技术动态 | 自底向上构建知识图谱全过程
本文轉(zhuǎn)載自公眾號：阿里技術(shù)。
?? ? ? ? ? ??
“The world is not made of strings , but is made of things.”
——辛格博士，from Google.
知識圖譜，是結(jié)構(gòu)化的語義知識庫，用于迅速描述物理世界中的概念及其相互關(guān)系，通過將數(shù)據(jù)粒度從document級別降到data級別，聚合大量知識，從而實(shí)現(xiàn)知識的快速響應(yīng)和推理。
當(dāng)下知識圖譜已在工業(yè)領(lǐng)域得到了廣泛應(yīng)用，如搜索領(lǐng)域的Google搜索、百度搜索，社交領(lǐng)域的領(lǐng)英經(jīng)濟(jì)圖譜，企業(yè)信息領(lǐng)域的天眼查企業(yè)圖譜等。
在知識圖譜技術(shù)發(fā)展初期，多數(shù)參與企業(yè)和科研機(jī)構(gòu)主要采用自頂向下的方式構(gòu)建基礎(chǔ)知識庫，如Freebase。隨著自動(dòng)知識抽取與加工技術(shù)的不斷成熟，當(dāng)前的知識圖譜大多采用自底向上的方式構(gòu)建，如Google的Knowledge Vault和微軟的Satori知識庫。
1、定義
俗話說：“看人先看臉。”在我們深入了解知識圖譜之前，讓我們先來看一下它長什么樣子!
如圖所示，你可以看到，如果兩個(gè)節(jié)點(diǎn)之間存在關(guān)系，他們就會(huì)被一條無向邊連接在一起，那么這個(gè)節(jié)點(diǎn)，我們就稱為實(shí)體（Entity），它們之間的這條邊，我們就稱為關(guān)系（Relationship）。
知識圖譜的基本單位，便是“實(shí)體（Entity）-關(guān)系（Relationship）-實(shí)體（Entity）”構(gòu)成的三元組，這也是知識圖譜的核心。
2、數(shù)據(jù)類型和存儲方式
知識圖譜的原始數(shù)據(jù)類型一般來說有三類（也是互聯(lián)網(wǎng)上的三類原始數(shù)據(jù)）：
結(jié)構(gòu)化數(shù)據(jù)（Structed Data），如關(guān)系數(shù)據(jù)庫
非結(jié)構(gòu)化數(shù)據(jù)，如圖片、音頻、視頻
半結(jié)構(gòu)化數(shù)據(jù)?如XML、JSON、百科?
如何存儲上面這三類數(shù)據(jù)類型呢？一般有兩種選擇，一個(gè)是通過RDF（資源描述框架）這樣的規(guī)范存儲格式來進(jìn)行存儲，比較常用的有Jena等。
還有一種方法，就是使用圖數(shù)據(jù)庫來進(jìn)行存儲，常用的有Neo4j等。
那你可能會(huì)問我了，你不就是一大堆的三元組嗎，用關(guān)系數(shù)據(jù)庫來存儲不也一樣嘛。
是的，用關(guān)系數(shù)據(jù)庫來存儲，尤其是存儲簡單的知識圖譜，從技術(shù)上來說是完全沒問題的。
但需要注意的是，一旦知識圖譜變復(fù)雜，圖數(shù)據(jù)庫在關(guān)聯(lián)查詢的效率上會(huì)比傳統(tǒng)的關(guān)系數(shù)據(jù)存儲方式有顯著的提高。當(dāng)我們涉及到2,3度的關(guān)聯(lián)查詢，基于知識圖譜的查詢效率會(huì)高出幾千倍甚至幾百萬倍。
除此之外，基于圖的存儲在設(shè)計(jì)上會(huì)非常靈活，一般只需要局部的改動(dòng)即可。
因此如果你的數(shù)據(jù)量較大，還是建議直接用圖數(shù)據(jù)庫來進(jìn)行存儲的。
3、知識圖譜的架構(gòu)
知識圖譜的架構(gòu)主要可以被分為：
邏輯架構(gòu)
技術(shù)架構(gòu)
3.1 邏輯架構(gòu)
在邏輯上，我們通常將知識圖譜劃分為兩個(gè)層次：數(shù)據(jù)層和模式層。
