国产无码综合区,色欲AV无码国产永久播放,无码天堂亚洲国产AV,国产日韩欧美女同一区二区

<fieldset id="ha9uk"><ruby id="ha9uk"></ruby></fieldset>

<b id="ha9uk"></b>

<dfn id="ha9uk"></dfn>

從0到1構建一個基于知識圖譜的智能問答系統(tǒng)

2年前作者：帶問號的小朋友分類：Toy博客閱讀(22)違法舉報

這篇具有很好參考價值的文章主要介紹了從0到1構建一個基于知識圖譜的智能問答系統(tǒng)。希望對大家有所幫助。如果存在錯誤或未考慮完全的地方，請大家不吝賜教，您也可以點擊"舉報違法"按鈕提交疑問。

一、前言

基于知識圖譜的問答系統(tǒng)（Knowledge-Based Question Answering system: KBQA）在以下場景下比較有優(yōu)勢：

對于領域類型是結構化數據場景：電商、醫(yī)藥、系統(tǒng)運維（微服務、服務器、事件）、產品支持系統(tǒng)等，其中作為問答系統(tǒng)的參考對象已經是結構化數據；
問題的解答過程涉及多跳查詢，比如“周杰倫的媽媽今年是本命年嗎？”，“你們家的產品 v1 和 v2 的區(qū)別是什么？”；
為了解決其他需求（風控、推薦、管理），已經構建了圖結構數據、知識圖譜的情況。

KBQA簡單講就是將把問題解析、轉換成在知識圖譜中的查詢，查詢得到結果之后進行篩選、翻譯成方便人理解的結果。

問題到圖譜查詢的轉換又有不同的方法可以實現(xiàn)：

對語義進行分析：理解問題的意圖，針對不同意圖匹配最可能的問題類型，從而構建這個類型問題的圖譜查詢，查得結果；
基于信息的抽取：從問題中抽取主要的實體，在圖譜中獲取實體的所有知識、關系條目（子圖），再對結果根據問題中的約束條件匹配、排序選擇結果。

這里一切從簡，選擇第一條對語義進行分析流程一般分為以下4步：

實體檢測，獲取問題的關鍵詞，比如問題“周杰倫有哪些專輯？”，那么首先必須找到周杰倫，才可以進行下一步。
意圖獲取，一個問題，我們只獲取了實體還不夠，比如上面，只有周杰倫，還要有目的，不然可能我是想問周杰倫是哪里人，今年幾歲了等等，所以需要找到問題的真實目的。
關系預測，有了實體和目的，那么我們就需要在知識庫里面尋找雙方的關系，想辦法聯(lián)系起來。
查詢構建，將處理好的三元組帶入知識庫搜索答案。

二、知識圖譜

知識圖譜，本質上是一種揭示實體之間關系的語義網絡。
知識圖譜通過對錯綜復雜的文檔的數據進行有效的加工、處理、整合，轉化為簡單、清晰的“實體,關系,實體”的三元組，最后聚合大量知識，從而實現(xiàn)知識的快速響應和推理。

2.1 數據入庫

圖數據庫選用: Nebula Graph（星云圖數據庫）是一個以 Apache 2.0 許可證開源的分布式圖數據庫，地址：https://github.com/vesoft-inc/nebula

數據采用Nebula Graph官方測試數據游戲中口袋怪物的數據關系
基于知識圖譜的智能問答,圖,pyhton機器學習,算法,知識圖譜,人工智能

2.1.1 Nebula Graph搭建

根據官方手冊安裝步驟，安裝Nebula Graph

# Centos 7 下載安裝 3.0.1版本
$ wget https://oss-cdn.nebula-graph.com.cn/package/3.0.1/nebula-graph-3.0.1.el7.x86_64.rpm
$ sudo rpm -ivh nebula-graph-3.0.1.el7.x86_64.rpm

# ubuntu 下載安裝
wget https://oss-cdn.nebula-graph.com.cn/package/nightly/2021.11.24/nebula-graph-2021.11.24-nightly.ubuntu1804.amd64.deb
sudo dpkg -i nebula-graph-3.0.1.ubuntu1804.amd64.deb

# 下載完成之后啟動nebula
$ /usr/local/nebula/scripts/nebula.service start all
# 然后檢查是否成功
$ /usr/local/nebula/scripts/nebula.service status all
# 關掉服務
$ /usr/local/nebula/scripts/nebula.service stop all

