(Schema),即为知识图谱构建数据模式相当给为其构建本体;而知图谱则是当本体的根基及,增加了更为丰富的有关实体的信。
       
知识图谱可以视作是相同摆放高大的希冀,图被之节点表示实体或概念,而贪图备受之边则成涉嫌。在知识图谱中,每个实体和概念都应用一个大局唯一的规定ID来标识,这个ID对许目标的标识符(identifier);这种做法和一个网页有一个应和之URL、数据库中之主键相似。
     
  同本体结构同样,知识图谱中的定义以及概念里也设有各种干关系;同时,知识图谱中的实体之间为在即同样的关系。实体可以具备属性,用于形容实体的内在特性,每个属性都是盖“<属性,属性值>对(Attribute-Value
Pair, AVP)”的章程来表示的。

        (四).知识图谱举例
       
总之,知识图谱的产出更敲起了语义搜索的大门,搜索引擎提供的已经休是向阳答案的链接,还有答案本身。下图显示Google搜索结果的快照,当用户搜索“刘德华的年龄”时,其结果连:
        1.列出了连带的网页文档检索结果;
        2.在网页文档的上为闹了寻找的一直精确答案“54东”;
        3.还要列有了相关的人“梁朝伟”、“周润发”以及她们各自的岁数;
        4.而于右为知识卡片(Knowledge
Card)的形式列出了“刘德华”的系信息,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蕴涵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)的学识图谱。

网球 3

        这些招来结果看似简单,但这些状况背后饱含在极其丰富的音:
        1.第一,搜索引擎需要理解用户输入被的“刘德华”代表的凡一个口;
        2.其次,需要而懂得“年龄”一歌词所代表什么含义;
       
3.末,还需以后台有长的知识图谱数据的支撑,才会答应用户问题。
       
同时,知识图谱还以任何点也寻找引擎的智能化提供了可能,辛格尔博士指出:搜索引擎需要在答案、对话与展望三个基本点职能及拓展改进。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当领域为享有普遍的含义。
        按照覆盖面,知识图谱可以分成:
        1.通用知识图谱
       
目前都公布之文化图谱都是通用知识图谱,它强调的凡广度,因而强调还多之是实业,很不便很成完全的全局性的本体层的统一管理;另外,通用知识图谱至关重要采用为找等事情,对准确度要求不是异常高。
        2.行业知识图谱
       
行业知识图谱对准确度要求又胜似,通常用于支援各种复杂的解析下或裁定支持;严格和增长的数额模式,行业文化图谱中之实业通常属性多且具行意义;目标靶需要考虑各种级别之人口,不同人员对应的操作和事情场景不同。
         本体构建:人工构建方式、自动构建方式同机动构建方式

 

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 4

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

网球 5

        同时知识图谱推荐列表(List
Recommendation)如下所示,搜索“适合放在卧室的植物”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 6

        同时,百度知心知识图谱也支持移动端的应用,如下图所示:

网球 7

       
PS:不晓干什么近来使用百度知心搜索的效能不是老好!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:注意这四独知识点非常重大,尤其是以知识图谱实现着,下图为非常重要。

网球 8

        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应用程序有用的新类型:Movie、TV
series、music、book、software、computer game
        更细的归类:组织 -> {学校,医院,政府,公司…}
                               Computer game -> {net game,webpage
game,…}
       
其中web中命名实体的性状包括:新的命名实体迅速崛起,包括软件、游戏与小说;命名实体在网达到的讳是业余的(informal)

        (1)从询问日志(Query Logs)中学习命名实体(NEs)        
查询日志被蕴含了汪洋底命名实体,大约70%的查找查询包含了NEs。如下图2007年Pasca论文所示,命名实体能够冲上下文特征(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 9

        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,然后运已经拟到之上下文特征来领取C类的初米实体,使用扩展种子集去扩大上下文特征….
       
利用查询日志该办法的助益是:它会覆盖时出现的命名实体;它的先天不足是:旧的还是未吃欢迎之命名实体可能会见磨了。

        (2)从平常文书中修命名实体(Learning NEs from Plain Texts)         文字包装器(Text
Wrappers)被大利用被由纯文本中领取(Extracting)命名实体。例如包装器“电影《[X]》”,“影片[X],导演”,其中[X]意味着影片名字。如下图所示:

网球 10

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

        是否出或一味打网页标题(webpage
titles)中领到命名实体呢?确实。99%的命名实体都能当片网页标题中窥见。
       
Url文本混合模型应该考虑URL约束,简单的文本模式可信的URL链接是够的,复杂的公文模式要低质量的URL。其中论文参考下图:

网球 11

网球 12

        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,只能摆来入门介绍。《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:三非常百科 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)和不结构化文本中爬取AVP

        (1)挖掘以线百科AVP数据
       
如下图所显示,结构化信息盒infobox准确而未全面,半结构化信息不是够准确。
       
PS:结构化数据如果数据库中表;非结构化数据像图、视频、音频无法直接了解其的始末;半结构化数据而职工的简历,不同人可能建立不同,再要百科Infobox的“属性-值”可能不同,它是结构化数据,但组织变化很大。

网球 13

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

网球 14

       可能会见碰到两单问题?
     
