• 大綱：

• 1、基于非結構話數據的知識抽取

• 2、基于結構化數據的知識抽取

• 3、知識融合與質量評估

基于非結構化數據的知識抽取(比重比較大)

lstm學習特征輸入crf生成更復雜的特征

關系抽取抽取的是兩個實體之間滿足的什么關系

事件抽取更泛化一些，多個實體，多個關系

不同事件抽取內容參數要求不同

不同事件有不同的觸發詞，觸發詞包含哪些元素

深度學習特征抽取

CNN:Event Extraction via Dynamic Multi-Pooling Convolutional

RNN：

Joint Event Extraction via Recurrent Neural Networks

小結：

? ? ?非結構化數據的知識抽取

? ? ?實體識別：

? ? ? ? ? ? 基于規則和詞典的方法

? ? ? ? ? ? 基于統計方法

? ? ? ? ? ? 基于深度學習

? ? 關系抽取

? ? ? ? ? ? 規則引擎：Ratel

? ? ? ? ? ? 遠程監督

? ? ?事件抽取

? ? ? ? ? ? 預定義事件的模版

? ? ? ? ? ? 觸發詞－>事件類型 －>參數識別 －>參數角色識別

?

基于結構化數據的知識抽取（面向對象數據庫數據）

知識融合與質量評估

不同數據源數據進行合并

?

小結：

知識圖譜構建是知識圖譜應用的基礎

自動化程度和構建笑了直接影響了知識圖譜的應用成本

領域知識圖譜的業務復雜性影響著構建的難度

總結

以上是生活随笔為你收集整理的知识图谱（知识图谱构建）的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。