# 卸載的話要卸載干凈
$ rpm -qa|grep nebula
nebula-graph-studio-1.2.5-1.x86_64
nebula-2021.03.02_nightly-1.x86_64
$ sudo rpm -e nebula-2021.03.02_nightly-1.x86_64
$ sudo rpm -e nebula-graph-studio-1.2.5-1.x86_64
# 手動刪掉文件夾
rm -rf /usr/local/nebula
rm -rf /vesoft

基于知識圖譜的智能問答,圖,pyhton機器學習,算法,知識圖譜,人工智能

# 安裝客戶端來連接nebula
# https://github.com/vesoft-inc/nebula-console/tags 找對應版本點Asset下載
# 將下載好的文件放進/usr/local/nebula/bin 目錄下，然后改名
$ cd /usr/local/nebula/bin
$ mv nebula-console-linux-amd64-v3.0.0 nebula-console
# 設置權限
$ chmod 111 nebula-console

# 進入nebula
$ ./nebula-console -addr=127.0.0.1 -port 9669 -u root -p nebula
# ./nebula-console -addr <ip> -port <port> -u <username> -p <password> [-t 120] [-e "nGQL_statement" | -f filename.nGQL]

基于知識圖譜的智能問答,圖,pyhton機器學習,算法,知識圖譜,人工智能

# 安裝可視化工具Nebula Graph Studio
# 下載 https://oss-cdn.nebula-graph.io/nebula-graph-studio/Nebula-Graph-Studio-2.1.9-beta-Linux.rpm
# Centos安裝 
$ sudo rpm -ivh --replacepkgs Nebula-Graph-Studio-2.1.9-beta-Linux.rpm 
$ cd nebula-graph-studio
$ npm run start

#  ubuntu 下載安裝
# https://docs.nebula-graph.com.cn/3.0.1/nebula-studio/deploy-connect/st-ug-deploy/#tar_studio  選擇版本對應的安裝包安裝
$ tar -xvf nebula-graph-studio-3.2.2.x86_64.tar.gz
$ cd nebula-graph-studio
$ ./server

# 停止服務
$ kill $(lsof -t -i :7001)

可以看到如下頁面,填寫host 、用戶名密碼登錄。
基于知識圖譜的智能問答,圖,pyhton機器學習,算法,知識圖譜,人工智能

至此，nebula graph安裝配置已完成~

2.1.2數據導入

# 首先進入nebula
$ cd /usr/local/nebula/bin
$ ./nebula-console -addr=127.0.0.1 -port 9669 -u root -p nebula

# 將 Storage 節(jié)點加入 Nebula Graph 集群。等一分鐘等他起來
$ ADD HOSTS 127.0.0.1:9779
$ SHOW HOSTS;

基于知識圖譜的智能問答,圖,pyhton機器學習,算法,知識圖譜,人工智能
將上面測試數據下載下來：游戲中口袋怪物的數據關系

# 導入數據
$ ./nebula-console -addr=127.0.0.1 -port 9669 -u root -p nebula -f monster.gql
# 導入完畢后，我們可以使用 Nebula Graph 服務做一些簡單的查詢。圖語句使用可參考官方文檔
# https://docs.nebula-graph.com.cn/3.0.1/3.ngql-guide/1.nGQL-overview/1.overview/

導入完成后就可以選擇圖空間進來。
基于知識圖譜的智能問答,圖,pyhton機器學習,算法,知識圖譜,人工智能
有了這個知識圖譜，接下來的任務就是在它之上搭一個簡單的基于語法解析的 QA 系統(tǒng)了~

三、后端

后端采用 Flask 框架作為web server來接收HTTP的POST請求，大體流程如下：

接收問句
處理之后訪問知識圖譜（圖數據庫）
將處理結果返回給用戶

3.1 搭建Flask框架，處理http請求

先建一個我們的配置文件conf.json ,定義我們http信息跟日志信息。

{
  "httpserver": {
    "httpPoolNumber": 10,
    "httpMaxConn": 200,
    "port": 10001,
    "host": "0.0.0.0"
  },
  "log": {
    "filename": "KBQA_demo_log",
    "dir": "../logs"
  }
}

然后是我們的服務啟動文件main.py。簡單的搭建一個Flask框架

import json
import logging
import os
from flask import Flask

app = Flask(__name__)