模式層：在數(shù)據(jù)層之上，是知識圖譜的核心，存儲經(jīng)過提煉的知識，通常通過本體庫來管理這一層這一層（本體庫可以理解為面向?qū)ο罄锏摹邦悺边@樣一個(gè)概念，本體庫就儲存著知識圖譜的類）。
數(shù)據(jù)層：存儲真實(shí)的數(shù)據(jù)。
如果還是有點(diǎn)模糊，可以看看這個(gè)例子：
模式層：實(shí)體-關(guān)系-實(shí)體，實(shí)體-屬性-性值
數(shù)據(jù)層：比爾蓋茨-妻子-梅琳達(dá)·蓋茨，比爾蓋茨-總裁-微軟
3.2 技術(shù)架構(gòu)
知識圖譜的整體架構(gòu)如圖所示，其中虛線框內(nèi)的部分為知識圖譜的構(gòu)建過程，同時(shí)也是知識圖譜更新的過程。
別緊張，讓我們順著這張圖來理一下思路。首先我們有一大堆的數(shù)據(jù)，這些數(shù)據(jù)可能是結(jié)構(gòu)化的、非結(jié)構(gòu)化的以及半結(jié)構(gòu)化的，然后我們基于這些數(shù)據(jù)來構(gòu)建知識圖譜，這一步主要是通過一系列自動(dòng)化或半自動(dòng)化的技術(shù)手段，來從原始數(shù)據(jù)中提取出知識要素，即一堆實(shí)體關(guān)系，并將其存入我們的知識庫的模式層和數(shù)據(jù)層。
構(gòu)建知識圖譜是一個(gè)迭代更新的過程，根據(jù)知識獲取的邏輯，每一輪迭代包含三個(gè)階段：
信息抽取：從各種類型的數(shù)據(jù)源中提取出實(shí)體、屬性以及實(shí)體間的相互關(guān)系，在此基礎(chǔ)上形成本體化的知識表達(dá)；
知識融合：在獲得新知識之后，需要對其進(jìn)行整合，以消除矛盾和歧義，比如某些實(shí)體可能有多種表達(dá)，某個(gè)特定稱謂也許對應(yīng)于多個(gè)不同的實(shí)體等；
知識加工：對于經(jīng)過融合的新知識，需要經(jīng)過質(zhì)量評估之后（部分需要人工參與甄別），才能將合格的部分加入到知識庫中，以確保知識庫的質(zhì)量。
4、構(gòu)建技術(shù)
前面我們已經(jīng)說過了，知識圖譜有自頂向下和自底向上兩種構(gòu)建方式，這里提到的構(gòu)建技術(shù)主要是自底向上的構(gòu)建技術(shù)。
如前所述，構(gòu)建知識圖譜是一個(gè)迭代更新的過程，根據(jù)知識獲取的邏輯，每一輪迭代包含三個(gè)階段：
信息抽取：從各種類型的數(shù)據(jù)源中提取出實(shí)體、屬性以及實(shí)體間的相互關(guān)系，在此基礎(chǔ)上形成本體化的知識表達(dá)；
知識融合：在獲得新知識之后，需要對其進(jìn)行整合，以消除矛盾和歧義，比如某些實(shí)體可能有多種表達(dá)，某個(gè)特定稱謂也許對應(yīng)于多個(gè)不同的實(shí)體等；
知識加工：對于經(jīng)過融合的新知識，需要經(jīng)過質(zhì)量評估之后（部分需要人工參與甄別），才能將合格的部分加入到知識庫中，以確保知識庫的質(zhì)量，見下圖
下面我們依次來對每一個(gè)步驟進(jìn)行介紹。（長文預(yù)警）
4.1 信息抽取
信息抽取（infromation extraction）是知識圖譜構(gòu)建的第1步，其中的關(guān)鍵問題是：如何從異構(gòu)數(shù)據(jù)源中自動(dòng)抽取信息得到候選指示單元？
信息抽取是一種自動(dòng)化地從半結(jié)構(gòu)化和無結(jié)構(gòu)數(shù)據(jù)中抽取實(shí)體、關(guān)系以及實(shí)體屬性等結(jié)構(gòu)化信息的技術(shù)。
涉及的關(guān)鍵技術(shù)包括：實(shí)體抽取、關(guān)系抽取和屬性抽取。
★ 4.1.1 實(shí)體抽取
實(shí)體抽取，也稱為命名實(shí)體識別（named entity recognition，NER），是指從文本數(shù)據(jù)集中自動(dòng)識別出命名實(shí)體。
比如在下圖中，通過實(shí)體抽取我們可以從其中抽取出三個(gè)實(shí)體——“Steve Balmer”, "Bill Gates",和"Microsoft"。
