知识图谱的生成

1.知识抽取：通过自动化的技术抽取出可用的知识单元实体抽取：命名实体识别（Named Entity Recognition，NER）从数据源中自动识别命名实体；关系抽取（Relation Extraction）：从数据源中提取实体之间的关联关系，形成网状的知识结构；属性抽取：从数据源中采集特定实体的属性信息。2.知识表示属性图三元组3.知识融合：在同一框架规范下进行异构数据整合、消歧、加工、推理验证、更新等，达到数据、信息、方法、经验等知识的融合，形成高质量知识库实体对齐（Entity Alignment）：消除异构数据中的实体冲突、指向不明等不一致性问题；知识加工：对知识统一管理，形成大规模的知识体系本体构建：以形式化方式明确定义概念之间的联系；质量评估：计算知识的置信度，提高知识的质量。知识更新：不断迭代更新，扩展现有知识，增加新的知识4.知识推理：在已有的知识库基础上挖掘隐含的知识

1.smartBot辅助使用者（用户），对某个行业/领域/问题，进行深度解读和分析，并建立系统性的认知过程。2.smartBot根据预设流程，自动化形成，对某个专业方向/领域/行业，形成系统化知识图谱。[heading1]辅助建立系统性认知[heading1]?参考为了借助Prompt，完成复杂的业务流，参考了下面的资料[content]它借助json数据结构，对流程、数据进行规范：但是我构建Prompt，并没有用代码的逻辑，完全用自然语言进行描述。AI知识图谱应用-功能结构Prompt

非监督学习：非监督学习最著名的就是聚类。非监督学习并不需要准确告诉AI系统需要输出什么。只是需要给出大量数据，然后让AI从中找出有趣的信息。迁移学习：任务A中学习的内容，可以用于帮助完成任务B。许多计算机视觉实际是使用了迁移学习。强化学习：当输出好时强化。输出差时惩罚。使用“奖励信号”来告诉AI什么时候做的好或差，AI会自动学习最大化奖励。做得好时，给一个正数权重，做得差时，给一个负数权重。缺点是需要大量的数据。生成对抗网络：生成对抗网络是一种深度学习模型，由两个神经网络构成：生成器和判别器。生成器负责生成虚拟数据，判别器则负责判断这些数据是真实数据还是虚拟数据。两个网络不断反复训练和竞争，从而不断提高生成器生成真实数据的能力，直到生成的数据与真实数据无法区分。GAN可以用于图像、声音、文本等各种类型的数据生成和合成，被广泛应用于计算机视觉、自然语言处理等领域。知识图谱：在搜索时，展示知识图谱。这些信息是从知识图谱中产生的，意味着列出这些人和与其相关的关键信息，如生日，年纪等。酒店知识图谱可能包含大量信息，让人们在查地图时，可以快速找到准确信息。