CN116595139A - 一种基于多模态知识图谱的智能问答方法 - Google Patents

一种基于多模态知识图谱的智能问答方法 Download PDF

Info

Publication number
CN116595139A
CN116595139A CN202310515729.1A CN202310515729A CN116595139A CN 116595139 A CN116595139 A CN 116595139A CN 202310515729 A CN202310515729 A CN 202310515729A CN 116595139 A CN116595139 A CN 116595139A
Authority
CN
China
Prior art keywords
entity
knowledge graph
image data
text
text data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310515729.1A
Other languages
English (en)
Inventor
於辉
朱冬晨
李嘉茂
张晓林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Institute of Microsystem and Information Technology of CAS
Original Assignee
Shanghai Institute of Microsystem and Information Technology of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Shanghai Institute of Microsystem and Information Technology of CAS filed Critical Shanghai Institute of Microsystem and Information Technology of CAS
Priority to CN202310515729.1A priority Critical patent/CN116595139A/zh
Publication of CN116595139A publication Critical patent/CN116595139A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/332—Query formulation
    • G06F16/3329—Natural language query formulation or dialogue systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/33—Querying
    • G06F16/3331—Query processing
    • G06F16/334—Query execution
    • G06F16/3344—Query execution using natural language analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
    • G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
    • G06F16/367—Ontology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/20—Natural language analysis
    • G06F40/279—Recognition of textual entities
    • G06F40/289—Phrasal analysis, e.g. finite state techniques or chunking
    • G06F40/295—Named entity recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F40/00—Handling natural language data
    • G06F40/30—Semantic analysis
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及一种基于多模态知识图谱的智能问答方法，包括以下步骤：基于互联网的文本数据和图像数据构建多模态知识图谱；获取非结构化的自然语言问题，从所述自然语言问题中分析出语义信息，并基于所述语义信息生成查询语句，根据所述查询语句在所述多模态知识图谱中检索出最终答案。本发明能够促进不同模态知识的深层推理和实际应用。

