文章目录
- 数据从哪里来
- 为什么通常将知识图谱划分到NLP领域？
- 常用NLP技术点分析
- 只是NLP任务吗？
- graph embedding
- 知识融合
- 业务还是算法？
- 知识图谱组成
数据从哪里来
- 是手动提取关系吗？
- 数据很多，关系确难
- 涉及大量NLP技术
- 关系做的准确才可靠
为什么通常将知识图谱划分到NLP领域？
主要因为知识图谱中涉及文本数据较多，如何从文中提取有效信息称为关键
常用NLP技术点分析
- 命名实体识别
- 给词打上标签
- 有标签才好查找
- 将标签与意图转换成sql
- 基于实体与关系构建知识图谱网络图（关系抽取）
- 实体统一
- 指代消解
只是NLP任务吗？
如果可以进行特征编码，那么就能让计算机进行训练和推理任务
embedding这件事是AI最核心的内容，如何让计算机读懂咱们得数据。
graph embedding
- 风控模型中对接点进行编码：
- 根据用户关系（通讯录）建立算法模型（Deep walk），获得用户向量
- 有了特征编码能做的事情就多了，预测，分析等一些ML任务都能干活了
- 难点在于如何编码（算法）才能更准确体现这个用户的情况
- 特征表达尤为重要：
- 数据/视频数据，例如卷积模型：
知识融合
- 知识就是力量
- 特征进行融合
- 得到最终的向量
- 数据多就全用上
业务还是算法？
- 都重要，但是业务决定了算法的选择和数据需求以及模型的建立。
- 非常熟悉业务才能设计出实用的知识图谱，业务的设计起着决定性作用。
- 不同场景业务的设计是完全不同，需具体分析。
- 算法很多都是通用的（命名实体识别，graph embedding等）
知识图谱组成
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
