云计算工程师的知识图谱，查漏补缺，十分详细到位

复旦大学博士论文，系统而全面地介绍了基于知识图谱的智能问答相关关键技术 复旦大学博士论文，系统而全面地介绍了基于知识图谱的智能问答相关关键技术

知识图谱文档

从知识图谱（KG）到事理图谱（EEG），这个report可视为从EEG概念化的开山之作，非常具有研究价值。感谢哈工大教授在这个领域上的开凿工作。

MSP430系列单片机是TI公司的一种16位超低功耗，具有精简指令集（RISC）的混合信号处理器。我开发使用的是MSP430F249，知识图谱是学习过程中整理的笔记。分享给大家，如有笔误还望指正！

8份AI知识图谱技能树，包括人工智能领域每个方向需要掌握的技能 机器学习算法工程师技能树， 数据科学家技能树， 语音识别技能树， 计算机视觉技能树， 自然语言处理技能树， 知识图谱技能树， 推荐系统技能树， 对话系统技能树

Spring-Boot-Neo4j-Movies Spring-Boot集成Neo4j结合Spark的朴素贝叶斯分类器实现基于电影知识图谱的智能问答系统 博客地址： 项目博客地址： 升级Spark依赖，由原来的2.3升级到2.4，GitHub官方提醒> = 1.0.0，<= 2.3.2之间的版本容易受到攻击 spark2.4 == >scala2.11 and scala2.12 <!-- https://mvnrepository.com/artifact/org.apache.spark/spark-core --> org.apache.spark spark-core_2.12 2.4.0 <

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