知識圖譜的早期理念源於萬維網之父 Tim Berners Lee 關於語義網(The Semantic Web) 的設想,旨在采用圖的結構(Graph Structure)來建模和記錄世界萬物之間的關聯關係和知識, 以便有效實現更加精準的對象級搜索。經過近二十年的發展,知識圖譜的相關技術已經在搜索引擎、智能問答、語言及視覺理解、大數據決策分析、智能設備物聯等眾多領域得到廣泛應用,被公認為是實現認知智能的重要基石。近年來,隨著自然語言處理、深度學習、圖數據處理等眾多領域的飛速發展,知識圖譜在自動化知識獲取、 基於知識的自然語言處理、基於表示學習的機器推理、基於圖神經網絡的圖挖掘與分析等領域又取得了很多新進展。

本課程是麵向浙江大學研究生開設的專業選修課程。課程係統性介紹知識圖譜的基本概念、核心技術內涵和應用實踐方法,具體內容涉及知識表示與推理、圖數據庫、關係抽取與知識圖譜構建、知識圖譜表示學習與嵌入、語義搜索與知識問答、圖神經網絡與圖挖掘分析等。課程內容的設計以“基礎、前沿與實踐”相結合為基本原則,既包括基本概念介紹和實踐應用內容,也包括學術界的最新前沿進展的介紹。
成為VIP會員查看完整內容
7
99
0

相關內容

浙江大學,簡稱浙大,坐落於素有“人間天堂”美譽的曆史文化名城杭州。前身是1897年創建的求是書院,是中國人自己最早創辦的現代高等學府之一,是一所具有悠久曆史的教育部直屬全國重點大學,985、211工程重點建設高校。據ESI公布的數據,截至2015年9月,浙江大學18個學科進入世界學術機構前1%,居全國高校第二;7個學科進入世界前100位,4個學科進入世界前50位,居全國高校第一。

課程介紹

本課程主要講述圖神經網絡的相關背景、現有技術以及在實際生產生活中的應用。通過兼顧學術前沿與落地應用,提供圖神經網絡這一研究領域的核心知識,與當前工業界學術界的應用場景緊密相關,並著重強調圖神經網絡的落地應用能力。

地址:https://zhoushengisnoob.github.io/courses/index.html?course=gnn

課程內容:

時間 課程內容 課程概述 2021-11-12 圖神經網絡簡介 課程介紹、認識圖數據、介紹圖特征和圖數據挖掘任務;介紹節點表征學習的方法,包括基於矩陣分解和基於隨機遊走,並證明隨機遊走和矩陣分解的等價性 2021-11-19 經典圖神經網絡 介紹基於深度自編碼器的節點表征學習、融合節點屬性的節點表征學習、基於消息傳遞的節點表征學習和經典圖神經網絡 2021-11-26 卷積圖神經網絡 介紹卷積、傅裏葉變換、圖傅裏葉變換和卷積圖神經網絡示例 2021-12-3 循環圖神經網絡 介紹循環神經網絡、LSTM、GRU以及在圖神經網絡上的應用 2021-12-10 圖結構學習神經網絡 介紹圖結構學習神經網絡、圖結構生成網絡 2021-12-17 深度社區發現 介紹圖神經網絡應用於社區發現任務的思路、案例 2021-12-24 富信息圖神經網絡 介紹有向圖、異構圖和動態圖的圖神經網絡技術 2021-12-31 Invited Talk 介紹知識圖譜、工業圖神經網絡和圖神經網絡動手實踐

參考書目1.《圖卷積神經網絡綜述》,徐冰冰等,計算機學報,2020 2. 《圖神經網絡推薦研究進展》,吳國棟,智能係統學報,2020 3. 《圖神經網絡導論》,劉知遠編著,人民郵電出版社,2021 4. 《圖神經網絡:基礎與前沿》,馬騰飛編著,電子工業出版社,2018 5. 《深入淺出圖神經網絡:GNN 原理解析》,劉忠雨,李彥霖,周洋編著,機械工業出版社,2020

