猕猴桃种植知识图谱构建。针对猕猴桃种植领域数据多源异构的特点，采用自顶向下的方式构建猕猴桃种植知识图谱，首先设计猕猴桃种植知识图谱的本体概念模式，然后根据模式层的本体规范将抽取的三元组事实加入到数据层知识库中；针对知识图谱构建过程中知识抽取方法复杂、准确率低以及知识补全困难等问题，采用实 体关系联合抽取方法和基于TransR的知识补全方法，并构建了融合字词语义信息的猕猴桃种植实体识别模型，该模型以SoftLexicon为基础，通过MHA和Attention机制分 别调整词权重和词集重要度进一步提高命名实体识别精确率。实验结果表明，本文构 建的猕猴桃种植实体识别模型与SoftLexicon模型相比，F1值提高了1.58%，达到了91.91%，在ResumeNER公开数据集上F1值达到了96.17%；猕猴桃种植三元组抽取F1值为92.86%；基于TransR的知识补全方法Hit@3和Hit@10分别为90.40%和92.60%。

基于知识的Radan CAD/CAM软件后置开发平台 ，潘海宁，许超，本文设计一种基于规则的专家系统。将数控加工代码的格式和处理变量以知识形式表达，形成知识库，并对知识做冲突性、从属性和不完

本系统的设计工作主要是使用了Java编 程语言， MYSQL数据库，框架是Spring Boot。而前端设计则使用了较新的Vue.js。本 设计完成了对用户登录功能的实现、知识图谱的生成。 同时利用协同过滤算法完成对习 题的推荐， 管理员对用户的管理等功能。页面简洁,对用户友好，推荐系统通过用户搜 索内容基于层次将知识图谱可视化反馈给用户，明了且便捷，可以使用户轻松知晓搜索 内容在知识图谱中的实体与关系，并且接收到协同过滤算法的相关推荐。

这是一份关于基于知识图谱的问答顶级会议，包含LSTM，交叉注意力机制

知识图谱是一种大规模语义网络，已经成为大数据时代知识工程的代表性进展。知识图谱技术是实现机器认知智能和推动各行业智能化发展的关键基础技术。知识图谱也成为大规模知识工程的代表性实践，其学科日益完善。 本讲义是配套《知识图谱_ 概念与技术》书籍的讲义，配套学习更佳！！！

信息科技经过 60 余年的发展，已经普及到社会生活的每一个角落。随着信息技术在国家治理、经济运行的方方面面的应用，大量的数据随之产生。而互联网技术的爆发式发展使得近年来产生的数据总量超过了人类以往产生的历史数据的总和，医疗行业的数据增长幅度尤为突出。 医疗大数据具有巨大的价值,尤其是在临床辅助诊疗和健康管理方面。医疗大数据已经上升到国家战略，同时也是全球学术界与产业界竞争的研究热点。如何利用这些医疗数据，挖掘数据的深层价值，是未来信息科技发展的趋势，也是医疗大数据技术产生的背景。

基于知识图谱的学习评价与推荐系统设计与实现.pdf

基于知识管理的图书馆绩效评价研究(PPT 24页)(2).pptx

python课程设计大作业基于知识图谱的问答系统源码。里面含有项目的详细介绍和部署文档，按图索骥即可完成项目； 源码中有五个文件夹，如下所示： 1. Kbqa-website-deploy：项目部署所需内容； 2. buildQAModule：问答模块构建源码； 3. buildKnowledgeGraph：知识图谱构建源码； 4. buildFrontendWebsite：前端项目构建源码； 5. buildBackendService：后端项目构建源码。

kgRobot 基于知识图谱的智能问答机器人 QQ技术交流群： 344673972 点击链接加入群聊【智能对话机器人交流群】： 课程内容： 1.智能问答机器人完整案例演示 2.智能问答机器人开发环境部署 3.智能问答机器人框架关键技术 4.智能问答机器人源码完全剖析 线上配套视频课程地址：