 第一单凡是怎样找到有关的垂直网站,如果是摸索流行的网站是易之,如音乐、电影、小说;但是若是寻找长尾域(long
tail
domains)的网站是艰难的,如化妆品、杂志。第二独问题是面对广大之数码怎样死成提取模式。

网球 15

       
同时,人工模式可以保证充分高的准头,但是工具能够帮我们更惠及的编撰模式。最后AVP知识要普通中积淀与换代,包括不同时项目的更新、新网站的进入、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:如果那时与这讲座就会叙述清楚了,下面这些发表有些模糊,sorry~
       
所有模块(modules)都该是可选的:输入AVP数据控制哪些模块是必不可少的,模块间的指必需遵守。同时,这些模块大部分且是电动工具(semi-automatic
tools)。
        下面具体介绍: 

        1.Cleaning
        检测及排表面错误,包括不得读代码(Unreadable
codes)、错误的截断(Erroneous
Truncation)、由于打错误引起的荒唐性、双字节-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数据所给的性质对应的值类型。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)
        它可帮忙识别非法属性值和领取候选同义的属性名。

        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以特定的园地还是是鲜单特定的知识源中。
       
例如“大小(size)”和“屏幕(screen)”在有些部手机网站及象征和义词,但不是具的开放域解释都同样。
        分类型(Classification model)来甄别候选同义属性
       
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)特征跟实体值特征。最后评选者从持有候选中选取对的貌似特性对。

        5.Knowledge Fusion 知识融合
        融合从不同数额来之学问,关键问题——实体消歧(Entity
disambiguation)。

       
其解决方法是计量两独一样名称实体之间的相似性。一些着力性可以用来规定实体的地位,如“works
of a writer”。其他有性质只能用来作相似性的表征,如“nationality of a
person”(国籍)。

        6.Entity Classification 实体分类
       
为什么要分类为?因为有些实体会丢类别信息;同时不去所有从源数据被挖的实体都产生档次(category)。解决方式是:通过监控模型训练就知道路的实业和她的性能-值对;使用结构化数据(AVPs)和免结构化数据(上下文文本)来规范地分类特征。

        下面是一对于文化应用层的语义计算模块/方法。主要是实际的用:
        实体消歧用于推理(Entity disambiguation for reasoning)
        陈晓旭的上演的《红楼梦》

网球 16

        有关实业消歧(Related entity disambiguation)

网球 17

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

网球 18

 

       
其主干问题即是AVP相似计算,包括为不同之属性定义不同之权重、有因此性和无效属性等。

网球 19

        最后总结如下:
        1.网络检索的初取向:知识搜索、语义搜索、社会化搜索
       
2.便知图谱而言,研究语义方面根本。知识库的构建和知识搜索还用语义计算(Knowledge
base construction and knowledge search both need semantic
computation)。
        3.各种网络资源应该受再次好之采用:网络语料库、查询记录、UGC数据

 

三. 面向知识图谱的索技术 —— 搜狗知立方

       
这首稿子主要是搜狗张坤先生分享的学识图谱技术,以前自己哉谈了搜狗知立方和查找相关知识,这里就是因为图片为主简单进行描述了。参考:摸索引擎以及知识图谱那些从事
        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),这里就不再详细讲述,我面前有些文章介绍了这些。
        参考我之章:机械上排序的Learning to
Rank简单介绍

        搜索结构发现变化如下所示。
       
用户要获得更确切之音讯,系统要时换取空间,计算替代索引,优质的信息以中转为机械理解的学问,使得这些知识及机械发挥还怪作用。

网球 21

       
搜狗知立方整体框架图如下所示,其中下局部的实体对同步、属性对同步是自己现研究的有的。主要概括以下一些:
        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.异构数据做(实体对同步、属性值决策、关系建立)
        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,而非是摸索引擎。其确的换代之远在,在于能够立刻接头问题,并为闹答案,在叫问到”珠穆朗玛峰生差不多赛”之类的问题常常,WolframAlpha不仅能够告诉你海拔高度,还能告您当时座世界首先峰的地理位置、附近有啊城镇,以及同样层层图片。 
     
