相似性(similarity)和关联性(relatedness)是地理语义研究中的基本概念。新合作发表的2篇论文利用自然语言处理中的词向量模型Word2Vec，分别应用在交通分析和POI场所研究中，第一篇是IJGI上的Road2Vec https://t.cn/RWj8gnn，第二篇是今年ACM SIGSPATIAL主会的Place2Vec https://t.cn/RWj8gnm https://t.cn/RGoaixO

淘宝小二提醒违规预警，鉴于广告合规和语义的复杂性，不管是平台的整改要求还是商家的自查自纠，其实都不表示最终是否合理，这需要专业的法律意见。从新的《广告法》实施以来可以明确的看到，不管线上或线下，不管集市或商城，不管公司或个体，仍然万变不离其宗，最终还是回到“诚信”二字上，任何人也别想钻漏洞。十九大提出的新时代，正在以新作为、新气象铺开……

什么是知识图谱（Knowledge Graph/Vault）？

知识图谱（Knowledge Graph/Vault）又称为科学知识图谱，其本质上是语义网络，是一种基于图的数据结构，由节点(Point)和边(Edge)组成。在知识图谱里，每个节点表示现实世界中存在的“实体”，每条边为实体与实体之间的“关系”。知识图谱是关系的最有效的表示方式。通俗地讲，知识图谱就是把所有不同种类的信息（Heterogeneous Information）连接在一起而得到的一个关系网络。知识图谱提供了从“关系”的角度去分析问题的能力。

知识图谱这个概念最早由Google提出，主要是用来优化现有的搜索引擎。不同于基于关键词搜索的传统搜索引擎，知识图谱可用来更好地查询复杂的关联信息，从语义层面理解用户意图，改进搜索质量。比如在Google的搜索框里输入Bill Gates的时候，搜索结果页面的右侧还会出现Bill Gates相关的信息比如出生年月，家庭情况等等。

知识图谱并不是本体的替代品，它是在本体的基础上进行了丰富和扩 充，这种扩充主要体现在实体（Entity）层面。

本体中突出和强调的是概念以及概念之间的关联关系，而知识图谱则 是在本体的基础上，增加了更加丰富的关于实体的信息。

本体描述了知识图谱的数据模式（schema），即为知识图谱构建数 据模式相当于为其建立本体。