實(shí)體抽取的研究歷史主要是從面向單一領(lǐng)域進(jìn)行實(shí)體抽取，逐步跨步到面向開放域（open domain）的實(shí)體抽取。
★ 4.1.2 關(guān)系抽取
文本語料經(jīng)過實(shí)體抽取之后，得到的是一系列離散的命名實(shí)體，為了得到語義信息，還需要從相關(guān)語料中提取出實(shí)體之間的關(guān)聯(lián)關(guān)系，通過關(guān)系將實(shí)體聯(lián)系起來，才能夠形成網(wǎng)狀的知識結(jié)構(gòu)。這就是關(guān)系抽取需要做的事，如下圖所示。
研究歷史：
人工構(gòu)造語法和語義規(guī)則（模式匹配）
統(tǒng)計(jì)機(jī)器學(xué)習(xí)方法
基于特征向量或核函數(shù)的有監(jiān)督學(xué)習(xí)方法
研究重點(diǎn)轉(zhuǎn)向半監(jiān)督和無監(jiān)督
開始研究面向開放域的信息抽取方法
將面向開放域的信息抽取方法和面向封閉領(lǐng)域的傳統(tǒng)方法結(jié)合
★ 4.1.3 屬性抽取
屬性抽取的目標(biāo)是從不同信息源中采集特定實(shí)體的屬性信息，如針對某個(gè)公眾人物，可以從網(wǎng)絡(luò)公開信息中得到其昵稱、生日、國籍、教育背景等信息。
研究歷史：
將實(shí)體的屬性視作實(shí)體與屬性值之間的一種名詞性關(guān)系，將屬性抽取任務(wù)轉(zhuǎn)化為關(guān)系抽取任務(wù)。
基于規(guī)則和啟發(fā)式算法，抽取結(jié)構(gòu)化數(shù)據(jù)
基于百科類網(wǎng)站的半結(jié)構(gòu)化數(shù)據(jù)，通過自動(dòng)抽取生成訓(xùn)練語料，用于訓(xùn)練實(shí)體屬性標(biāo)注模型，然后將其應(yīng)用于對非結(jié)構(gòu)化數(shù)據(jù)的實(shí)體屬性抽取。
采用數(shù)據(jù)挖掘的方法直接從文本中挖掘?qū)嶓w屬性和屬性值之間的關(guān)系模式，據(jù)此實(shí)現(xiàn)對屬性名和屬性值在文本中的定位。
4.2 知識融合
通過信息抽取，我們就從原始的非結(jié)構(gòu)化和半結(jié)構(gòu)化數(shù)據(jù)中獲取到了實(shí)體、關(guān)系以及實(shí)體的屬性信息。
如果我們將接下來的過程比喻成拼圖的話，那么這些信息就是拼圖碎片，散亂無章，甚至還有從其他拼圖里跑來的碎片、本身就是用來干擾我們拼圖的錯(cuò)誤碎片。
也就是說：
拼圖碎片（信息）之間的關(guān)系是扁平化的，缺乏層次性和邏輯性；
拼圖（知識）中還存在大量冗雜和錯(cuò)誤的拼圖碎片（信息）
那么如何解決這一問題，就是在知識融合這一步里我們需要做的了。
知識融合包括2部分內(nèi)容：
實(shí)體鏈接
知識合并
★?4.2.1 實(shí)體鏈接
實(shí)體鏈接（entity linking）是指對于從文本中抽取得到的實(shí)體對象，將其鏈接到知識庫中對應(yīng)的正確實(shí)體對象的操作。
其基本思想是首先根據(jù)給定的實(shí)體指稱項(xiàng)，從知識庫中選出一組候選實(shí)體對象，然后通過相似度計(jì)算將指稱項(xiàng)鏈接到正確的實(shí)體對象。
研究歷史：
僅關(guān)注如何將從文本中抽取到的實(shí)體鏈接到知識庫中，忽視了位于同一文檔的實(shí)體間存在的語義聯(lián)系。
開始關(guān)注利用實(shí)體的共現(xiàn)關(guān)系，同時(shí)將多個(gè)實(shí)體鏈接到知識庫中。即集成實(shí)體鏈接（collective entity linking）
實(shí)體鏈接的流程：
從文本中通過實(shí)體抽取得到實(shí)體指稱項(xiàng)；
進(jìn)行實(shí)體消歧和共指消解，判斷知識庫中的同名實(shí)體與之是否代表不同的含義以及知識庫中是否存在其他命名實(shí)體與之表示相同的含義；