# 處理用戶請求
@app.route('/query', methods=['GET', 'POST'])
def query():
    return "hello"


# 封裝一個啟動引擎的類
class Engine(object):
    def __init__(self, http_cfg, log_cfg):
        self.port = http_cfg['port']
        self.host = http_cfg['host']

        self.logDir = log_cfg['dir']
        self.logFileName = log_cfg['filename']
        self.debug = False

    def run(self):
        app.run(host=self.host, port=self.port, debug=self.debug, use_reloader=False)

    def set_log(self):
        # 創(chuàng)建app實例前先配置好日志文件
        fmt = '%(asctime)s [%(levelname)s] [%(message)s]'
        logging.basicConfig(level=logging.INFO,
                            format=fmt,  # 定義輸出log的格式
                            datefmt='[%Y-%m-%d %H:%M:%S]')
        if not os.path.exists(self.logDir):  # 創(chuàng)建日志目錄
            os.makedirs(self.logDir)

        # 實例對象從配置文件中加載配置
        app.config.from_object(logging.INFO)
        return app


if __name__ == '__main__':
    # 載入配置
    conf = json.load(open('./conf.json', 'r'))

    eng = Engine(conf['httpserver'], conf['log'])
    eng.set_log()
    eng.run()

運行起來可以看到，已經走通了。
基于知識圖譜的智能問答,圖,pyhton機器學習,算法,知識圖譜,人工智能
ok,那稍微修改下我們的query函數,使用戶的問題在body里面question關鍵字的value里。

import question_solve
# 處理用戶請求
@app.route('/query', methods=['GET', 'POST'])
def query():
	# 采用form表單的方式請求， 
    question = request.form.to_dict().get("question", "")
    if question:
        answer = Solve().query(question)
    else:
        answer = "Sorry, I can't understand what you say."

    return jsonify({"answer": answer})

接下來question_solve就是核心處理請求的邏輯了~

3.2 處理請求(核心)

按照我們上面說的步驟來：

a. 實體提取和意圖分類
b. 轉換成在知識圖譜中的查詢語句
c. 查詢結果格式化輸出

這里，我們把a.的邏輯放在analyze里; b，c.的邏輯放在transfer_ngql里.

a. HTTP請求的問題句子question傳過來，用analyze解析它的意圖和句子實體
b. 用意圖和句子實體構造action，轉化成ngql語言。
c. 連接圖數據庫執(zhí)行，獲取結果，并將結果格式化輸出。

代碼段：question_solve.py

from src.transfer_ngql import TransferNgql
from src.analyze import Analyze


class Solve(object):
    def __init__(self):
        self.analyze = Analyze()
        self.transfer_ngql = TransferNgql()

    def query(self, question):
        anal = self.analyze.solve(question)
        result = self.transfer_ngql.solve(anal)
        return result

3.2.1 實體提取和意圖分類

analyze需要在get(question)方法里將句子中的實體和句子的意圖解析、分類出來。一般做法是NLP分詞實現(xiàn)，這里只是是通過判斷輸入問句中是否存在特定的實地類別和特定的意圖詞，來進行意圖判斷，屬于模板匹配。
我們這里實現(xiàn)了五類意圖的問題：

從屬關系：比如小剛有小拳石嗎？

進化情況：皮卡丘進化變成啥？

類別情況：噴火龍是龍屬性嗎？

傷害情況：電系打飛行系傷害加倍嗎？

數量問題：小智有多少個神奇寶貝?

建立AC樹

實體提取是利用知識圖譜中實體名字構成的特征庫，建立AC樹（Aho-Corasick Algorithm ），利用AC算法，匹配問句中是否存在特征詞，即查詢問句中是否存在知識圖譜實體名字來實現(xiàn)實體提取。此種提取方式為硬提取方式，不具有模糊推測能力，后續(xù)改進應該用 NLP 里的分詞的方法來做。

代碼段：src/analyze.py

import ahocorasick

def build_ac_tree(self) -> None:
    # 建立AC樹
    self.ac_tree = ahocorasick.Automaton()
    # wordlist為3類實體所有名字構成的特征詞庫
    for index, word in enumerate(self.entity_type_map.keys()):
        self.ac_tree.add_word(word, (index, word))
    self.ac_tree.make_automaton()

wordlist特征庫樣例如下所示，包含了3類實體的所有名字。
基于知識圖譜的智能問答,圖,pyhton機器學習,算法,知識圖譜,人工智能

實體提取

代碼段：src/analyze.py

def get_match_entities(self, question: str) -> dict:
    # 實體提取
    entities_matched = []
    for i in self.ac_tree.iter(question):
        entities_matched.append(i[1][1])
        print(i)
    stop_wds = []
    for wd1 in entities_matched:
        for wd2 in entities_matched:
            if wd1 in wd2 and wd1 != wd2:
                stop_wds.append(wd1)
    final_wds = [i for i in entities_matched if i not in stop_wds]
    return {
        entity: self.entity_type_map[entity] for entity in final_wds
    }

