针对煤矿巷道支护专家系统知识内容有限、知识难以融合共享、无法从非结构化数据中挖掘相关知识等问题，构建了煤矿巷道支护领域知识图谱。首先通过设计领域概念、关系及属性对煤矿巷道支护领域知识建模;然后从煤矿巷道支护领域结构化、半结构化、非结构化数据源获取知识，并基于深度学习模型BI-LSTM-CRF进行实体识别;最后利用图数据库Neo4j存储煤矿巷道支护领域知识，形成煤矿巷道支护领域知识图谱。煤矿巷道支护领域知识图谱可进一步提升煤矿巷道支护设计和管理效率，为煤矿巷道支护智能化管理提供知识支持。

资源格式CAJ 相关文章项目链接： 1. 特定领域知识图谱知识融合方案（实体对齐)：优酷领域知识图谱为例 https://blog.csdn.net/sinat_39620217/article/details/128614951?spm=1001.2014.3001.5502 2. 特定领域知识图谱知识融合方案（实体对齐)：文娱知识图谱构建之人物实体对齐 https://blog.csdn.net/sinat_39620217/article/details/128673963?spm=1001.2014.3001.5502 3. 特定领域知识图谱知识融合方案（实体对齐)：商品知识图谱技术实战 https://blog.csdn.net/sinat_39620217/article/details/128674429?spm=1001.2014.3001.5502 4. 特定领域知识图谱知识融合方案（实体对齐)：基于图神经网络的商品异构实体表征探索 https://blog.csdn.net/sinat_39620217/ar 5. 特定领域知识图谱知识融合方案（实体对齐)论文合集

这是用NEO4J平台构建一个《人工智能引论》课程的多模态知识图谱相关代码与文件。 知识图谱的经典定义是结构化的语义知识库，是用形象化的图形式来表达出物理世界中的概念以及内部关系。**其基本组成单位是“实体－关系－实体”三元组**，实体间通过关系相互连接形成知识结构网络。而它**也是基于图的数据结构，基本组成是“节点－边－节点”**，从而将知识信息连接成为一个关系网。所以知识图谱主要有**实体、关系、属性**等部分。其中实体表示的某种事物是独立于其他事物的，也是构建图谱最基本的元素；关系表示的是实体与实体之间的关系，用边连接着实体；而属性则用来阐述某一类实体的一些具体的值。这些三元组形式是知识图谱数据层最底层的形式。 图数据库是一种新型的非关系型数据库，无论是节点还是边缘，它的图表都**基于图论**。图论中的基本元素节点和边对应图数据库当中的节点与关系。图数据库的模型是包括**节点、关系以及属性**。它主要存储两类数据：节点和边。节点是实体：如人、成绩、书籍或其他具体事物。边关系：连接节点的概念、事件或事物。

知识图谱开题报告(4)

知识图谱构建流程，百度知识图谱的构建，知识库的搭建（NLP Techniques in Knowledge Graph）

百万级数据新冠疫情知识图谱源码，代码可运行，数据集包含实体和属性非常全面，使用neo4j图数据库，导入项目数据即可运行。数据包含了感染人数、未感人人数、死亡人数、医院状况、各地点新冠疫情情况等信息，知识图谱的各结点可以点开。知识图谱图片可导出。供大家学习借鉴，互相交流。