在確認(rèn)知識庫中對應(yīng)的正確實(shí)體對象之后，將該實(shí)體指稱項(xiàng)鏈接到知識庫中對應(yīng)實(shí)體。
實(shí)體消歧是專門用于解決同名實(shí)體產(chǎn)生歧義問題的技術(shù)，通過實(shí)體消歧，就可以根據(jù)當(dāng)前的語境，準(zhǔn)確建立實(shí)體鏈接，實(shí)體消歧主要采用聚類法。其實(shí)也可以看做基于上下文的分類問題，類似于詞性消歧和詞義消歧。
共指消解技術(shù)主要用于解決多個(gè)指稱對應(yīng)同一實(shí)體對象的問題。在一次會(huì)話中，多個(gè)指稱可能指向的是同一實(shí)體對象。利用共指消解技術(shù)，可以將這些指稱項(xiàng)關(guān)聯(lián)（合并）到正確的實(shí)體對象，由于該問題在信息檢索和自然語言處理等領(lǐng)域具有特殊的重要性，吸引了大量的研究努力。共指消解還有一些其他的名字，比如對象對齊、實(shí)體匹配和實(shí)體同義。
★ 4.2.2 知識合并
在前面的實(shí)體鏈接中，我們已經(jīng)將實(shí)體鏈接到知識庫中對應(yīng)的正確實(shí)體對象那里去了，但需要注意的是，實(shí)體鏈接鏈接的是我們從半結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)那里通過信息抽取提取出來的數(shù)據(jù)。
那么除了半結(jié)構(gòu)化數(shù)據(jù)和非結(jié)構(gòu)化數(shù)據(jù)以外，我們還有個(gè)更方便的數(shù)據(jù)來源——結(jié)構(gòu)化數(shù)據(jù)，如外部知識庫和關(guān)系數(shù)據(jù)庫。
對于這部分結(jié)構(gòu)化數(shù)據(jù)的處理，就是我們知識合并的內(nèi)容啦。一般來說知識合并主要分為兩種：
合并外部知識庫，主要處理數(shù)據(jù)層和模式層的沖突
合并關(guān)系數(shù)據(jù)庫，有RDB2RDF等方法
4.3 知識加工
經(jīng)過剛才那一系列步驟，我們終于走到了知識加工這一步了！
感覺大家可能已經(jīng)有點(diǎn)暈眩，那么讓我們再來看一下知識圖譜的這張架構(gòu)圖。
在前面，我們已經(jīng)通過信息抽取，從原始語料中提取出了實(shí)體、關(guān)系與屬性等知識要素，并且經(jīng)過知識融合，消除實(shí)體指稱項(xiàng)與實(shí)體對象之間的歧義，得到一系列基本的事實(shí)表達(dá)。
然而事實(shí)本身并不等于知識。要想最終獲得結(jié)構(gòu)化，網(wǎng)絡(luò)化的知識體系，還需要經(jīng)歷知識加工的過程。
知識加工主要包括3方面內(nèi)容：本體構(gòu)建、知識推理和質(zhì)量評估。
★ 4.3.1 本體構(gòu)建
本體（ontology）是指工人的概念集合、概念框架，如“人”、“事”、“物”等。
本體可以采用人工編輯的方式手動(dòng)構(gòu)建（借助本體編輯軟件），也可以以數(shù)據(jù)驅(qū)動(dòng)的自動(dòng)化方式構(gòu)建本體。因?yàn)槿斯し绞焦ぷ髁烤薮?#xff0c;且很難找到符合要求的專家，因此當(dāng)前主流的全局本體庫產(chǎn)品，都是從一些面向特定領(lǐng)域的現(xiàn)有本體庫出發(fā)，采用自動(dòng)構(gòu)建技術(shù)逐步擴(kuò)展得到的。
自動(dòng)化本體構(gòu)建過程包含三個(gè)階段：
實(shí)體并列關(guān)系相似度計(jì)算
實(shí)體上下位關(guān)系抽取
本體的生成
比如對下面這個(gè)例子，當(dāng)知識圖譜剛得到“阿里巴巴”、“騰訊”、“手機(jī)”這三個(gè)實(shí)體的時(shí)候，可能會(huì)認(rèn)為它們?nèi)齻€(gè)之間并沒有什么差別，但當(dāng)它去計(jì)算三個(gè)實(shí)體之間的相似度后，就會(huì)發(fā)現(xiàn)，阿里巴巴和騰訊之間可能更相似，和手機(jī)差別更大一些。
