1导引我们在博客《联邦学习：联邦场景下的多源知识图谱嵌入》中介绍了联邦场景下的知识图谱嵌入，现在让我们回顾一下其中关于数据部分的细节。在联邦场景下，\(C\)个知识图谱\(\left\{\mathcal{G}_c\right\}_{c=1}^C=\left\{\left\{\mathcal{E}_c,\mathcal{R}_c,\mathcal{T}_c\right\}\right\}_{c=1}^C\)位于不同的客户端上。知识图谱拥的实体集合\(\mathcal{E}_c\)之间可能会存在重叠，而其关系集合\(\mathcal{R}_c\)和元组集合\(\mathcal{T}_c\)之间则不
知识工程知识工程最早在1977年被提出，当时围绕知识工程的主要研究是专家系统。所谓专家系统是指利用某种方法将专业领域的专家知识收集下来，并存储在程序中，然后利用程序代码模拟人类的思维（推理+搜索）过程，去尝试解决某些专业领域的问题。专家系统是人工智能发展前期阶段的一个主要研究方向，也是一种利用程序去试图模拟人类在某些特定领域内的思维的一种尝试。专家系统的核心在于知识表示、知识获取以及推理机制。知识表示是指知识知识的组织结构与表现形式，知识在计算机中的存储形式。知识的表示直接关乎知识的获取以及推理机制。知识获取是指如何从领域专家或则其它来源去获取和整理知识，获取的内容要全面，但不能冗余，而且还要
知识工程知识工程最早在1977年被提出，当时围绕知识工程的主要研究是专家系统。所谓专家系统是指利用某种方法将专业领域的专家知识收集下来，并存储在程序中，然后利用程序代码模拟人类的思维（推理+搜索）过程，去尝试解决某些专业领域的问题。专家系统是人工智能发展前期阶段的一个主要研究方向，也是一种利用程序去试图模拟人类在某些特定领域内的思维的一种尝试。专家系统的核心在于知识表示、知识获取以及推理机制。知识表示是指知识知识的组织结构与表现形式，知识在计算机中的存储形式。知识的表示直接关乎知识的获取以及推理机制。知识获取是指如何从领域专家或则其它来源去获取和整理知识，获取的内容要全面，但不能冗余，而且还要
1导引我们在博客《知识图谱实体对齐1：基于平移(translation)嵌入的方法》和博客《知识图谱实体对齐2：基于GNN嵌入的方法》中介绍的都是有监督的知识图谱对齐方法，它们都需要需要已经对齐好的实体做为种子（锚点），但是在实际场景下可能并没有那么多种子给我们使用。为了解决这个问题，有许多无监督/自监督的知识图谱对齐方法被提出。2一些常见无监督和自监督方法2.1基于GAN的方法首先我们来看一个基于GAN的方法[1]，虽然该方法是用于解决NLP中无监督跨语言词向量对齐操作的，但是我觉得在知识图谱领域也很有借鉴意义。在最原始的有监督跨语言词向量的对齐任务中，给定已经对齐好的字典（锚点）\(\le
1导引我们在博客《知识图谱实体对齐1：基于平移(translation)嵌入的方法》和博客《知识图谱实体对齐2：基于GNN嵌入的方法》中介绍的都是有监督的知识图谱对齐方法，它们都需要需要已经对齐好的实体做为种子（锚点），但是在实际场景下可能并没有那么多种子给我们使用。为了解决这个问题，有许多无监督/自监督的知识图谱对齐方法被提出。2一些常见无监督和自监督方法2.1基于GAN的方法首先我们来看一个基于GAN的方法[1]，虽然该方法是用于解决NLP中无监督跨语言词向量对齐操作的，但是我觉得在知识图谱领域也很有借鉴意义。在最原始的有监督跨语言词向量的对齐任务中，给定已经对齐好的字典（锚点）\(\le
背景公司要开发个关系图谱，一开始选型有两个一个echarts和d3js,但由于echarts拓展性并没有那么好，所以选择了d3js，但d3js说实话，对于我这种前端菜鸟来说，学习起来还是有点难受，主要还是svg这玩意没玩过，也没玩明白，不过在网上这copy那copy下，最终还是实现了公司想要的功能开发内容实现节点头像设置及点击事件实现右击节点展开菜单功能实现关系线有无剪头实现关系线文本显示及点击事件github地址https://github.com/lvlq73/relationD3如果喜欢请点个star支持下哈
背景公司要开发个关系图谱，一开始选型有两个一个echarts和d3js,但由于echarts拓展性并没有那么好，所以选择了d3js，但d3js说实话，对于我这种前端菜鸟来说，学习起来还是有点难受，主要还是svg这玩意没玩过，也没玩明白，不过在网上这copy那copy下，最终还是实现了公司想要的功能开发内容实现节点头像设置及点击事件实现右击节点展开菜单功能实现关系线有无剪头实现关系线文本显示及点击事件github地址https://github.com/lvlq73/relationD3如果喜欢请点个star支持下哈
知识图谱实体对齐2：基于GNN嵌入的方法1导引我们在上一篇博客《知识图谱实体对齐1：基于平移(translation)嵌入的方法》中介绍了如何对基于平移嵌入+对齐损失来完成知识图谱中的实体对齐。这些方法都是通过两个平移嵌入模型来将知识图谱\(\mathcal{G}_1\)和\(\mathcal{G}_2\)的重叠实体分别进行嵌入，并加上一个对齐损失来完成对齐。不过，除了基于平移的嵌入模型之外，是否还有其它方式呢？答案是肯定的。目前已经提出了许多基于GNN的实体对齐方法[1]，这些方法不仅采用GNN捕捉更多的实体结构化信息，还通过诸如参数共享、参数交换等方式在embedding模块中就使实体的e
知识图谱实体对齐2：基于GNN嵌入的方法1导引我们在上一篇博客《知识图谱实体对齐1：基于平移(translation)嵌入的方法》中介绍了如何对基于平移嵌入+对齐损失来完成知识图谱中的实体对齐。这些方法都是通过两个平移嵌入模型来将知识图谱\(\mathcal{G}_1\)和\(\mathcal{G}_2\)的重叠实体分别进行嵌入，并加上一个对齐损失来完成对齐。不过，除了基于平移的嵌入模型之外，是否还有其它方式呢？答案是肯定的。目前已经提出了许多基于GNN的实体对齐方法[1]，这些方法不仅采用GNN捕捉更多的实体结构化信息，还通过诸如参数共享、参数交换等方式在embedding模块中就使实体的e
1导引目前，知识图谱(KnowlegeGraph)在医疗、金融等领域都取得了广泛的应用。我们将知识图谱定义为\(\mathcal{g}=\{\mathcal{E},\mathcal{R},\mathcal{T}\}\)，这里\(\mathcal{E}=\left\{e_{i}\right\}_{i=1}^{n}\)是由\(n\)个实体(entity)组成的集合，\(\mathcal{R}=\left\{r_{i}\right\}_{i=1}^{m}\)是由\(m\)个关系(relation)组成的集合。元组集合\(\mathcal{T}=\{(h,r,t)\in\mathcal{E}\time
