本地代码推荐BiLSTM+CRF（经调试效果佳）：瑞金医院MMC人工智能辅助构建知识图谱--初赛实体识别【1】 码源。链接：https://blog.csdn.net/sinat_39620217/article/details/124801116?csdn_share_tail=%7B%22type%22%3A%22blog%22%2C%22rType%22%3A%22article%22%2C%22rId%22%3A%22124801116%22%2C%22source%22%3A%22sinat_39620217%22%7D&ctrtid=nDIo1

瑞金医院MMC人工智能辅助构建知识数据源：知识图谱构建SPO，知识图谱构建SPO

基于条件随机场对中文案件语料进行命名实体识别。在学习知识图谱理论课时，我们知道实体（Entity）是知识图谱的基本单位，也是承载信息的重要语言单位。实体识别是知识图谱应用的重要技术。目前实体识别主要有三种方法： 基于规则和词典的实体识别 基于统计机器学习的实体识别 基于深度学习神经网络的实体识别 条件随机场（Conditional random field，CRF）是一种条件概率分布模型 P(Y|X) ，表示的是给定一组输入随机变量 X 的条件下另一组输出随机变量 Y 的马尔可夫随机场。 CRF 是一个序列化标注算法（sequence labeling algorithm），接收一个输入序列如X=(x1, x2,…, xn)并且输出目标序列Y=(y1, y2,…, yn)  ，也能被看作是一种seq2seq模型。这里使用大写 X,Y 表示序列。例如，在词性标注任务中，输入序列为一串单词，输出序列就是相应的词性。 除了词性标注之外，CRF还可以用来做chunking，命名实体识别等任务。一般地，输入序列X被称为 observations, Y叫作 states。

知识图谱，实体识别，Protégé是一个本体建模工具软件，由斯坦福大学基于java语言开发的，属于开放源代码软件。

知识图谱是实现认知智能的关键技术，是实现机器认知智能的使能器

知识图谱作为机器认知智能实现的基础之一，是人工智能的重要组成部分，有助于实现自动化和智能化获取、挖掘和应用 知识，获得了产业界和学术界的广泛关注。知识图谱是以结构化的形式描述客观世界中的概念、实体及其关系的大型知识网络， 将信息表达成更接近人类认知的形式，提供了一种更好地组织、管理和理解海量信息的能力。在政策部署、技术研发、标准研 制、产业化推广、前沿应用场景试点等多方面因素的共同驱动下，知识图谱逐渐实现在智慧医疗、智慧能源、智能制造、智慧 金融等众多领域的落地应用和深度融合，同时在各行业的数字化转型过程中，跨领域、行业或产业的知识图谱也逐渐获得关注。

整理的SSM框架图

为了充分把握本专业领域的发展热点，对毕业设计(论文)质量进行持续监控，持续改进毕业设计环节，开发一个毕业设计(论文)可视化系统就显得非常必要。基于以上，决定做一个毕业设计(论文)知识图谱及可视化原型系统。 本文所探讨的领域是教育行业的计算机科学与技术专业毕业设计(论文)领域知识图谱的构建，主要是针对学生毕业设计(论文)类别与论文的对应，针对计算机科学与技术领域的技术信息构建知识图谱，利用自定义的中文分词方法与自定义的类别进行相似度匹配，从而建立技术类别和论文的对应。针对每一年论文数量多，内容比较庞杂，难以理顺数据脉络，知识图谱技术可以提取相应实体及实体间的语义关系，可以利用图数据库Neo4j进行数据存储与展示。 基于知识图谱以及Echarts的可视化系统，实现了基于Neo4j图数据库的毕业论文知识图谱的构建，针对某一技术知识图谱的搜索，通过自然语言中文分词实现绘制高频词汇云，分析近几年专业领域的发展热点，以及其他信息的可视化等功能。 详情：https://blog.csdn.net/Timi2019/article/details/124754089

mybatis面试精讲图谱

创建莎士比亚的知识图谱