知識圖譜建模與應用培訓

知識圖譜基礎—知識表示

知識表示概述
知識表示框架RDF、RDFS、OWL和OWL2
典型知識庫項目的知識表示和模型設計方法
基于本體工具protégé的知識建模實戰(zhàn)

知識圖譜核心技術：知識源數(shù)據(jù)的獲取

結構化數(shù)據(jù)的獲取
非結構化數(shù)據(jù)的獲取
將mysql數(shù)據(jù)導出為圖譜源數(shù)據(jù)
股票吧信息爬取實戰(zhàn)
使用爬蟲獲取企業(yè)法人等信息
獲取企業(yè)風險知識圖譜源數(shù)據(jù)

知識圖譜核心技術：知識抽取

知識抽取概述
實體抽取技術：基于命名實體、基于關鍵詞
關系抽取技術
事件抽取技術
使用hanlp抽取法人名稱、企業(yè)名稱等信息
使用TextRank算法完成知識抽取
使用句法依存算法關系抽取
基于模板完成事件抽取
基于DeepDive關系抽取實戰(zhàn)

知識圖譜核心技術：知識融合

知識融合概述
實體統(tǒng)一
實體消歧
知識合并
使用jieba完成公司名的實體統(tǒng)一
使用tf-idf完成實體消歧
基于Limes框架的實體關系鏈接發(fā)現(xiàn)實戰(zhàn)

知識圖譜核心技術：知識存儲

知識存儲常用數(shù)據(jù)庫
圖數(shù)據(jù)庫neo4j
neo4j的安裝與部署
neo4j實戰(zhàn)操作
使用neo4j工具導入知識圖譜

知識圖譜核心技術：知識推理

知識推理方法概述
本體構建
知識推理
基于Jena的知識推理實戰(zhàn)

時間序列分析與循環(huán)網(wǎng)絡

時間序列分類
時間序列模型
循環(huán)神經網(wǎng)絡RNN
長短期記憶模型LSTM
基于RNN的時間序列預測分析
案例分析與實戰(zhàn)

行為識別與預測

行為識別概述
單流網(wǎng)絡
雙流網(wǎng)絡
基于CNN-LSTM方法的行為識別
時空圖卷積STGCN
案例分析與實戰(zhàn)

案例分析

案例1：使用neo4j從零搭建汽車領域簡單的知識圖譜
項目背景
數(shù)據(jù)模型設計
使用爬蟲獲取原始數(shù)據(jù)
構建知識圖譜
展示知識圖譜
案例2：基于知識圖譜的問答機器人
項目背景
項目架構
基于檢索與知識圖譜相結合的功能模塊
基于句子相似度的功能模塊
項目展示