最新版中国科学院大学知识图谱课程课件全集
包含了知识图谱课件、Neo4j实战 、事件抽取、事件图谱构建等资料，非常有价值哦，速来围观！
2021-09-06 18:45:58
114.4MB
1
最近Shaoxiong Ji, Shirui Pan, Erik Cambria, Pekka Marttinen, Philip S. Yu等学者发表了关于知识图谱的最新综述论文《A Survey on Knowledge Graphs: Representation, Acquisition and Applications》，25页pdf涵盖107篇参考文献，对知识图谱进行了全面的综述，涵盖了知识图谱表示学习、知识获取与补全、时序知识图谱、知识感知应用等方面的研究课题，并总结了最近的突破和未来的研究方向。我们提出对这些主题进行全视角分类和新的分类法。是关于知识图谱最近非常重要的参考文献。
2021-09-06 17:44:55
1.17MB
1
共6章PPT
1-知识图谱概览
2-知识图谱的表示与关联建模
3-知识图谱的存储与关联查询
4-知识图谱的获取与语义关系抽取
5-知识图谱与关系推理
6-知识图谱与智能问答
2021-09-06 10:52:44
60.06MB
1
一个非常棒的PPT，介绍了“医疗KG的构建及应用”，来源于JIST 2019（http://120.27.214.45/）上Dr.倪渊的报告。从平安医疗生态圈讲起，到医疗领域的KG构建，最后介绍给予KG的医疗智能服务。
2021-09-06 04:25:15
5.5MB
1
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： :
2021-09-05 19:50:45
5.79MB
1
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
2021-09-05 10:15:31
13.07MB
1