來測試一下，可以看到，已經匹配到了Giovanni 是個人，rapidash（烈焰馬）是個monster。
基于知識圖譜的智能問答,圖,pyhton機器學習,算法,知識圖譜,人工智能

建立意圖特征庫

這里，將匹配的規(guī)則寫在intention.yaml中，后面增加規(guī)則只需更新配置文件就可以了。在實際場景下，訓練模型去做匹配效果會更好。

intents:
  relationship:
    action:
      RelationshipAction
    keywords:
      - owm
      - have
      - hold

  damage:
    action:
      DamageAction
    keywords:
      - damage
      - double
      - half
      - reduce
      - increase
      - addition
      - add
      - constant

  property:
    action:
      PropertyAction
    keywords:
      - monster_type
      - belongto
      - type
      - belong

  evolution:
    action:
      EvolutionAction
    keywords:
      - evolute
      - evolution
      - change
      - grow

  count:
    action:
      CountAction
    keywords:
      - count
      - num
      - number
      - amount
      - many

  drawback:
    action:
      DrawbackAction
    keywords: []

對于每一個意圖來說：

intents.<名字>代表名字
action代表后邊在要實現(xiàn)的相應的xxxAction的類，比如EvolutionAction將是用來處理進化關系這樣的問題的Action類
keywords代表在句子之中匹配的關鍵詞，比如問句里出現(xiàn)evolute，evolution，change,grow的字眼的時候，將會匹配進化的問題

代碼段：src/analyze.py

def load_data(self) -> None:
    path = os.path.abspath(os.path.dirname(os.getcwd())) + os.path.sep
    # 加載意圖特征庫
    with open(f"{path}intention.yaml", "r") as file:
        self.intents = yaml.safe_load(file)["intents"]
    for name, intent in self.intents.items():
        self.intents_map.update({keyword: name for keyword in intent['keywords']})

    # 加載實體庫
    self.entity_type_map.update({key: "person" for key in self.entities['person'].keys()})
    self.entity_type_map.update({key: "monster" for key in self.entities['monster'].keys()})
    self.entity_type_map.update({key: "property" for key in self.entities['property'].keys()})

意圖模板匹配

代碼段：src/analyze.py

# 意圖模板匹配
def check_intent_words(self, question: str):
    intents_words = set()
    for word in self.intents_map.keys():
        if word in question:
            intents_words.add(self.intents_map[word])
    return intents_words

測試一下，同樣的匹配到了relationship關鍵詞。
基于知識圖譜的智能問答,圖,pyhton機器學習,算法,知識圖譜,人工智能
到這里已經能返回解析、分類出來的意圖和實體了，下一步它們將會被傳給Actions去執(zhí)行知識圖譜的查詢。

3.2.2 轉換成ngql語句

該模塊根據實體提取和意圖分類返回的結果，生成對應意圖的ngql語句。
代碼段：src/transfer_ngql.py

import os
import yaml


class TransferNgql(object):
    def __init__(self) -> None:
        self.intents = {}
        self.load_data()

    def load_data(self) -> None:
        path = os.path.abspath(os.path.dirname(os.getcwd())) + os.path.sep
        # 加載意圖特征庫
        with open(f"{path}intention.yaml", "r") as file:
            self.intents = yaml.safe_load(file)["intents"]

    def solve(self, intent: dict):
        intent_name = "drawback"
        if len(intent["intents"]) > 0:
            intent_name = intent["intents"][0]
        act_name = self.intents.get(intent_name).get("action")
        result = ''
        # 根據匹到的不同意圖，生成對應意圖的ngql語句
        if act_name == 'RelationshipAction':
            result = relationship_action(intent)
        elif act_name == 'DamageAction':
            result = damage_action(intent)
        elif act_name == 'PropertyAction':
            result = property_action(intent)
        elif act_name == 'EvolutionAction':
            result = evolution_action(intent)
        elif act_name == 'CountAction':
            result = count_action(intent)
        return result