成為VIP會員查看完整內容
3
42
0

 全麵了解數據科學的基礎知識

 包括數據分析的常用技術、發展前沿和應用案例  了解數據的“能”與“不能”

 樹立數據科學的基本思路

 初步掌握使用數據分析手段解決實際應用問題的能力

http://staff.ustc.edu.cn/~huangzhy/Course/DS2021.html

成為VIP會員查看完整內容
1
42
0

摘要:數據和知識是新一代信息技術與智能製造深度融合的基礎。然而,當前產品設計、製造、裝配和服務等過程中,數據及知識的存儲大多以傳統關係型數據庫為基礎,這導致了數據及知識的冗餘性和搜索及推理的低效性。近年來,知識圖譜技術飛速發展起來,它本質上是基於語義網絡的思想,可以實現對現實世界的事物及其相互關係的形式化描述。該技術為智能製造領域數據及知識的關聯性表達和相關性搜索推理問題的解決帶來了可能性,因此其在智能製造的實現過程中扮演著越來越重要的角色。為了給知識圖譜在智能製造領域的應用提供理論支撐,總結了知識圖譜領域的研究進展;同時探索了知識圖譜在智能製造領域的3大類應用方向,共15小類應用前景,分析了在各個應用前景上與傳統方法的不同之處,應用過程中所需要使用的知識圖譜相關技術以及實施過程中所待突破的關鍵技術,希望可以為進一步展開針對知識圖譜在智能製造領域的研究提供啟發,同時為相關企業針對知識圖譜的實際應用提供參考;最後以數控車床故障分析為案例,驗證了知識圖譜在智能製造領域應用的有效性。

物聯網、雲計算、人工智能等新一代信息技術的迅猛發展,帶來了製造業的新一輪突破,推動著製造係統向智能化方向發展,驅動著未來製造模式的創新[1]。其中數據和知識是實現製造業與新一代信息技術融合的基礎,是實現智能製造的保障。一方麵,產品在其生命周期的各個階段將會產生海量工業數據和知識[2];另一方麵,工業數據和知識是製造領域的信息化進程的必備資源,其中蘊含了大量有用的模式。然而,當前製造領域產品設計、製造、裝配、服務等生命周期過程中數據以及知識的存儲大多以傳統關係型數據庫為基礎,冗餘性較高、分布分散、關聯性較弱且儲量相對較小,強調對數據以及知識的檢索卻較少從語義層麵研究數據以及知識的關聯、認知、理解與推理。因此,如何從冗 餘的數據與知識文本中抽取有用信息,如何有效表 達數據之間的內在關聯與知識之間的內在關聯,如 何有效利用數據的關聯性與知識的關聯性實現高效 的信息檢索與信息推理,是當前實現智能製造目標 的核心瓶頸之一。知識圖譜(Knowledge graph,KG)來源於穀歌下 一代智能語義搜索引擎技術。其本質上基於語義網 絡的思想,是一種有向圖結構的語義知識庫,用於 以符號形式描述物理世界中的概念及其相互關 係 [3],其應用服務架構如圖 1 所示。在知識圖譜內 部,數據和知識的存儲結構為三元組,形如 s p o , ,其中 s 和 o 為知識圖譜中的節點,分別 代表了主語實體知識和賓語實體知識, p 為知識圖 譜中的邊,代表了從 s 指向 o 的關係知識(謂語)。

知識圖譜具有如下 3 種特點:① 數據及知識的 存儲結構為有向圖結構。有向圖結構允許知識圖譜 有效地存儲數據和知識之間的關聯關係;② 具備高 效的數據和知識檢索能力。知識圖譜可以通過圖匹 配算法,實現高效的數據和知識訪問;③ 具備智能 化的數據和知識推理能力。知識圖譜可以自動化、 智能化地從已有的知識中發現和推理多角度的隱含知識。