  Freebase: 6800万实体,10亿底涉嫌。Google号称扩展至5亿实体和25亿之关联。所有情节都出于用户增长,采用创意共用许可证,可以随心所欲引用。
     
  DBpedia: wikipedia基金会的一个子项目,处于萌芽阶段。DBpedia是一个在线关联数据知识库项目。它打维基百科的词条吃抽取结构化数据,以提供再纯粹和直的维基百科搜索,并于其余数集和维基百科之间创造连接,并进一步将这些数量因涉及数据的形式公布到互联网及,提供给要这些关乎数据的在线网络以、社交网站要其它在线关联数据知识库。 

网球 23

        实体构建——实体和性能之抽取         (1) 各型实体抽取
       
利用用户搜索记录。该记录封存了用户之标识符、以及用户之询问条目、查询时、搜索引擎返回的结果以及用户筛选后点击的链接。
       
该数据集从定水准及反映了人们对找结果的态度,是用户指向网络资源的一模一样栽人工标识。根据用户搜索记录之数码特点,可用二部图表示该数量,其中qi表示用户之询问条目,uj表示用户点击过的链接,wij代表qi和uj之间的权重,一般是透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,并选出每个接近中具有高置信度的链接作为数据来源,同时抽取对应实体,并以购买信度较高的实体加入种子实体中,进行下一致浅迭代。
        (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应用“Protege JENA”软件。

网球 24

        信抽取系统的树立        
如下所示,获取在线百科消息盒的性与属性值。在当时一部分,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越来越细致化、全面的成效优化。结构图如下所示:

网球 25

网球 26

       
由于尚未其他一个网站有所有的音信,甚至是以一个天地里。为了获得到更加健全的知,需要组合,这就用针对伙同。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。
        实业对旅
       
下图是一律摆藏的实体对齐图。他是指向“张艺谋”这个实体进行针对联合,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同步“中华人民共和国”、“中国(内地)”、“中国”三只属于性值;“国家”、“国籍”、“国籍”需要属性对一头;再使出生日期对联合“1951年11月14日”、“1951-11-14”、“1951-11-14”实现属性值对合。
       
另参考我的篇章:依据VSM的命名实体识别、歧义消解和代表消解

网球 27

网球 28

 

        属性值决策和关系成立
       
属性值决策可以看成是属性值对伙同,需要选择来多的数码,同时自可靠。
       
关系起补齐需要领取链接,再统计链接数,计算链接重要程度,最后提到实体。

网球 29

 

        实业搜索
       
实体搜索如“李娜”,会因用户之先找记录,真正清楚用户搜索,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

 

        演绎补数据和认证
       
从原始三元组数据,推理生成新的数额,建立更多之实业间的链接关系,增加知识图的无尽的密度,例如:莫言作品。

网球 31

        查询语义理解、实体的分辨与归一
        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:推荐大家温馨失去上CRF相关知识,作者吧当攻读着

网球 32

网球 33

        性之模式挖掘
       
由于表达方式的多样性,对同一属性,不同人产生差之说教。我们由此发掘百度知道,来获取属性的五花八门的叙说道。

网球 34

网球 35


        后台检索系统

网球 36

 

        知立方信息展现:
       
1.供知识库信息的示载体,将知识库的音转化为用户可以知道的情;
       
2.资进一步长的富文本信息(不囿于为言,增添图片、动画、表格等);
       
3.提供更团结之用户交互体验:增加又多的用户交互元素,如图浏览、点击试听。并能够引导用户在再度缺少的日得到更多的音信。
       
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

        再如重名、系列实体展现如下: “李娜
”点击任何的同名人物、“十大元帅”点击某个具体的人选、“速度与激情”点击重新多,展示更多之系列实体。

网球 38

网球 39

       
关于文化图谱这片之材料不是成百上千,而且具体每个步骤是什么样促成的资料就更不见了。这篇稿子要用作知识图谱的入门介绍,并透过议会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,我只是记录下团结的攻笔记。
       
总之,希望文章对你所有助,由于自身从来不与这次会议,所以可能小错误或不可知表达清楚的地方,尤其是现实贯彻过程,还请见谅,写文不易,且看都注重,勿喷~
       (By:Eastmount 2015-11-16 深夜2点
  http://blog.csdn.net/eastmount/)