這就是第一步的作用，但這樣下來，知識圖譜實(shí)際上還是沒有一個(gè)上下層的概念，它還是不知道，阿里巴巴和手機(jī)，根本就不隸屬于一個(gè)類型，無法比較。因此我們在實(shí)體上下位關(guān)系抽取這一步，就需要去完成這樣的工作，從而生成第三步的本體。
當(dāng)三步結(jié)束后，這個(gè)知識圖譜可能就會(huì)明白，“阿里巴巴和騰訊，其實(shí)都是公司這樣一個(gè)實(shí)體下的細(xì)分實(shí)體。它們和手機(jī)并不是一類。”
★ 4.3.2 知識推理
在我們完成了本體構(gòu)建這一步之后，一個(gè)知識圖譜的雛形便已經(jīng)搭建好了。但可能在這個(gè)時(shí)候，知識圖譜之間大多數(shù)關(guān)系都是殘缺的，缺失值非常嚴(yán)重，那么這個(gè)時(shí)候，我們就可以使用知識推理技術(shù)，去完成進(jìn)一步的知識發(fā)現(xiàn)。
比如在下面這個(gè)例子里：
我們可以發(fā)現(xiàn)：如果A是B的配偶，B是C的主席，C坐落于D，那么我們就可以認(rèn)為，A生活在D這個(gè)城市。
根據(jù)這一條規(guī)則，我們可以去挖掘一下在圖里，是不是還有其他的path滿足這個(gè)條件，那么我們就可以將AD兩個(gè)關(guān)聯(lián)起來。除此之外，我們還可以去思考，串聯(lián)里有一環(huán)是B是C的主席，那么B是C的CEO、B是C的COO，是不是也可以作為這個(gè)推理策略的一環(huán)呢？
當(dāng)然知識推理的對象也并不局限于實(shí)體間的關(guān)系，也可以是實(shí)體的屬性值，本體的概念層次關(guān)系等。
比如：
推理屬性值：已知某實(shí)體的生日屬性，可以通過推理得到該實(shí)體的年齡屬性；
推理概念：已知(老虎，科，貓科)和（貓科，目，食肉目）可以推出（老虎，目，食肉目）
這一塊的算法主要可以分為3大類，基于邏輯的推理、基于圖的推理和基于深度學(xué)習(xí)的推理。
★ 4.3.3 質(zhì)量評估
質(zhì)量評估也是知識庫構(gòu)建技術(shù)的重要組成部分，這一部分存在的意義在于：可以對知識的可信度進(jìn)行量化，通過舍棄置信度較低的知識來保障知識庫的質(zhì)量。
好啦，在質(zhì)量評估之后，你是不是想說，媽耶知識圖譜終于構(gòu)建完畢了。終于可以松一口氣了。
好吧，實(shí)不相瞞，知識圖譜這個(gè)寶寶目前雖然我們構(gòu)建成功了。
但是！你家寶寶不吃飯的啊！你家寶寶不學(xué)習(xí)的啊！
所以，讓我們冷靜一下，乖乖進(jìn)入知識更新這一步……
4.4 知識更新
從邏輯上看，知識庫的更新包括概念層的更新和數(shù)據(jù)層的更新。
概念層的更新是指新增數(shù)據(jù)后獲得了新的概念，需要自動(dòng)將新的概念添加到知識庫的概念層中。
數(shù)據(jù)層的更新主要是新增或更新實(shí)體、關(guān)系、屬性值，對數(shù)據(jù)層進(jìn)行更新需要考慮數(shù)據(jù)源的可靠性、數(shù)據(jù)的一致性（是否存在矛盾或冗雜等問題）等可靠數(shù)據(jù)源，并選擇在各數(shù)據(jù)源中出現(xiàn)頻率高的事實(shí)和屬性加入知識庫。
知識圖譜的內(nèi)容更新有兩種方式：
全面更新：指以更新后的全部數(shù)據(jù)為輸入，從零開始構(gòu)建知識圖譜。這種方法比較簡單，但資源消耗大，而且需要耗費(fèi)大量人力資源進(jìn)行系統(tǒng)維護(hù)；
增量更新：以當(dāng)前新增數(shù)據(jù)為輸入，向現(xiàn)有知識圖譜中添加新增知識。這種方式資源消耗小，但目前仍需要大量人工干預(yù)（定義規(guī)則等），因此實(shí)施起來十分困難。
5、知識圖譜的應(yīng)用
好了！終于終于！知識圖譜的構(gòu)建方式我們就此結(jié)束了！
為了讓大家不立刻棄療，讓我們來看看知識圖譜能做到什么，以及目前已經(jīng)做到了什么~
