知识图谱
关注
分享
扫一扫
知识图谱相关知识思考与分享。
bobobe
这个作者很懒，什么都没留下…
展开
-
知识图谱（knowledge graph）——RDF(Resource Description Framework)
RDF的基本单元是三元组(triple)每个三元组是(主语 谓语 宾语) 这样的元组tuple。主谓宾的取值称为"资源"(Resource, 也就是RDF里的R)资源可以是一个网址(URI)，一个字符串或数 字(严格来讲都是带类型的字符串，称为 literal)，或者一个“空节点”(blank node)。有两种特殊类型的资源。rdfs:Class代表类。 rdf:Prope...原创 2020-04-10 16:04:06 · 5925 阅读 · 0 评论 -
知识图谱（knowledge graph）——概述
知识图谱总结概念技术链概括通用知识图谱和垂直领域知识图谱国内外开放知识图谱技术链详解知识获取知识融合知识表示知识推理功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图...原创 2020-04-10 16:04:56 · 5557 阅读 · 0 评论 -
实体关系抽取——CRF++
CRF++是CRF算法的一个实现。 它最重要的功能我认为是采用了特征模板。这样就可以自动生成一系列的特征函数，而不用我们自己生成特征函数，我们要做的就是寻找特征，比如词性等。特征模板 特征模板就是为了生成特征函数。在crf++中有unigram和bigram两种模板。首先看训练文件格式： 这里每一列是一个特征（比如这里第一列是句子本身的特征（一个个字），第二列是词性特征，第三列是o...原创 2019-07-10 23:48:39 · 14012 阅读 · 3 评论 -
实体关系抽取——BiLSTM+crf
本篇文章假设你已有lstm和crf的基础。BiLSTM+softmax lstm也可以做序列标注问题。如下图所示： 双向lstm后接一个softmax层，输出各个label的概率。那为何还要加一个crf层呢？ 我的理解是softmax层的输出是相互独立的，即虽然BiLSTM学习到了上下文的信息，但是输出相互之间并没有影响，它只是在每一步挑选一个最大概率值的label输出。这样就会导...原创 2018-05-28 22:53:57 · 43544 阅读 · 10 评论 -
实体关系抽取——ACE2005数据介绍
ACE2005数据介绍overallEnglish partrelationchinese partarabic partoverallACE2005数据集包括英语，阿拉伯语和中文三部分数据，可以用来做实体，关系，事件抽取等。English partEnglish部分包括了broadcast news(bn), broadcast conversations(bc), newswire(...原创 2019-08-07 22:29:37 · 4878 阅读 · 2 评论 -
实体关系抽取——概况
实体和关系抽取目前应该大体分为两种方式：底层网络共享，上层网络输出分开（实体和关系），损失函数加起来。改变标签体系，从而让实体和关系一起输出，不用再分开输出。...原创 2019-01-22 22:18:05 · 1205 阅读 · 0 评论 -
[论文解读]Genre Separation Network with Adversarial Training for Cross-genre Relation Extraction
本论文的主要任务是跨领域的关系抽取，具体来说，利用某个领域的数据训练好的关系抽取模型，很难去直接抽取另一个领域中的关系，比如我们拿某个领域训练好的模型，把另一个领域的数据直接输入整个模型，很难抽取出来正确的实体关系。这主要是因为源领域和目标领域特征表达的不同，在源领域的某个特征，在目标领域可能表达相反的意思。而为了在领域迁移时可以直接利用模型，而不用再训练一次，本论文提出了一种新的跨领域关系抽取模...原创 2019-03-07 22:31:57 · 762 阅读 · 0 评论 -
[论文解读]Investigating LSTMs for Joint Extraction of Opinion Entities and Relations
这篇论文是意见实体和关系联合抽取。作者称这是第一次尝试把深度网络用到意见实体和关系联合抽取上。以前利用crf等的传统联合抽取方法太依赖众多特征。opinion analysis所谓“意见分析(opinion analysis)","is to identify subjective expressions in text along with their associated sourc...原创 2018-09-28 11:03:50 · 912 阅读 · 0 评论 -
[论文解读]Going out on a limb: Joint Extraction of Entity Mentions and Relations without...
Going out on a limb: Joint Extraction of Entity Mentions and Relations without Dependency Trees背景作者在2016年发表的论文：”Investigating LSTMs for Joint Extraction of Opinion Entities and Relations“联合抽取了opin...原创 2018-11-15 14:51:52 · 1949 阅读 · 9 评论 -
[论文解读]Global Normalization of Convolutional Neural Networks for Joint Entity and Relation...
这篇是2017年CL收录的论文。 本文提出了一种新的实体分类(EC)和关系抽取(RE)的方法。如果对BiLSTM+crf有一定了解的话理解这篇论文就容易得多，因为他的整体思想是基于BiLSTM+crf的。 作者提出关系抽取对命名实体的识别有很大的作用，比如可以消除歧义问题，如mercedes可以是person，location，organization，但当提取出关系（live-in）后，就可...原创 2018-06-02 16:18:36 · 1068 阅读 · 0 评论 -
[论文解读]End-to-End Relation Extraction using LSTMs on Sequences and Tree Structures
这篇论文应该算是实体和关系联合抽取的开山鼻祖。结构从上图可以看出，网络结构主要包含三部分：embedding layerembedding主要有4部分，word embedding，pos embedding，dependency embedding（依赖关系），label embedding（预测出的实体label）。sequence layersequence layer...原创 2018-09-27 14:53:57 · 1353 阅读 · 1 评论