目前,知識圖譜技術已經在互聯網領域如搜索引擎、智能問答等發揮了重要作用,同時也已經在 多個領域進行初步應用,比如:金融、電商、醫療 等 [4]。許多國際著名企業也已經開始探索知識圖譜 的應用,比如穀歌、微軟、IBM、蘋果等。與此同 時,在智能製造領域,西門子於 2018 年提出了他們 在知識圖譜領域的規劃[5];博世公司於 2019 年構建 了底盤係統控製相關數據的大型知識圖譜,以提供 有效地數據訪問[6]。然而國內的機械行業針對知識 圖譜的探索卻有些許不足。在研究過程中以及與多家機械相關企業的交流中發現,當前知識圖譜在智 能製造領域應用過程還存在以下不足。

(1) 缺乏對知識圖譜理論的深入認識。目前知 識圖譜相關理論與技術在迅速發展,但是智能製造 領域的專家大多對該技術缺乏深入的了解,無法有 效管理和應用知識圖譜中的數據及知識。

(2) 知識圖譜相關技術在智能製造領域的優勢 不明晰。目前知識圖譜在智能製造領域的應用處於 起步階段,針對產品設計、製造、裝配、服務等過 程所帶來的優勢不是很明確,且在知識圖譜應用於 智能製造領域過程中可能遇到的問題尚不明確。

(3) 知識圖譜相關技術在智能製造領域的應用 場景模糊。當前企業對知識圖譜在智能製造領域的 應用前景有所疑問,不確定知識圖譜技術在產品設 計、製造、裝配和服務等過程的切入點和切入方式。

(4) 知識圖譜在智能製造領域落地所需要的技 術不明確。目前在通用領域上的知識圖譜的研究角 度十分廣泛,但是針對智能製造領域各個應用場景, 所需要使用的知識圖譜相關技術類別卻還不是很明晰。

(5) 智能製造領域相關數據缺乏。目前基於深 度學習的知識圖譜相關技術需要構建一定量的有標 簽數據集,目前通用領域的相關數據集比較多,而 智能製造領域的相關數據卻比較缺乏。

針對以上問題,本文總結了可以應用於智能製 造領域的知識圖譜技術的研究進展。同時從應用出 發,探索了知識圖譜在智能製造領域的 3 大類應用 方向,共 15 小類應用前景,分析了在各個應用前景 上與傳統方法的不同之處,應用過程中所需要的知 識圖譜技術以及實施過程中所待突破的關鍵技術, 為後續知識圖譜在智能製造領域的進一步落地提供 理論支撐和方法參考。

成為VIP會員查看完整內容
0
74
0

業界和學界對知識圖譜的關注主要集中於兩大領域,分別是知識圖譜的構建和知識圖譜的應用。前者聚焦於通過對結構化、非結構化數據的整合,實現統一形式的數據存儲;後者則著眼於通過算法對海量知識圖譜數據進行學習與挖掘,從而推理出新的知識,服務於具體行業應用。知識圖譜推理在其中發揮了重要作用,被譽為知識圖譜領域的皇冠。

CS224W圖機器學習課程講述了《知識圖譜推理》最新進展PPT。

成為VIP會員查看完整內容
4
69
0

本書旨在介紹大數據處理的一些定義、方法、工具、框架和解決方案,從信息提取和知識表示的過程開始,通過知識處理和分析,再到可視化、意義構建和實際應用。本書的每一章都講述了數據處理鏈的一些相關方麵,特別關注於理解企業知識圖、語義大數據架構和智能數據分析解決方案。這本書是針對研究生從技術學科,專業觀眾繼續教育短期課程,並研究人員從不同的領域自學課程。具備計算機科學、數學和統計學的基本技能。

https://www.springer.com/gp/book/9783030531980

成為VIP會員查看完整內容
1
89
0

【導讀】本文為大家帶來了一份斯坦福大學的最新課程CS224W——圖機器學習,主講人是斯坦福大牛Jure Leskovec,他是斯坦福大學計算機學院的副教授,也是圖表示學習方法 node2vec 和 GraphSAGE 作者之一。