vue利用echarts简单实现具有中心节点的知识图谱，其中边缘节点可拖动，其大小可以根据传入的值而变化

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%。

主要包含了以下关键词 设计师名称合集 视角合集 色彩系列风格词 设计风格合集 灯光合集 渲染增加清晰度 特写细节整体细节词 自然现象 质感和材质 古风类型关键词

原资源可在github中搜索到，这里只是用于个人学习方便。 课程内容 第1讲 知识图谱概论 （2019-3-1,2019-3-8） 1.1 知识图谱起源和发展 1.2 知识图谱 VS 深度学习 1.3 知识图谱 VS 关系数据库 VS 传统专家库 1.4 知识图谱本质和核心价值 1.5 知识图谱技术体系 1.6 典型知识图谱 1.7 知识图谱应用场景 第2讲 知识表示 (2019-3-15) 2.1 知识表示概念 2.2 知识表示方法 语义网络 产生式系统 框架系统 概念图 形式化概念分析 描述逻辑 本体 本体语言 统计表示学习 第3讲 知识建模 （2019-3-15，2019-3-22） 3.1 本体 3.2 知识建模方法 本体工程 本体学习 知识建模工具 知识建模实践 第4讲 知识抽取基础:问题和方法（2019-3-22） 4.1 知识抽取场景 4.2 知识抽取挑战 4.3 面向结构化数据的知识抽取 4.4 面向半结构化数据的知识抽取 4.5 面向非机构化数据的知识抽取 第5讲 知识抽取:数据采集（2019-3-29） 5.1 数据采集原理和技术 爬虫原理 请求和响应 多线程并行爬取 反爬机制应对 5.2 数据采集实践 百科 论坛 社交网络等爬取实践 第6讲 知识抽取:实体识别（2019-3-29） 6.1 实体识别基本概念 6.2 基于规则和词典的实体识别方法 6.3 基于机器学习的实体识别方法 6.4 基于深度学习的实体识别方法 6.5 基于半监督学习的实体识别方法 6.6 基于迁移学习的实体识别方法 6.7 基于预训练的实体识别方法 第7讲 知识抽取:关系抽取（2019-4-19，2019-4-26） 7.1 关系基本概念 7.2 语义关系 7.3 关系抽取的特征 7.4 关系抽取数据集 7.5 基于监督学习的关系抽取方法 7.6 基于无监督学习的关系抽取方法 7.7 基于远程监督的关系抽取方法 7.8 基于深度学习/强化学习的关系抽取方法 第8讲 知识抽取:事件抽取（2019-3-29） 8.1 事件抽取基本概念 8.2 基于规则和模板的事件抽取方法 8.3 基于机器学习的事件抽取方法 8.4 基于深度学习的事件抽取方法 8.5 基于知识库的事件抽取方法 8.6 基于强化学习的事件抽取方法 第9讲 知识融合（2019-4-28） 9.1 知识异构 9.2 本体匹配 9.3 匹配抽取和匹配调谐 9.4 实体匹配 9.5 大规模实体匹配处理 9.6 知识融合应用实例 第10讲 知识图谱表示学习（2019-5-5） 10.1 知识表示学习概念 10.2 基于距离的表示学习模型 10.3 基于翻译的表示学习模型 10.4 基于语义的表示学习模型 10.5 融合多源信息的表示学习模型 10.6 知识图谱表示学习模型的评测 10.7 知识图谱表示学习前沿进展和挑战 第11讲 知识存储（2019-5-10） 11.1 知识存储概念 11.2 图数据库管理系统、模型、查询语言 11.3 RDF数据库管理系统、模型、查询语言 11.4 基于关系型数据库的知识存储 第12讲 基于知识的智能问答（2019-5-10） 12.1 智能问答基础 12.2 问题理解 12.3 问题求解 12.4 基于模板的知识问答方法 12.5 基于语义分析的知识问答方法 12.6 基于深度学习的知识问答方法 12.7 IBM Watson原理和技术剖析 12.8 微软小冰的原理和技术剖析 第13讲 实体链接（2019-5-17） 13.1 实体链接基本概念 13.2 基于概率生成模型的实体链接方法 13.3 基于主题模型的实体链接方法 13.4 基于图的实体链接方法 13.5 基于深度学习的实体链接方法 13.6 基于无监督的实体链接方法 第14讲 知识推理（2019-5-17） 14.1 知识推理基础概念 14.2 基于逻辑的知识推理方法 14.3 基于统计学习的知识推理方法 14.4 基于图的知识推理方法 14.4 基于神经网络的知识推理方法 14.5 多种方法混合的知识推理方法