最后，來實現(xiàn)其中一個方法，比如relationship_action()對應的代碼如下：

def relationship_action(intent):
    try:
        nodes = {key: value for value, key in intent["entities"].items()}
        person, monster = nodes['person'], nodes['monster']
        person_vid = data_load().get_vid(person)
        monster_vid = data_load().get_vid(monster)
        # 拼接ngql語句
        query = f"""USE Game_Monsters;
        MATCH p=(v)-[e:own*1]->(v1:monster)
        WHERE id(v) == '{person_vid}' and id(v1) == '{monster_vid}'
        RETURN p LIMIT 1000;"""

        # 連接nebula查詢
        result = data_load().get_nebula_connect(query)
        if result.is_empty():
            answ = f'{person} does not have {monster}.'
        else:
            answ = f'Yes! {person} has a lovely monster named {monster}.'
        return answ
    except Exception:
        print(f"關系實體識別錯誤！intent: {intent}")
        return ''

3.3 連接nebula查詢結果返回

首先安裝nebula3-python，如果nebula graph是2+的版本請安裝nebula2-python
https://github.com/vesoft-inc/nebula-python

from nebula3.gclient.net import ConnectionPool
from nebula3.Config import Config

def get_nebula_connect(self, query):
    config = Config()
    config.max_connection_pool_size = 10
    connection_pool = ConnectionPool()
    connection_pool.init([(self.nebula_conf['host'], self.nebula_conf['port'])], config)

    with connection_pool.session_context(self.nebula_conf['username'], self.nebula_conf['passwd']) as session:
        result = session.execute(query)
        if not result.is_succeeded():
            return f"連接nebula時出錯！{query}"
        return result

ok 至此后端已經搭建完成，讓我們來測試一下~

開始啟動~
基于知識圖譜的智能問答,圖,pyhton機器學習,算法,知識圖譜,人工智能
postman 模擬發(fā)送一下請求，可以看到，已經返回結果了

換一個神奇寶貝，可以看到，Sabrina 是有venomoth（末入蛾）的。
文章來源地址http://www.zghlxwxcb.cn/news/detail-822744.html

到了這里，關于從0到1構建一個基于知識圖譜的智能問答系統(tǒng)的文章就介紹完了。如果您還想了解更多內容，請在右上角搜索TOY模板網以前的文章或繼續(xù)瀏覽下面的相關文章，希望大家以后多多支持TOY模板網！

本文來自互聯(lián)網用戶投稿，該文觀點僅代表作者本人，不代表本站立場。本站僅提供信息存儲空間服務，不擁有所有權，不承擔相關法律責任。如若轉載，請注明出處：如若內容造成侵權/違法違規(guī)/事實不符，請點擊違法舉報進行投訴反饋，一經查實，立即刪除！