近年來,圖神經網絡(GNN)成為網絡表示學習和分析的熱點研究問題,其特點是將以神經網絡為代表深度學習技術用於網絡結構的建模與計算。圖神經網絡能夠考慮網絡中的節點、邊及其附帶的標簽、屬性和文本等信息,能夠更好地利用網絡結構進行精細建模和深度推理,已經被廣泛用於自然語言處理、社會網絡分析、推薦係統等領域。這個課程應該是近年來第一次全麵總結圖機器學習相關的課程,課程設置非常新穎也非常全麵,包括近年來火熱的圖神經網絡的局限和應用等等,課程全部的PPT 也已經放到網頁上,希望做這方麵研究的童鞋多多學習!

原始鏈接:http://web.stanford.edu/class/cs224w/

1 課程介紹

網絡是建模複雜的社會、技術和生物係統的基本工具。結合在線社交網絡的出現和生物科學中大規模數據的可用性,本課程著重分析大規模網絡,這些大型網絡提供了一些計算、算法和建模方麵的挑戰。通過研究學生潛在的網絡結構和相互聯係,向他們介紹機器學習技術和數據挖掘工具,這些工具有助於揭示社會、技術和自然世界的真知灼見。

複雜數據可以表示為對象之間的關係圖。這種網絡是模擬社會、技術和生物係統的基本工具。本課程著重於大量圖的分析所特有的計算、算法和建模挑戰。通過研究基礎圖結構及其特征,向學生介紹機器學習技術和數據挖掘工具,有助於揭示對各種網絡的見解。

主題包括: 表示學習和圖神經網絡;萬維網的算法;知識圖推理;影響力最大化;疾病爆發檢測,社會網絡分析。

2 講師介紹

Jurij Leskovec

主講人是圖網絡領域的大牛Jure Leskovec,是斯坦福大學計算機學院的副教授,也是圖表示學習方法 node2vec 和 GraphSAGE 作者之一。在穀歌學術搜索(Google Scholar)上,Jure擁有接近4.5萬的論文引用數量,H指數為84。

Leskovec的研究重點是對大型社會和信息網絡進行分析和建模,以研究跨社會,技術和自然世界的現象。他專注於網絡結構、網絡演化、信息傳播、影響和病毒在網絡上的傳播的統計建模。他所研究的問題是由大規模數據、網絡和其他在線媒體引起的。他也致力於文本挖掘和機器學習的應用。

個人主頁:https://cs.stanford.edu/~jure/

3 課程目錄

  • 01:課程介紹和圖機器學習(Introduction; Machine Learning for Graphs)
  • 02:傳統圖機器學習方法(Traditional Methods for ML on Graphs)
  • 03:鏈接分析:PageRank(Link Analysis: PageRank)
  • 04:節點嵌入(Node Embeddings)
  • 05:標簽傳播節點分類(Label Propagation for Node Classification)
  • 06:圖神經網絡模型(Graph Neural Networks 1: GNN Model)
  • 07:圖神經網絡:設計空間(Graph Neural Networks 2: Design Space)
  • 08:圖神經網絡應用(Applications of Graph Neural Networks)
  • 09:圖神經網絡理論(Theory of Graph Neural Networks)
  • 10:圖神經網絡嵌入(Knowledge Graph Embeddings)
  • 11:知識圖譜推理(Reasoning over Knowledge Graphs)
  • 12:基於GNNs的頻繁子圖挖掘(Frequent Subgraph Mining with GNNs)
  • 13:網絡社區結構(Community Structure in Networks)
  • 14:傳統圖生成式模型(Traditional Generative Models for Graphs)
  • 15:深度圖生成式模型(Deep Generative Models for Graphs)
  • 16:GNNs可擴展(Scaling Up GNNs)
  • 17:動態圖學習( Learning on Dynamic Graphs)
  • 18:計算生物學GNNs(GNNs for Computational Biology)
  • 19:GNNs科學應用(GNNs for Science)
  • 20:GNNs工業應用 (Industrial Applications of GNNs)