智能搜索——也是知識圖譜最成熟的一個(gè)場景，自動(dòng)給出搜索結(jié)果和相關(guān)人物
構(gòu)建人物關(guān)系圖，查看更多維度的數(shù)據(jù)
反欺詐：這主要有兩部分原因，一個(gè)是反欺詐的數(shù)據(jù)來源多樣，結(jié)構(gòu)化和非結(jié)構(gòu)化，二是不少欺詐案件會(huì)涉及到復(fù)雜的關(guān)系網(wǎng)絡(luò)
不一致性驗(yàn)證（類似交叉驗(yàn)證）——關(guān)系推理
異常分析（運(yùn)算量大，一般離線）
靜態(tài)分析：給定一個(gè)圖形結(jié)構(gòu)和某個(gè)時(shí)間點(diǎn)，從中去發(fā)現(xiàn)一些異常點(diǎn)（比如有異常的子圖）。
動(dòng)態(tài)分析：分析其結(jié)構(gòu)隨時(shí)間變化的趨勢。（假設(shè)短時(shí)間內(nèi)知識圖譜結(jié)構(gòu)的變化不會(huì)太大，如果它的變化很大，就說明可能存在異常，需要進(jìn)一步的關(guān)注。會(huì)涉及到時(shí)序分析技術(shù)和圖相似性計(jì)算技術(shù)。）
失聯(lián)客戶管理 挖掘出更多的新聯(lián)系人，提高催收的成功率。
……
事實(shí)上，知識圖譜的應(yīng)用遠(yuǎn)不止于此。在我看來，這個(gè)世界就是一張巨大的知識圖譜，是無數(shù)個(gè)實(shí)體關(guān)系對，這兩年工業(yè)界對圖數(shù)據(jù)庫、知識圖譜的巨大需求也同樣反映出了這一點(diǎn)。
就像這篇文章開頭說的那句一樣，
“The world is not made of strings , but is made of things.”
——辛格博士，from Google.
References
[1] 劉嶠, 李楊, 段宏,等. 知識圖譜構(gòu)建技術(shù)綜述[J]. 計(jì)算機(jī)研究與發(fā)展, 2016, 53(3):582-600.
[2] 打怪的螞蟻. CSDN. 知識圖譜技術(shù)技巧.?http://blog.csdn.net/xgjianstart/article/details/70214852
[3] Ehrlinger L, W?? W. Towards a Definition of Knowledge Graphs[C]// Joint Proceedings of the Posters and Demos Track of, International Conference on Semantic Systems - Semantics2016 and, International Workshop on Semantic Change & Evolving Semantics. 2016.
[4] Das R, Neelakantan A, Belanger D, et al. Chains of Reasoning over Entities, Relations, and Text using Recurrent Neural Networks[J]. 2016:132-141.
OpenKG.CN
中文開放知識圖譜（簡稱OpenKG.CN）旨在促進(jìn)中文知識圖譜數(shù)據(jù)的開放與互聯(lián)，促進(jìn)知識圖譜和語義技術(shù)的普及和廣泛應(yīng)用。
點(diǎn)擊閱讀原文，進(jìn)入 OpenKG 博客。
創(chuàng)作挑戰(zhàn)賽新人創(chuàng)作獎(jiǎng)勵(lì)來咯，堅(jiān)持創(chuàng)作打卡瓜分現(xiàn)金大獎(jiǎng)總結(jié)
以上是生活随笔為你收集整理的技术动态 | 自底向上构建知识图谱全过程的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。
- 上一篇： PaddlePaddle预训练模型大合集
- 下一篇： bert模型简介、transformer