事件抽取及事件知识图谱构建

是https://blog.csdn.net/karshey/article/details/115916290里的xmind文件

Zincbase 一个知识图谱构建工具包

目前，绝大多数知识图谱研究针对实体知识图谱主要以实体（特别是人名）为基础。面向事件知识图谱研究的语料构建和研究方法还处于探索阶段。特别是，中文事件知识图谱的研究几乎是空白。相对于实体知识图谱，事件知识图谱具有明显的语义表达优势，有利于知识推理。本报告将主要从事件抽取、事件关系抽取、事件/事件关系可信度计算、事件知识图谱构建技术和事件知识图谱推理等五个方面系统深入分析事件知识图谱构建研究相关的国内外研究现状，存在关键问题以及研究思路。

知识图谱构建与实战PPT

基于网络百科的知识图谱构建的研究与实现 开题报告PPT

转自CCF：https://dl.ccf.org.cn/lecture/lectureDetail?id=4565199623440384。 摘要：知识图谱在医疗健康领域的构建和应用近期吸引了越来越多来自学术界及工业界的目光。医疗知识图谱的构建即可以基于指南，书籍，文献等做知识抽取，也可以基于领域专家对知识的编辑。还有重要的一类知识来源是基于真实世界数据的知识挖掘。我们这次报告的重点是基于以临床电子病历为代表的真实世界数据医疗知识图谱构建中的主要问题，挑战极其解决办法。我们将从临床电子病历的数据质量问题谈起，介绍如何通过构建医学常识知识库等方法保证知识来源的质量。接下来介绍实体识别及实体标准化在医疗文本上的技术特殊性与挑战，并以案例介绍实践中更高效的解决办法。接下来会简单介绍真实世界医疗数据挖掘在落地过程中的其它挑战及对应算法框架。最后将进行一些应用案例的分享。

Neo4j+springboot+vue+d3.js知识图谱构建和可视化

知识图谱的概念由谷歌于2012年提出,随后逐渐成为人工智能领域的一个研究热点,已在信息搜索、自动问答、决策分析等应用中发挥作用。

医疗知识图谱的框架与构建过程，以及构建的应用示例介绍