本代码实现是基于python实现的基于复旦大学崔万云博士的learing question answering over corpora and konwlege bases ，代码实现与论文有所出入，原因是本实现用的语料是中文做训练数据集，其中命名实体认为论文有太多欠缺，而实体识别是智能问答思想关键。希望更多读者能够有更好的方法。

一个简单的KBQA 一个简单的基于知识图谱的问答系统 数据集：数据集为2019年语言智能大赛的关系撤除数据集 实体识别模型：利用Transformer模型进行实体识别（以后会变更为bert） 事实识别：自己构造了几十条数据，利用逻辑回归进行预测 关系类型：包含'主演'，'作者'，'歌手'，'出生日期'，'导演'，'出生地'，'出版社'，'成立日期'，'连载网站'，'国籍'，'毕业院校”，“民族”，“所属专辑”，“目”，“作曲”等15中关系类型 实体类型：包含'影视作品'，'书籍'，'歌曲'，'人物'，'企业'，'网络小说'，'生物'7种实体类型

周杰伦 总共有的内部内容本身并不全面，但是麻雀虽小，五脏俱全，该项目对多种类型的问题形式都能得到正确的相应结果。以“晴天”为例，本系统适当能够回答晴天的歌词是什么，晴天是哪首专辑的歌曲，该专辑是哪一年发行的，该专辑对应的歌手是谁，该歌手的的基本信息是什么。关于项目的更多细节在知乎中有更详细的介绍，知乎网址： : 首先，本系统运行在python3环境下，并需要安装jieba，rerfo等python库，安装方式比较简单，我这里使用pip作为python的包管理工具，直接在cmd中运行pip3 install jieba即可完成安装。本系统在apache-jena-fuseki服务器上，在cmd窗口中输入apache-jena-fuseki文件输入命令。/fuseki-server.bat或在文件夹下双击fuseki-server.bat文件，cmd窗口出现“服务器信息开始于端口3030的

知识图谱发展报告 2018

有关实体及其关系的真实世界事实的知识库是各种自然语言处理任务的有用资源。然而，由于知识库通常是不完整的，因此能够执行知识库补全或链接预测是很有用的。本文全面概述了用于知识库完成的实体和关系的嵌入模型，总结了标准基准数据集上最新的实验结果。

适合咱们新伙伴学习的数据分析的知识谱图，目前完成了15张的知识谱写，虽然不是很详细 但是可以将就这用，不详细的地方欢迎大咖们帮我在评论区补充一下。

知识图谱任务规划，包括知识图谱学习知识地图，学习路线

CiteSpace：引文空间是一款着眼于分析科学分析中蕴含的潜在知识，是在科学计量学、数据可视化背景下逐渐发展起来的一款引文可视化分析软件。由于是通过可视 化的手段来呈现科学知识的结构、规律和分布情况，因此也将通过此类方法分析得到的可视化图形称为“科学知识图谱”。

一个知识图谱展示网站，前端使用vue D3框架，后端采用springboot框架

Protégé软件是斯坦福大学医学院生物信息研究中心基于Java语言开发的本体编辑和知识获取软件，或者说是本体开发工具，也是基于知识的编辑器