mid term推迟了一周
但是小孙依然心态爆炸
上周的due还没赶完
下周的due清晨就到来了
谁敢想满打满算不到五十天六节课大约21个小时我亲爱的prof说小孙恭喜你你算法已经学完graph了？？？[费解]

我还指望着学完算法我能不费吹灰之力不眨眼不休息横扫力扣8000题然后感叹唉算法嘛也没什么难的拍拍衣袖带着不屑一顾的傲娇表情去做个好产品呢[doge]

#大数据# #文本分析# #大数据语义分析平台# #数据挖掘# #知识图谱# #KGB知识图谱#
KGB知识图谱，利用科技解决传统知识图谱问题

随着互联网巨头对知识图谱领域的重视度提高，知识图谱的发展也在增快。现在的知识图谱应用还处在初期的阶段，还未实现大规模应用，但是知识图谱的运用已经在一些领域实现了高价值运用，解决了大数据处理中的诸多难题。我们可以预想到，知识图谱在之后的前沿研究中也将不断实现新的应用，其重要性的问题也将得到学术界和产业界的协力解决。
在知识图谱的构建方面，传统知识图谱存在局限性。传统知识图谱不具有深度知识结构，无法解决专业的业务问题。将专业领域知识赋予机器，让机器代替业务人员从事简单知识工作，实现重复性、基础性劳动的智能化过程。同时，传统领域知识图谱主要采用专家人工构建费时费力的方式，投入极大且效率不高，急需自动化、智能化构建行业知识图谱的工具。
KGB(Knowledge Graph Builder)知识图谱引擎是自主研发的知识图谱构建与推理引擎，基于汉语词法分析的基础上，采用KGB语法实现了实时高效的知识生成，可以从非结构化文本中抽取各类知识，并实现了从表格中抽取指定的内容等。KGB同时可以定义不同的动作，如抽取动作，并能自定义各类后处理程序。利用KGB知识图谱引擎可以抽取到产品的详细报价信息，方便进行下一步的数据挖掘与图谱构建。
KGB知识图谱能够实现跨领域可扩展。
知识图谱加工厂具有通用的图谱构建引擎。知识抽取、知识关联与质量核查过程不依赖特定业务知识，结合用户知识图谱构建的需求，可以快速构建用户领域知识图谱。
KGB知识图谱能够实现对知识质量智能核查
知识图谱加工厂实现对多种知识错误与冲突的智能核查与校验，并对知识库进行实时自动更新，保证知识图谱准确性。
KGB知识图谱采用人机结合的服务
知识图谱加工场人机构成：90%机器+10%的人工，只需要提供语料，就可以快速得到对应的知识图谱构建成果。
KGB知识图谱现在已经在保险文本知识抽取，专业合同知识、安评报告、招投标文件的知识抽取与核查，以及上市公司的上市数据分析等行业开展了应用，而随着KGB知识图谱研究的不断深入，其应用场景也会实现新一轮扩展。如果说，以后的智能机器具有思考的能力，那么知识图谱就是这个思考能力的知识积累来源，对于自然语言处理，信息检索和人工智能都会产生很大的影响。

[论文]61. Graph Convolution over Pruned Dependency Trees Improves Relation Extraction
EMNLP2018, keywords: GCN, dependency tree, relation extraction

如果早点知道这是Manning挂名的文章，我应该会早点看。。。应该算是比较早的GCN的关系抽取了，但是其实也算简单。Dependency tree有关系的算两个方向的1就是了。然后是他发现一个GCN的模型，一个LSTM的模型，用2的式子集成一下，可以提高图3的准确率

我看这一篇主要想看看他怎么对GCN的两个矩阵归一化的，我自己的GCN没有归一化，其他的论文有的没开源，有的没有写这个。。研究代码去吧。。