KBQA-BERT 基于知识图谱的QA系统，BERT模型需要下载BERT预训练模型（中文）chinese_L-12_H-768_A-12 解压缩后放在./ModelParams文件夹里面（注意整个chinese_L-12_H-768_A-12文件夹放进去） 另外需要在根目录建立输出文件夹存放训练的模型参数文件分为输出/ NER（命名实体识别）文件夹和输出/ SIM（相似度）文件夹 1.run_ner.sh训练（命名实体识别） 2.terminal_ner.sh（命名实体识别测试） 3.args.py train = true预训练模式 test = true相似度测试 4.run_similarity相似度的训练或测试（根据第3步的设置决定） 5.qa_my.sh（连接了本地的neo4j知识库） 问答 参考： :

基于知识图谱的医疗诊断知识问答系统 环境 python 3.7 tensorflow 1.14.0 keras 2.2.0 bert4keras 0.10.0 gensim 3.8.3 pyahocorasick 1.4.0 后期计划 系列视频持续更新中……，后期代码也将一并上传 本项目系列视频大纲如下，最后可能会有细微差别，影响不大

KBQA-BERT 基于知识图谱的问答系统，BERT做命名实体识别和句子相似度 介绍 本项目主要由两个重要的点组成，一是基于BERT的命名实体识别，二是基于BERT的句子相似度计算，本项目将这两个模块进行融合，构建基于BERT的KBQA问答系统。详细介绍，请看我的博客： : 环境配置 Python版本为3.6 pytorch版本为1.1.0 windows10 数据在Data中，更多的数据在[**NLPCC2016**](http://tcci.ccf.org.cn/conference/2016/pages/page05_evadata.html) 和 [**NLPCC2017**](http://tcci.ccf.org.cn/conference/2017/taskdata.php)。 目录说明 Input/data/文件夹存放原始数据和处理好的数据 1-sp

QA调查：北航大数据高精尖中心研究张日崇团队对问答系统的研究。包括知识图谱问答系统（KBQA）和文本问答系统（TextQA），每类系统分别对学术界和工业界进行研究

农业-KBQA 项目介绍： 该项目是基于知识图谱的农业智能问答系统，从0到1的去搭建一个以农场品为中心的知识图谱，面向的用户群体是：农民和普通民众。 项目目的： 对农民而言让他了解某些农场品的种植方式，基本属性，种植成本，经济效益等等。 对普通群众而言让他了解这些农产品的作用（健康方面），以及各种植物之间的关系推动科普的作用。 项目结果展示： 操作说明 图谱展示 对话展示部分 项目结构： . ├── hudongbaike // scrapy爬虫项目路径 │   └── hudongbaike │   └── spiders │   └── bk.py //爬取搜索词 │   └── bkc.py //带入搜索词爬取内容 ├── data // 数据存放路径 │   └── query_list.csv //存放搜索词文件 │   └─

该KBQA系统可以解析输入的自然语言问句，主要运用REFO库的"对象正则表达式"匹配得到结果, 进而生成对应 SPARQL 查询语句，再通过API请求后台基于TDB知识图谱数据库的 Apache Jena Fuseki 服务, 得到结果。原理及用法：https://www.cnblogs.com/whiterock/p/9522821.html

知识库问答旨在通过知识库回答自然语言问题。近来，大量的研究集中在语义或句法上复杂的问题上。在本文中，我们精心总结了复杂知识库问答任务的典型挑战和解决方案，介绍了复杂知识库问答的两种主流方法，即基于语义解析（基于SP）的方法和基于信息检索（基于IR）的方法。

通过Spring-boot框架连结Neo4j搭建课程知识图谱，实现课程的KBQA问答系统以及相关课程信息的查询和D3.JS可视化 附有实现源码、Neo4j库和mysql库文件即相应训练的数据集和词汇表

基于知识库的中文问答系统（biLSTM）

从无到有构建一个电影知识图谱，并基于该KG，开发一个简易的KBQA程序。