LOCTriples 中国城市信息知识图谱，包含中国所有县级以上城市三元组信息，共18534个三元组 格式如下所示： 以丰台区为例 丰台区#区人大主任#李昌安 丰台区#所属地区#中国北京市 丰台区#地理位置#北京市中心城区的南部 丰台区#车牌代码#京 丰台区#行政代码#110106 丰台区#机场#北京南苑机场，北京新机场等 丰台区#气候条件#暖温带半湿润季风型气候 丰台区#区委书记#汪先永 丰台区#火车站#北京南站、北京西站等 丰台区#行政区类别#市辖区 丰台区#下辖地区#丰台街道、卢沟桥乡、南苑街道等 丰台区#区政协主席#刘宇 丰台区#电话区号#010 丰台区#面积#305.87平方千米 丰台区#人口#225.5万（2016年） 丰台区#区长#冀岩 丰台区#著名景点#卢沟桥、宛平城、北京园博园、世界花卉大观园、北宫国家森林公园 丰台区#GDP#1262.6亿元（2016年） 丰台区#方言

MMEA：多模态知识图的实体对齐 在第13届知识科学，工程与管理国际会议（KSEM'2020）上发表的论文“ ”的模型代码和数据集。 实体对齐在知识图（KG）集成中起着至关重要的作用。 尽管已经在探索不同知识图之间的关系嵌入的关联上进行了大量的努力，但是它们可能无法在实际应用场景中有效地描述和集成多模式知识。 为此，在本文中，我们提出了一种新颖的解决方案，称为多模式实体对齐（MMEA），以解决多模式视图中的实体对齐问题。 具体来说，我们首先设计一种新颖的多模式知识嵌入方法，以分别生成关系知识，视觉知识和数字知识的实体表示。 沿着这条路线，将通过多模式知识融合模块集成不同类型知识的多种表示形式。 在两个公共数据集上进行的大量实验清楚地表明，与最新方法相比，MMEA模型的有效性有了很大的提高。 数据集 来自论文“ ”的三个具有关系，数值和视觉知识的公共多模，即FB15k，DB15k和Y

基于知识图嵌入的推荐系统 基于知识图嵌入的推荐系统 本系统是一个基于知识图嵌入的商品推荐系统，以下是该系统的详细介绍，基本代码都是自己所写，TransE和Rescal方法实现部分是照着论文与相关代码自己进行的复现，并且相关代码中都有我写的一些注释。 1.generate_data.py是用于生成模拟数据，在进行真实使用时可以参照所生成的模拟数据的格式进行数据录入 2.data文件夹下需要有entities.txt以及relations.txt两个数据，他们分别是实体（people和items）的名称以及索引号，以及关联的名称以及索引号，关联也可以有多种，然后该文件夹下还应该有train.txt，valid.txt和test.txt，作为模型训练的依托，其中的neg.txt可要可不要，这个文件并不参与模型的训练过程 3.dataset.py文件主要是模型训练中处理数据的代码，model.p

资源包含文件：设计报告word+最终展示PPT+开题及设计过程资料+源码+项目截图 本项目是一套基于知识图谱(Knowledge Graph)的学习类软件。 就用户侧而言，本项目可提供一般学习软件所包含的知识点查看、知识问答等功能，也可以提供基于图谱实现的独特功能，以提供新的学习方式。 就开发侧而言，本项目的主要功能均基于图谱实现，可以充分利用图算法寻找知识内部的关联. 详细介绍参考：https://blog.csdn.net/newlw/article/details/124294992

json-ld-transform 这是一个旨在将每个json转换为。 如何使用 首先，克隆存储库。 $ git clone https://github.com/krinde/json-ld-transform.git 然后，在本地安装依赖项。 $ cd json-ld-transform $ npm install 最后，运行测试。 $ npm test 例子 var input = { "_id" : "5b51a803c3665e14977c4a20" , "name" : "Booth Garner" , "email" : "boothgarner@daycore.com" , "phone" : "+1 (817) 421-3062" , "about

教育学科知识图谱及问答 功能主要包括学科知识图谱以及题目知识点追踪、关系查询、问答及知识点预测等。 前端页面参考：https://github.com/qq547276542/Agriculture_KnowledgeGraph，在此表示非常感谢。 此项目也参考了作者之前的电影图谱：https://github.com/jiangnanboy/movie_knowledge_graph_app，具体细节可参考此项目。 准备数据及构建实体及关系 数据为知识点和题目，利用neo4j进行构建。构建方式如https://github.com/jiangnanboy/movie_knowledge_graph_app。 项目结构 . │ │   ├── edu_kg // django项目路径 │   ├── Model // 模型层，用于和neo4j交互，实现查询等核心功能 │

BERT属性提取 基于bert的知识图谱属性撤销 将BERT用于KnowledgeGraph中的属性提取有两种方法，即微调和特征提取。 知识图谱百度百科人物词条属性撤除，使用基于伯特的微调微调和特征提取特征提取方法进行实验。 先决条件 Tensorflow >=1.10 scikit-learn 预训练模型 ：简体中文和繁体中文，12层，隐藏768、12头，110M参数 正在安装 没有 数据集 该数据集是根据百度百科字符条目构建的。 筛选出不包含实体和属性的语料库。 实体和属性是从名称实体识别获得的。 标签是从“百度百科”信息框中获取的，大多数标签是手动标签的，因此有些标签不是很好。 例

与知识图交互的学习意向以进行推荐 这是本文的PyTorch实现： 王翔，黄廷林，王定贤，袁彦成，刘振光，何湘南和蔡达生（2021年）。 与知识图交互的学习意向以进行推荐。 。 2021年4月19日至23日，在斯洛文尼亚卢布尔雅那的WWW'2021年举行。 作者：王翔博士（u.nus.edu上的xiangwang）和黄廷麟先生（zju.edu.cn上的tinglin.huang先生） 介绍 基于知识图的意图网络（KGIN）是一个推荐框架，它由三个组件组成：（1）用户意图建模，（2）关系路径感知聚合，（3）独立建模。 引文 如果您想在研究中使用我们的代码和数据集，请引用： @inproceedings{KGIN2020, author = {Xiang Wang and Tinglin Huang and Dingxia

基于neo4j,django,pytorch,py2neo的电影图谱及问答 功能主要包括实体识别、实体查询、关系查询以及问答几个模块。 项目中用到的数据来自网上公开数据集 前端页面参考：https://github.com/qq547276542/Agriculture_KnowledgeGraph，在此表示非常感谢。 准备数据及构建实体及关系 note:以下数据导入是在Neo4j控制台上完成，将数据data/node与data/relation放入neo4j安装目录下import文件夹下： 三类实体(节点)： 实体类型 数据文件 数量 说明 Movie Movie.csv 4587 电影实体 Person Person.csv 22937 人员实体 Country Country.csv 84 国家实体 四类关系： 关系类型 主语

知识图谱Knowledge Graph构建与应用实践高级研修班-课件