通过NLP图数据库和深度学习技术，分析污染扩散的趋势和影响。
针对本需求，我针对NLP与知识图谱做了一个调研。
首先nlp是什么，知识图谱是什么，nlp怎么与知识图谱进行连接。
一：NLP
1.定义
自然语言处理是数据科学领域中最热门的主题之一。公司正在将大量资金用于该领域的研究。每个人都在尝试了解自然语言处理及其应用，以围绕它开展职业。那里的每个企业都希望以某种方式将其整合到他们的企业中。
自然语言处理（NLP）就是在机器语言和人类语言之间沟通的桥梁，以实现人机交流的目的。
2.为什么需要nlp
网络中大部分的数据都是非结构化的，例如：文章、图片、音频、视频…，想要处理这些非结构化的数据就需要利用 NLP 技术
为了能够分析和利用这些文本信息，我们就需要利用 NLP 技术，让机器理解这些文本信息，并加以利用。
3.nlp中的两大核心任务
NLP 有2个核心的任务：
自然语言理解
自然语言理解的5个难点：
- 语言的多样性
- 语言的歧义性
- 语言的鲁棒性
- 语言的知识依赖
- 语言的上下文
自然语言生成 – NLG
NLG 的6个步骤：
- 内容确定 – Content Determination
- 文本结构 – Text Structuring
- 句子聚合 – Sentence Aggregation
- 语法化 – Lexicalisation
- 参考表达式生成 – Referring Expression Generation|REG
- 语言实现 – Linguistic Realisation
4.常见的NLP 任务
分词、词嵌入、新词发现、拼写提示、词性标注、文本分类、机器翻译、自动摘要、阅读理解、情感分析、搜索引擎、QA问答、聊天机器人、知识图谱
二：知识图谱
1.说明
知识图谱是由 Google 公司在 2012 年提出来的一个新的概念。
自然语言生成 – NLG人类可以识别的信息，可以使用知识图谱进行展示。
【所以，知识图谱也是NLP的一个典型应用】
2.定义
知识图谱的两大核心要素是实体和关系，那么当然首先我们面临的任务就是从这些文献中抽取实体和关系，然后再是构建图，以及存储。
3.为什么需要图
一图胜千言
知识图谱是人工智能很重要的一个分支, 人工智能的目标为了让机器具备像人一样理性思考及做事的能力
4.抽取
1、抽取实体Name Entity Recognition
Name Entity：关注的实体，问题不同关注的不同，往往包含：人名地名位
2、Relation Extraction关系抽取
可以看做分类问题，输入一堆信息，输出一个关系
例如：机器能读完一本哈利波特之后，懂得书中有哪些实体以及实体之间的关系。
5.抽取处理步骤
方式 1：传统机器学习的 NLP 流程
方式 2：深度学习的 NLP 流程
实体抽取是一项非常常见的 NLP 任务，实现它的方法有多种，大体而言分为两个方向：
i）基于实体名字典进行字符匹配抽取；
ii）用序列预测模型进行抽取。
序列预测模型又可以选用机器学习模型，比如条件随机场（CRF）；或选用神经网络，比如 CRF+LSTM，或 CRF+BERT等。
6.构建图
在构建类似的图谱过程当中，主要涉及以下几个方面的自然语言处理技术：
实体命名识别（Name Entity Recognition）
关系抽取（Relation Extraction）
实体统一（Entity Resolution）
指代消解（Coreference Resolution）
7.存储
知识图谱主要有两种存储方式：
- 一种是基于RDF的存储；
- 另一种是基于图数据库的存储。
8.图数据库neo4j
Neo4j系统目前仍是使用率最高的图数据库，它拥有活跃的社区，而且系统本身的查询效率高，但唯一的不足就是不支持准分布式
三：我们的实现
1.NLP的难点
最典型的知识图谱，比较复杂。
我们的业务应该不需要这么复杂。
2.遇到的问题
1.我们要做什么，业务场景是否符合
或者说，我们的图要做成什么样子，可否有示意图。
2.使用哪种算法，是否需要复杂的算法，算法需要一点时间选取和学习【CNN，RNN，GCN】
3.算法得到的结果存库的难题，
或者说如何将实体和关系拿到