4 課程材料預覽

Graph Representation Learning by William L. Hamilton Networks, Crowds, and Markets: Reasoning About a Highly Connected World by David Easley and Jon Kleinberg Network Science by Albert-László Barabási

成為VIP會員查看完整內容
2
135
0

隨著大數據時代的到來,海量數據不斷湧現,從中尋找有用信息,抽取對應知識的需求變得越來越強烈。針對該需求,知識圖譜技術應運而生,並在實現知識互聯的過程中日益發揮重要作用。信息抽取作為構建知識圖譜的基礎技術,實現了從大規模數據中獲取結構化的命名實體及其屬性或關聯信息。同時,由於具有多樣化的實現方法,擴充了信息抽取技術的應用領域和場景,也提升了對信息抽取技術研究的價值和必要性的認可度。本文首先以知識圖譜的構建框架為背景。探討信息抽取研究的意義;然後從MUC、ACE和ICDM三個國際測評會議的角度回顧信息抽取的發展曆史;接著,基於麵向限定域和開放域兩個方麵,介紹信息抽取的關鍵技術,包括實體抽取技術、關係抽取技術和屬性抽取技術。

https://pdf.hanspub.org//HJDM20200400000_53197772.pdf

成為VIP會員查看完整內容
2
130
0

【導讀】慕尼黑大學開設的《高級深度學習》技術課程,重點介紹計算機視覺的前沿深度學習技術。最新一期介紹了《生成式對抗網絡》進展,講述了GAN的知識體係,值得關注。

成為VIP會員查看完整內容
2
133
0

在本文中,我們對知識圖譜進行了全麵的介紹,在需要開發多樣化、動態、大規模數據收集的場景中,知識圖譜最近引起了業界和學術界的極大關注。在大致介紹之後,我們對用於知識圖譜的各種基於圖的數據模型和查詢語言進行了歸納和對比。我們將討論模式、標識和上下文在知識圖譜中的作用。我們解釋如何使用演繹和歸納技術的組合來表示和提取知識。我們總結了知識圖譜的創建、豐富、質量評估、細化和發布的方法。我們將概述著名的開放知識圖譜和企業知識圖譜及其應用,以及它們如何使用上述技術。最後,我們總結了未來高層次的知識圖譜研究方向。

盡管“知識圖譜”一詞至少從1972年就開始出現在文獻中了[440],但它的現代形式起源於2012年發布的穀歌知識圖譜[459],隨後Airbnb[83]、亞馬遜[280]、eBay[392]、Facebook[365]、IBM[123]、LinkedIn[214]、微軟[457]、優步[205]等公司相繼發布了開發知識圖譜的公告。事實證明,學術界難以忽視這一概念的日益普及: 越來越多的科學文獻發表關於知識圖譜的主題,其中包括書籍(如[400]),以及概述定義(如[136])的論文,新技術(如[298,399,521]),以及對知識圖譜具體方麵的調查(如[375,519])。

所有這些發展的核心思想是使用圖形來表示數據,通常通過某種方式顯式地表示知識來增強這種思想[365]。結果最常用於涉及大規模集成、管理和從不同數據源提取價值的應用場景[365]。在這種情況下,與關係模型或NoSQL替代方案相比,使用基於圖的知識抽象有很多好處。圖為各種領域提供了簡潔而直觀的抽象,其中邊捕獲了社會數據、生物交互、書目引用和合作作者、交通網絡等[15]中固有實體之間的(潛在的循環)關係。圖允許維護者推遲模式的定義,允許數據(及其範圍)以比關係設置中通常可能的更靈活的方式發展,特別是對於獲取不完整的知識[2]。與(其他)NoSQL模型不同,專門的圖形查詢語言不僅支持標準的關係運算符(連接、聯合、投影等),而且還支持遞歸查找通過任意長度路徑[14]連接的實體的導航運算符。標準的知識表示形式主義——如本體論[66,228,344]和規則[242,270]——可以用來定義和推理用於標記和描述圖中的節點和邊的術語的語義。可伸縮的圖形分析框架[314,478,529]可用於計算中心性、集群、摘要等,以獲得對所描述領域的洞察。各種表示形式也被開發出來,支持直接在圖上應用機器學習技術[519,527]。

