节点BBS签名 该存储库是高性能多消息数字签名算法实现的来源，该实现支持导出零知识证明，从而可以从原始签名的消息集中进行选择性公开。 是一种数字签名算法，最初是由Boneh，Boyan和Shachum的工作产生的，后来在作为BBS +进行了改进，并在《 第4.3节中再次涉及。 。 需要，该库包含对支持。 允许多消息签名，同时生成单个输出签名。 使用BBS签名，可以生成基于知识证明的证明，其中只有部分原始签署的消息由证明者决定是否公开。 入门 要在您的项目中使用此软件包，只需运行 npm install @mattrglobal/node-bbs-signatures 或与纱线 yarn add @mattrglobal/node-bbs-signatures 用法 请参阅示例目录以获取可运行的演示。 以下是有关如何使用API​​的简短示例 import { generat

这是针对这篇论文做的PPT，PPT下有备注，可以帮助更详细地理解，需要和AutoSF论文翻译互相补充着看

该项目包含THUNLP开发的HowNet和OpenHowNet API的核心数据，它提供了一种方便的方式来搜索HowNet中的信息，显示字素树，通过字素计算单词相似度等。您还可以访问我们的以享受搜索和展示字母的字素的乐趣。在线单词。 如果您在研究中使用OpenHowNet提供的任何数据或API，请引用以下论文： @article{qi2019openhownet, title={OpenHowNet: An Open Sememe-based Lexical Knowledge Base}, author={Qi, Fanchao and Yang, Chenghao and Li

动态图表示学习，动态图分析论文汇总项目 本项目总结了动态图表示学习的有关论文，该项目在持续更新中，欢迎大家看/星/叉！ 如果大家有值得推荐的工作，可以在问题中提出要推荐的工作，论文下载链接及其工作亮点（有优秀代码实现的工作，会优先考虑在内）。项目中表述有误的部分，也可以在issue中提出。感谢！ 引流：【这也是我们的工作，欢迎手表/星/叉】 社交知识图谱专题： : 目录如下： 静态图表示与分析工作 针对静态图表示学习以及静态图分析，挖掘领域，挑选出个人认为值得继承的引用数更高，知名度较高的或最近的一些工作。 node2vec：网络的可扩展功能学习 作者：Grover A，Leskovec J.（阿姆斯特丹大学） 发表时间：2016 发表于：KDD 2016 标签：图表示学习 概述：依据表示学习，提出了一套在网络中学习连续连续类型表示的方法，取代了传统使用人工定义的例程结构化特征的方式

知识蒸馏TPU 使用ResNet和简单的ConvNet进行的卫星图像分类器知识蒸馏。 这些模型在TPU上进行了训练。

实体对齐旨在在不同的知识图（KG）中找到引用同一真实世界对象的实体。 KG嵌入的最新进展推动了基于嵌入的实体对齐的出现，该对齐方式在连续的嵌入空间中对实体进行编码，并根据学习到的嵌入来度量实体的相似性。 在本文中，我们对这一新兴领域进行了全面的实验研究。 这项研究调查了23种最新的基于嵌入的实体对齐方法，并根据它们的技术和特征对其进行了分类。 我们进一步观察到，当前的方法在评估中使用不同的数据集，并且这些数据集中的实体的程度分布与真实的KGs不一致。 因此，我们提出了一种新的KG采样算法，通过该算法我们可以生成一组具有各种异质性和分布的专用基准数据集，以便进行实际评估。 这项研究还产生了一个开源库，其中包括12种代表性的基于嵌入的实体对齐方法。 我们在生成的数据集上对这些方法进行了广泛的评估，以了解它们的优势和局限性。 此外，对于当前方法中尚未探索的几个方向，我们进行探索性实验并报告我们的

科学引文知识提取器（SCKE） 关于SCKE SCKE是一个开放源代码工具，可通过分析引用他们的论文内容，帮助生物医学研究人员了解他人如何使用他们的工作。 该工具使用自然语言处理和机器学习来提取引用文档中讨论的突出主题和概念。 通过查看引用文章讨论的主题类型，研究人员可以更好地了解他们的工作如何影响同龄人和科学的各个学科。 此外，SCKE允许生物医学研究人员探索有关引用它们的出版物的其他统计数据，例如引文的发表位置（期刊），关键字的分布（关键字），论文彼此的相似性（聚类），论文的相似性其他著名作品（TextCompare）以及有关引文的一般统计信息（Statistics）。 使用Biopy

Knowledge graphs are structured representations of real world facts. However, they typically contain only a small subset of all possible facts. Link prediction is a task of inferring missing facts based on existing ones. We propose TuckER, a relatively simple but powerful linear model based on Tucker decomposition of the binary tensor representation of knowledge graph triples. TuckER outperforms all previous state-of-the-art models acrossstandardlinkpredictiondatasets. Weprove that TuckER is a fully expressive model, deriving the bound on its entity and relation embedding dimensionality for full expressiveness which is several orders of magnitude smaller than the bound of previous state-of-the-art models ComplEx and SimplE. We further show that several previously introducedlinearmodelscanbeviewedasspecial cases of TuckER.

论文《Reasoning With Neural Tensor Networks for Knowledge Base Completion》原文及译文

ONEPICE-KG ONEPICE-KG 是一个面向《海贼王》领域数据的知识图谱项目。 本项目内容包括数据采集、知识存储、知识抽取、知识计算、知识应用五大部分 数据采集 本次项目主要采集构建了两个知识图谱和一个关系抽取数据集 人物知识图谱：主要包含各个人物的信息 关系抽取数据集：标注出自然语言中存在的实体以及他们之间的关系 实体关系知识图谱：构建《海贼王》中各个实体之间关系的知识图谱 知识存储 尝试使用了三元组数据库Apace Jena和原生图数据库Neo4j，并分别使用RDF结构化查询语言SPARQL和属性图查询语言Cypher，在知识图谱上进行查询。 知识抽取 基于之间构建的关系抽取数据集，利用deepke中提供的工具进行关系抽取实践，测试了包括PCNN、GCN、BERT等模型在我们构建数据集上的效果 知识计算 图计算：在Neo4j上对实体关系知识图谱进行了图挖掘，包括最短路径查询、