文章采集器(文章采集器和知识图谱，最重要的当然是语义理解)

　　文章采集器(文章采集器和知识图谱，最重要的当然是语义理解)

　　文章采集器和知识图谱图谱，最重要的当然是语义理解，图谱是把连接人与人，人与信息，信息与信息之间的关系用可视化形式表现出来。知识图谱主要就是把各个人和人之间的关系转化为数据，例如：医生怎么划分，老师怎么划分，企业怎么划分，每个人都可以有一份知识图谱表。就像把人放到大街上，而不是某个物体，更不是某个企业。

　　图谱在微软、阿里都有实验室，阿里的知识图谱实验室专门做阿里自己的知识图谱。今天重点介绍一下深度学习方向的一些主要工作。1、deeplearning深度学习在图谱方面主要就是，图神经网络（gnn）把连接人与人，人与信息，信息与信息之间的关系抽象出来，并且去训练一个相对高效的网络。这个网络可以用数据实现，也可以在很多现有网络上借鉴一些思想和性能。

　　最典型的就是，用递归神经网络训练一个有向图。算法如下：对于图的节点，我们知道上面的节点必须和下面的节点有某种相互联系，就好像网状的树结构（freegraph）。图中节点与节点之间要有边，边最好有连接（edgeconnection）或者连接的节点可以包含一个边。要实现图网络，就需要构建数据集。数据来源包括：人工标注的，基于递归神经网络的训练数据集tf和tf-graphx；基于深度学习和强化学习的训练数据集tflearn和deepdream。

　　由于人们手里的数据远远达不到人工标注的要求，所以用的都是tf-graphx这样的数据集。我们用tensorflow构建训练集之后，经过图的压缩变换，将tensor拼接成图像，然后进行后续预处理，得到图的特征，加上前向计算和反向传播，得到目标特征。特征在后续做特征匹配，在文本中对应是否相同，然后交给图的生成。

　　2、large-scaleinferencesdl中用到了递归神经网络，就是说，不同的节点会和不同的特征节点进行连接。通过这种结构，首先将节点转化为原始的图像，然后训练一个网络。网络的输入就是节点，输出也是节点。每个节点都要和一个特征节点有连接，并且要加上特征节点的边。图的特征越多，节点和节点之间越多交织关系，这个网络就会越好。

　　因为它能够把所有可能的特征条件映射到可能的特征节点上，并且使得生成的特征是最终特征（offset）。在我们实验的数据集中，我们通过堆叠二元高斯池，按节点分类，来生成左右两类。实验表明这个算法的准确率和效率特别高。2.1.bilstm用一个bilstm层把一个图像的前面100帧当成输入，可以得到最前面的图片信息。

　　然后下面一层是一个对于图像的卷积层，卷积层可以看成一个卷积的上采样层，然后我们对得到的这个特征做一个非线性映射，可以得到这个两个特征的类别，标签。