總之,構建和使用知識圖譜的決策為集成和從不同數據源提取價值提供了一係列技術。但是,我們還沒有看到一個通用的統一總結,它描述了如何使用知識圖譜,使用了哪些技術,以及它們如何與現有的數據管理主題相關。

本教程的目標是全麵介紹知識圖譜: 描述它們的基本數據模型以及如何查詢它們;討論與schema, identity, 和 context相關的表征;討論演繹和歸納的方式使知識明確;介紹可用於創建和充實圖形結構數據的各種技術;描述如何識別知識圖譜的質量以及如何改進知識圖譜;討論發布知識圖譜的標準和最佳實踐;並提供在實踐中發現的現有知識圖譜的概述。我們的目標受眾包括對知識圖譜不熟悉的研究人員和實踐者。因此,我們並不假設讀者對知識圖譜有特定的專業知識。

知識圖。“知識圖譜”的定義仍然存在爭議[36,53,136],其中出現了一些(有時相互衝突的)定義,從具體的技術建議到更具包容性的一般性建議;我們在附錄a中討論了這些先前的定義。在這裏,我們采用了一個包容性的定義,其中我們將知識圖譜視為一個數據圖,目的是積累和傳遞真實世界的知識,其節點表示感興趣的實體,其邊緣表示這些實體之間的關係。數據圖(又稱數據圖)符合一個基於圖的數據模型,它可以是一個有向邊標記的圖,一個屬性圖等(我們在第二節中討論具體的替代方案)。這些知識可以從外部資源中積累,也可以從知識圖譜本身中提取。知識可以由簡單的語句組成,如“聖地亞哥是智利的首都”,也可以由量化的語句組成,如“所有的首都都是城市”。簡單的語句可以作為數據圖的邊來積累。如果知識圖譜打算積累量化的語句,那麼就需要一種更有表現力的方式來表示知識——例如本體或規則。演繹的方法可以用來繼承和積累進一步的知識(例如,“聖地亞哥是一個城市”)。基於簡單或量化語句的額外知識也可以通過歸納方法從知識圖譜中提取和積累。

知識圖譜通常來自多個來源,因此,在結構和粒度方麵可能非常多樣化。解決這種多樣性, 表示模式, 身份, 和上下文常常起著關鍵的作用,在一個模式定義了一個高層結構知識圖譜,身份表示圖中哪些節點(或外部源)引用同一個真實的實體,而上下文可能表明一個特定的設置一些單位的知識是真實的。如前所述,知識圖譜需要有效的提取、充實、質量評估和細化方法才能隨著時間的推移而增長和改進。

在實踐中 知識圖譜的目標是作為組織或社區內不斷發展的共享知識基礎[365]。在實踐中,我們區分了兩種類型的知識圖譜:開放知識圖譜和企業知識圖譜。開放知識圖譜在網上發布,使其內容對公眾有好處。最突出的例子——DBpedia[291]、Freebase[51]、Wikidata[515]、YAGO[232]等——涵蓋了許多領域,它們要麼是從Wikipedia[232,291]中提取出來的,要麼是由誌願者社區[51,515]建立的。開放知識圖譜也在特定領域內發表過,如媒體[406]、政府[222,450]、地理[472]、旅遊[11,263,308,540]、生命科學[79]等。企業知識圖譜通常是公司內部的,並應用於商業用例[365]。使用企業知識圖譜的著名行業包括網絡搜索(如Bing[457]、穀歌[459])、商業(如Airbnb[83]、亞馬遜[127、280]、eBay[392]、Uber[205])、社交網絡(如Facebook[365]、LinkedIn[214])、金融(如埃森哲[368]、意大利銀行[32][326]、彭博[326]、Capital One[65]、富國銀行[355])等。應用包括搜索[457,459],推薦[83,205,214,365],個人代理[392],廣告[214],商業分析[214],風險評估[107,495],自動化[223],以及更多。我們將在第10節中提供更多關於在實踐中使用知識圖譜的細節。