分享到：

領支付寶紅包贊助服務器費用

基于Bert+Attention+LSTM智能校園知識圖譜問答推薦系統(tǒng)——NLP自然語言處理算法應用(含Python全部工程源碼及訓練模型)+數據集
這個項目充分利用了Google的Bert模型，這是一種基于Attention的大規(guī)模語料預訓練模型，以及LSTM命名實體識別網絡。項目的目標是設計一套通用的問答系統(tǒng)處理邏輯，以實現(xiàn)智能問答任務。首先，我們采用了Bert模型，這是一種在自然語言處理領域非常強大的預訓練模型。它具備
2024年02月09日
瀏覽(39)
vue+flask基于知識圖譜的抑郁癥問答系統(tǒng)
vue+flask基于知識圖譜的抑郁癥問答系統(tǒng) 抑郁癥已經成為當今社會刻不容緩需要解決的問題，抑郁癥的危害主要有以下幾種：1.可導致病人情緒低落：抑郁癥的病人長期處于悲觀的狀態(tài)中，感覺不到快樂，總是高興不起來。2.可導致工作、學習能力下降：抑郁癥的患者會出現(xiàn)思
2024年02月12日
瀏覽(16)
基于neo4j的寵物知識圖譜問答系統(tǒng)
在當前數字化的時代，人工智能技術的迅速發(fā)展為信息檢索和數據處理帶來了革命性的變化。特別是在寵物領域，一個智能的寵物關系圖譜問答系統(tǒng)能夠為寵物愛好者提供全面、精準的信息服務。本文將詳細介紹一個基于Python、Django、Flask、Neo4j以及py2neo等技術棧實現(xiàn)的寵物關
2024年02月20日
瀏覽(56)
（一）基于知識圖譜的醫(yī)療問答系統(tǒng)(實例+代碼理解)保姆級教程
本篇文章內容來源于劉煥勇老師在Github上的開源項目。https://github.com/liuhuanyong/QASystemOnMedicalKG 如果打不開或者是想要數據集、源碼等文件，或者是幫忙調試程序請評論留言~ 項目介紹詳細方案，架構等問題不再贅訴，相關鏈接里已經介紹很詳細。這里主要著重于運行程序和代
2024年02月02日
瀏覽(26)
大數據知識圖譜——基于知識圖譜+flask的大數據(KBQA)NLP醫(yī)療知識問答系統(tǒng)（全網最詳細講解及源碼）
知識圖譜是將知識連接起來形成的一個網絡。由節(jié)點和邊組成，節(jié)點是實體，邊是兩個實體的關系，節(jié)點和邊都可以有屬性。知識圖譜除了可以查詢實體的屬性外，還可以很方便的從一個實體通過遍歷關系的方式找到相關的實體及屬性信息。基于知識圖譜+flask的KBQA醫(yī)療問答
2024年02月04日
瀏覽(26)
大數據知識圖譜——基于知識圖譜+flask的大數據(KBQA)NLP醫(yī)療知識問答系統(tǒng)（全網最詳細講解及源碼/建議收藏）
知識圖譜是將知識連接起來形成的一個網絡。由節(jié)點和邊組成，節(jié)點是實體，邊是兩個實體的關系，節(jié)點和邊都可以有屬性。知識圖譜除了可以查詢實體的屬性外，還可以很方便的從一個實體通過遍歷關系的方式找到相關的實體及屬性信息。基于知識圖譜+flask的KBQA醫(yī)療問答
2024年02月01日
瀏覽(26)
基于neo4j知識圖譜的大數據醫(yī)療領域知識問答系統(tǒng)（完整源碼資料）
一、項目概述基于知識圖譜+flask的KBQA醫(yī)療問答系統(tǒng)基于醫(yī)療方面知識的問答，通過搭建一個醫(yī)療領域知識圖譜，并以該知識圖譜完成自動問答與分析服務。基于知識圖譜+flask的KBQA醫(yī)療問答系統(tǒng)以neo4j作為存儲，本系統(tǒng)知識圖譜建模使用的最大向前匹配是一種貪心算法，從句
2024年02月02日
瀏覽(39)
如何用大語言模型構建一個知識問答系統(tǒng)
打造? 特定領域知識(Domain-specific Knowledge) ? 問答 ?系統(tǒng)，具體需求有：通過自然語言問答的形式，和用戶交互，同時支持中文和英文。理解用戶不同形式的問題，找到與之匹配的答案?？梢詫Υ鸢高M行二次處理，比如將關聯(lián)的多個知識點進行去重、匯總等。支持上下文。有
2024年02月09日
瀏覽(23)
從零開始的知識圖譜生活，構建一個百科知識圖譜，完成基于Deepdive的知識抽取、基于ES的簡單語義搜索、基于 REfO 的簡單KBQA
項目設計集合（人工智能方向）：助力新人快速實戰(zhàn)掌握技能、自主完成項目設計升級，提升自身的硬實力（不僅限NLP、知識圖譜、計算機視覺等領域）：匯總有意義的項目設計集合，助力新人快速實戰(zhàn)掌握技能，助力用戶更好利用 CSDN 平臺，自主完成項目設計升級，提升自
2024年02月15日
瀏覽(25)
用NEO4J平臺構建一個《人工智能引論》課程的多模態(tài)知識圖譜
知識圖譜的經典定義是結構化的語義知識庫，是用形象化的圖形式來表達出物理世界中的概念以及內部關系。其基本組成單位是“實體－關系－實體”三元組，實體間通過關系相互連接形成知識結構網絡。而它也是基于圖的數據結構，基本組成是“節(jié)點－邊－節(jié)點” ，從而
2024年01月16日
瀏覽(33)

<progress id="el4ju"><pre id="el4ju"><pre id="el4ju"></pre></pre></progress>

<b id="el4ju"><menuitem id="el4ju"></menuitem></b>

<font id="el4ju"><menuitem id="el4ju"></menuitem></font>