NLP之知识图谱

　　通过NLP图数据库和深度学习技术，分析污染扩散的趋势和影响。

　　针对本需求，我针对NLP与知识图谱做了一个调研。

 

　　首先nlp是什么，知识图谱是什么，nlp怎么与知识图谱进行连接。

 

一：NLP

 1.定义

　　自然语言处理是数据科学领域中最热门的主题之一。公司正在将大量资金用于该领域的研究。每个人都在尝试了解自然语言处理及其应用，以围绕它开展职业。那里的每个企业都希望以某种方式将其整合到他们的企业中。

　　

 

　　自然语言处理（NLP）就是在机器语言和人类语言之间沟通的桥梁，以实现人机交流的目的。

 

 

 2.为什么需要nlp

　　

 

　　网络中大部分的数据都是非结构化的，例如：文章、图片、音频、视频…，想要处理这些非结构化的数据就需要利用 NLP 技术

　　为了能够分析和利用这些文本信息，我们就需要利用 NLP 技术，让机器理解这些文本信息，并加以利用。

 

3.nlp中的两大核心任务

　　

 

 

 　　

　　NLP 有2个核心的任务：

　　自然语言理解 

　　　　自然语言理解的5个难点：

1. 1. 语言的多样性
   2. 语言的歧义性
   3. 语言的鲁棒性
   4. 语言的知识依赖
   5. 语言的上下文

　　自然语言生成 – NLG

　　　　NLG 的6个步骤：

1. 1. 内容确定 – Content Determination
   2. 文本结构 – Text Structuring
   3. 句子聚合 – Sentence Aggregation
   4. 语法化 – Lexicalisation
   5. 参考表达式生成 – Referring Expression Generation|REG
   6. 语言实现 – Linguistic Realisation

 

4.常见的NLP 任务

　　分词、词嵌入、新词发现、拼写提示、词性标注、文本分类、机器翻译、自动摘要、阅读理解、情感分析、搜索引擎、QA问答、聊天机器人、知识图谱

 

 

二：知识图谱

1.说明

　　知识图谱是由 Google 公司在 2012 年提出来的一个新的概念。

　　自然语言生成 – NLG人类可以识别的信息，可以使用知识图谱进行展示。

　　【所以，知识图谱也是NLP的一个典型应用】

　　

2.定义

　　知识图谱的两大核心要素是实体和关系，那么当然首先我们面临的任务就是从这些文献中抽取实体和关系，然后再是构建图，以及存储。

　　

 

 

3.为什么需要图

　　一图胜千言

 

　　知识图谱是人工智能很重要的一个分支, 人工智能的目标为了让机器具备像人一样理性思考及做事的能力

　　

 

 

 

4.抽取

　　1、抽取实体Name Entity Recognition

　　　　Name Entity：关注的实体，问题不同关注的不同，往往包含：人名地名位

　　2、Relation Extraction关系抽取

　　　　可以看做分类问题，输入一堆信息，输出一个关系

 

　　例如：机器能读完一本哈利波特之后，懂得书中有哪些实体以及实体之间的关系。

 

5.抽取处理步骤

　　方式 1：传统机器学习的 NLP 流程

 　　

 

　　

　　方式 2：深度学习的 NLP 流程

 　　

 

 

　　

　　实体抽取是一项非常常见的 NLP 任务，实现它的方法有多种，大体而言分为两个方向：

　　　　i）基于实体名字典进行字符匹配抽取；

　　　　ii）用序列预测模型进行抽取。

　　　　　　序列预测模型又可以选用机器学习模型，比如条件随机场（CRF）；或选用神经网络，比如 CRF+LSTM，或 CRF+BERT等。

6.构建图

　　在构建类似的图谱过程当中，主要涉及以下几个方面的自然语言处理技术：

　　　　实体命名识别（Name Entity Recognition）
　　　　关系抽取（Relation Extraction）
　　　　实体统一（Entity Resolution）
　　　　指代消解（Coreference Resolution）

7.存储

　　知识图谱主要有两种存储方式：

• 一种是基于RDF的存储；
• 另一种是基于图数据库的存储。

　　

 

 

8.图数据库neo4j

　　Neo4j系统目前仍是使用率最高的图数据库，它拥有活跃的社区，而且系统本身的查询效率高，但唯一的不足就是不支持准分布式

 　　

　　可以参考本人写的文档：https://www.cnblogs.com/juncaoit/p/16301001.html

 

 

 

三：我们的实现

1.NLP的难点

　　最典型的知识图谱，比较复杂。

　　我们的业务应该不需要这么复杂。

　　

 

 

2.遇到的问题

　　1.我们要做什么，业务场景是否符合

　　　　或者说，我们的图要做成什么样子，可否有示意图。

　　2.使用哪种算法，是否需要复杂的算法，算法需要一点时间选取和学习【CNN，RNN，GCN】

　　3.算法得到的结果存库的难题，

　　　　或者说如何将实体和关系拿到

 

 

四：参考文档

1.

　　自然语言处理(NLP)之五：知识图谱：https://blog.csdn.net/xunyishuai5020/article/details/123983142

　　【Python+中文NLP】知识图谱系列(1)——构建流程：https://blog.csdn.net/walk_power/article/details/109561883?spm=1001.2014.3001.5502

　　【Python+中文NLP】知识图谱系列(2)——知识存储：https://blog.csdn.net/walk_power/article/details/110248210?spm=1001.2014.3001.5502

　　机器学习/NLP/深度学习/知识图谱【贪心学院】：https://ke.qq.com/course/350394

　　自然语言处理-Natural language processing | NLP：https://easyai.tech/ai-definition/nlp/

　　什么是 NLP (自然语言处理）：https://blog.csdn.net/yejuliali/article/details/115912012

 　　【一】NLP简介：https://blog.csdn.net/qq_42030496/article/details/119061397

　　nlp-知识图谱简介：https://blog.csdn.net/qq_42240729/article/details/112393851