結構。本文件其餘部分的結構如下:

  • 第2節概述了圖形數據模型和可用於查詢它們的語言。
  • 第3節描述了知識圖譜中模式、標識和上下文的表示形式。
  • 第四節介紹了演繹式的形式主義,通過這種形式主義,知識可以被描述和推導出來。
  • 第5節描述了可以提取額外知識的歸納技術。
  • 第6節討論了如何從外部資源中創建和豐富知識圖譜。
  • 第7節列舉了可用於評估知識圖譜的質量維度。
  • 第8節討論知識圖譜細化的各種技術。
  • 第9節討論發布知識圖譜的原則和協議。
  • 第10節介紹了一些著名的知識圖譜及其應用。
  • 第11節總結了知識圖譜的研究概況和未來的研究方向。
  • 附錄A提供了知識圖譜的曆史背景和以前的定義。
  • 附錄B列舉了將從論文正文中引用的正式定義。
成為VIP會員查看完整內容
42
375
0

知識圖譜是人工智能的前沿科技之一,近兩年非常火熱。無論你是做計算機的哪個方向,相信在日常的學習和生活中,都能耳濡目染。為了更係統的了解知識圖譜,小編找到了浙江大學計算機學院的陳華鈞教授開設的《知識圖譜導論》課程的ppt,希望能幫助到各位對知識圖譜感興趣的同學。

課程目錄

➤ Lecture 1 : 知識圖譜概覽
➤ Lecture 2:知識圖譜的表⽰與建模
➤ Lecture 3:知識圖譜的存儲與關聯查詢
➤ Lecture 4:知識圖譜構建與關係抽取
➤ Lecture 5:知識圖譜表⽰學習與關聯推理
➤ Lecture 6:語義搜索與知識圖譜問答

PPT下載鏈接:
https://pan.baidu.com/s/1TOb-Ll0ipUrf-RanuvT6SQ
密碼: 0nit

成為VIP會員查看完整內容
3
114
0
小貼士
相關主題
相關VIP內容
專知會員服務
42+閱讀 · 2021年10月17日
專知會員服務
74+閱讀 · 2021年2月25日
專知會員服務
69+閱讀 · 2021年2月19日
專知會員服務
89+閱讀 · 2021年2月2日
專知會員服務
130+閱讀 · 2020年10月14日
【課程】浙大陳華鈞教授《知識圖譜導論》課程係列PPT
專知會員服務
114+閱讀 · 2019年10月29日
相關資訊
ADL108《知識圖譜》開始報名了
中國計算機學會
14+閱讀 · 2019年10月8日
東南大學2019年最新研究生精品課程《知識圖譜》資源分享
深度學習與NLP
61+閱讀 · 2019年9月14日
知識圖譜實戰
煉數成金訂閱號
62+閱讀 · 2017年12月6日
科普 | 知識圖譜相關的名詞解釋
開放知識圖譜
10+閱讀 · 2017年12月4日
報名 | 知識圖譜前沿技術課程(蘇州大學站)
PaperWeekly
10+閱讀 · 2017年11月27日
課程 |《知識圖譜》第一期
開放知識圖譜
16+閱讀 · 2017年10月15日
知識圖譜前沿技術課程(華東師範大學站)
PaperWeekly
3+閱讀 · 2017年10月11日
微信掃碼谘詢專知VIP會員
Top