KBQA_zh 基于bert的KBQA，包含joint和pipeline两种模式 Introduction 本项目是一个基于知识三元组的简单的问答系统，分为joint和pipeline两种模式。joint模式为基于bert做意图识别和命名体识别的联合学习训练得到的模型，pipeline模式为单独训练命名实体识别和QA相似度模型。 Environment tensorflow 1.15 python 3.6 pymysql 0.10.1 grpcio 1.32.0 grpcio-tools 1.32.0 How to run 首先需要下载bert的中文预训练模型放在chinese_L-12_H-768_A-12文件夹下， 然后，以pipeline模式为例，执行如下命令，训练命名实体识别模型和问答模型： 1. cd qa_pipeline 2. sh run_ner.sh 3. sh run_

neo4j图数据库+python+知识图谱（适用于毕业/课程设计）

基于知识图谱的KBQA方法分析

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。

一个简单的KBQA 一个简单的基于知识图谱的问答系统 数据集：数据集为2019年语言智能大赛的关系撤除数据集 实体识别模型：利用Transformer模型进行实体识别（以后会变更为bert） 事实识别：自己构造了几十条数据，利用逻辑回归进行预测 关系类型：包含'主演'，'作者'，'歌手'，'出生日期'，'导演'，'出生地'，'出版社'，'成立日期'，'连载网站'，'国籍'，'毕业院校”，“民族”，“所属专辑”，“目”，“作曲”等15中关系类型 实体类型：包含'影视作品'，'书籍'，'歌曲'，'人物'，'企业'，'网络小说'，'生物'7种实体类型

webQuestions数据集，基于知识图谱的问答系统标准数据集。

KBQA_BANK

该文档为ccks2019（全国语义计算与知识图谱大会）自动问答评测任务的语料集，包含训练集开发集和测试集，该问答评测基于PKUbase知识库。 该数据集由北京大学团队发布，github有官方下载地址https://github.com/pkumod/CKBQA，由于github经常速度很慢，因此发布在此便于感兴趣的同学下载

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，分为在线和大纲模式 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，并基于BERT的KBQA问答系统，在命名实体识别上分为在线预测和轮廓预测；在句子相似度上，也分为在线预测和轮廓预测，2个模块互不干扰，做到了高内聚低掺杂的效果，最后的kbqa相当于融合这2个模块进行概述，具体介绍请见！ ------------------------------------------- 2019/6/15更新- --------------------------------------- 把过去毕业生同学们遇到的主要问题汇总一下，下面是一些FAQ： 问：运行run_ner.py时未找到dev.txt，请问这个文件是怎么生成的呢？ 答：这一部

ccks2019-ckbqa-4th代码 中文知识库问答代码，CCKS2019 CKBQA评价获得第四名解决方案 任务介绍 这个评估任务主要是基于中文开放域知识库的智能问答，主办方是北京大学的邹磊，胡森老师。秘书处是他们建造的PKUBASE，语料在上。我们主要是参考了ccks2018 COQA评价第二名的方法，在此基础上加入了基于Bert的序列标注，语义匹配等模型，以及替代等回答复杂问题的替代。具体方法在评估论文里，和本次比赛前三名的方法一起放在了/ pdf下供参考。 注意：因为这个程序依赖自己在本地服务器搭接的副本，所以不搭好合并的话，entity_extractor及之后的程序都是无法运行