Description

一种基于多模态知识图谱的智能问答方法
技术领域
本发明涉及大数据及知识图谱技术领域，特别是涉及一种基于多模态知识图谱的智能问答方法。
背景技术
近年来伴随着人工智能浪潮，知识图谱作为大数据时代的产物，以其强大的知识语义表示、存储和推理能力，正推动着人工智能由感知向认知智能转变，为大数据知识化组织和智能应用提供了有效的解决方案。因此，新一代的知识图谱的构建及其关键技术研究逐渐受到学术界和工业界的广泛关注。
传统的知识图谱研究主要使用文本符号表示知识，缺少图像、视频等丰富的多模态信息，例如，ConceptNet、WordNet、TechNet等知识图谱。尽管目前已开发了一些多模态知识图谱，如DBpedia包含了超过260万个实体，覆盖地理、人物、医药、图书等多个领域知识；Wikidata中存在大量的多模态资源，越来越多网站从Wikidata中获取有价值的数据提供更好的浏览服务，但上述多模态知识的组织仍是非结构化的，不利于进行高效地知识推理；Richpedia在知识图谱基本数据模型RDF框架下，对城市、人物实体的多模态知识进行组织和表达，但覆盖的领域过于局限，不能很好地支持开放领域的知识应用。在互联网时代和大数据环境下，数据对象和交互形式的日益丰富与变化，对新一代知识图谱的数据规模和知识粒度及其关键技术方面提出了新的需求，带来了新的挑战。
发明内容
本发明所要解决的技术问题是提供一种基于多模态知识图谱的智能问答方法，能够促进不同模态知识的深层推理和实际应用。
本发明解决其技术问题所采用的技术方案是：提供一种基于多模态知识图谱的智能问答方法，包括以下步骤：
基于互联网的文本数据和图像数据构建多模态知识图谱(Multi-ModalKnowledgeGraph,MMKG)；
获取非结构化的自然语言问题，从所述自然语言问题中分析出语义信息，并基于所述语义信息生成查询语句，根据所述查询语句在所述多模态知识图谱中检索出最终答案。
所述基于互联网的文本数据和图像数据构建多模态知识图谱，包括：
从互联网百科中获取原始非结构化数据作为构建多模态知识图谱的文本数据；
从互联网的图像搜索引擎中获取文本条目相关的图像作为构建多模态知识图谱的图像数据；
对所述文本数据进行实体和关系抽取处理，得到由文本数据的实体及其语义关系组成的三元组；
根据所述图像数据的搜索关键词确定图像数据的实体，融合所述文本数据的实体和所述图像数据的实体，建立对应的文本数据的实体和图像数据的实体之间的语义关系。
所述对所述文本数据进行实体和关系抽取处理，得到由文本数据的实体及其语义关系组成的三元组，具体包括：
对于文本数据中的每个文本条目，根据其描述信息来判断其是否为有效的条目，当描述信息为有效的条目时，将该文本条目作为实体；
对每个实体，抽取其属性信息构成属性知识三元组，同时抽取与实体关联的实体知识三元组。
所述的基于多模态知识图谱的智能问答方法还包括对每个实体添加唯一的ID的步骤；所述根据所述图像数据的搜索关键词确定图像数据的实体时，对每个图像实体进行唯一ID编号。
所述文本数据的实体通过id、name及description属性进行描述，不同文本数据的实体之间通过语义关系建立关联；所述图像数据的实体通过id、name和url属性进行描述；所述融合所述文本数据的实体和所述图像数据的实体时，将具有相同name的文本数据的实体和图像数据的实体之间建立关联。
所述获取非结构化的自然语言问题，从所述自然语言问题中分析出语义信息，并基于所述语义信息生成查询语句，根据所述查询语句在所述多模态知识图谱中检索出最终答案，具体包括：
接收非结构化的自然语言问题，并使用预训练的语义解析模型对所述自然语言问题进行分析，确定所述自然语言问题的问句分类、实体以及关系连接；
利用问句模板匹配的方式填充实体以及关系连接，得到结构化查询语句；
根据所述结构化查询语句在所述多模态知识图谱中检索出最终答案。
所述结构化查询语句能够检索在多模态知识图谱中文本数据的实体所属的概念、两个已知文本数据的实体之间的语义关系、以及文本数据的实体相关的图像数据的实体及图像数据的实体的url属性。
有益效果
由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明的多模态知识图谱是从Wikidata非结构化数据中抽取大量有价值的结构化三元组知识，并利用Web搜索引擎快速爬取海量的图像数据，建立多模态实体语义关系，并使用Neo4j图数据库实现大规模MMKG的构建而成。基于所构建的MMKG，提出了支持Neo4j图数据库的知识检索方法，能够根据输入实体或关系，采用三元组匹配、路径搜索等方式检索相关联的多模态知识。同时，本发明可以将自然语言问题自动转化为Cypher查询语句，从所构建的基于Neo4j的MMKG中获取答案，实现了面向开放领域的更全面、准确的问题回答。本发明构建了更大规模的、包含更细粒度知识的多模态知识图谱，通过开发相应的知识检索和智能问答方法，促进不同模态知识的深层推理和实际应用。
附图说明
图1是本发明实施方式的流程图；
图2是本发明实施方式的框架图；
图3是本发明实施方式中多模态知识图谱逻辑架构图；
图4是本发明实施方式中的智能问答结果示意图；
图5是本发明实施方式中检索结果示意图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种基于多模态知识图谱的智能问答方法，如图1所示，包括以下步骤：基于互联网的文本数据和图像数据构建多模态知识图谱；获取非结构化的自然语言问题，从所述自然语言问题中分析出语义信息，并基于所述语义信息生成查询语句，根据所述查询语句在所述多模态知识图谱中检索出最终答案。
如图2所示，本实施方式主要包括多模态知识图谱MMKG的构建、基于MMKG的知识检索以及基于MMKG的智能问答三个部分。
知识图谱(knowledgegraph)本质上属于语义网络(semanticnetwork)范畴，通常采用图结构作为载体来组织和表达大规模知识。多模态知识图谱一般由不同模态的实体(如文本、图像等)及其语义关系组成，图(graph)中节点(node)代表实体(entity)或概念(concept)，边(edge)代表实体或概念之间的各种语义关系(relationship)。本实施方式的多模态知识图谱的构建主要包括数据采集、知识抽取、知识融合三个关键步骤。
与一般的知识图谱不同，本实施方式的目标是面向开放领域，构建一个大规模的多模态知识图谱，由大量的文本和图像实体及其丰富的语义关系组成。为此，本实施方式考虑互联网资源，如Wikidata和Web搜索引擎等非结构化数据为原始数据来源，构建多模态知识图谱。
Wikidata是维基媒体基金会推出的知识图谱，在RDF框架下综合了Wikipedia、Wiktionary、Wikisource等互联网资源中大量非结构化数据，已成为维基媒体最活跃的项目之一。本实施方式从互联网上获取Wikidatadump原始非结构化数据(json文件)，其包含的大量条目描述信息，将这些条目描述信息作为构建MMKG的文本数据。
Web搜索引擎中覆盖了大量的图像资源，本实施方式构建了基于selenium的网络爬虫管道，通过Google、Bing及Baidu图像搜索引擎中自动高效地爬取大量文本条目相关的图像，并将这些图像作为构建MMKG的图像数据。
根据所采集的Wikidatadump原始非结构化数据，本实施方式通过数据清洗、实体和关系抽取的方式，获取由文本数据的实体及其语义关系组成的三元组，具体为：首先对于文本数据中的每个文本条目，根据文本条目的描述信息来判断其是否为有效的条目，如果该文本条目为有效条目，则将该文本条目称为实体；然后对每个实体，抽取其属性信息构成属性知识三元组，同时抽取与有效条目关联的实体知识三元组。例如，对于文本条目“elephant”，根据其描述信息“trunk-bearinglargemammal”可以判断为有效条目，然后语义解析Wikidatadump数据得到该实体“elephant”的属性知识三元组为<elephant,description,trunk-bearinglargemammal>，实体知识三元组为<elephant,subclassof,mammal>、<elephant,mainfoodsource,plant>、<elephant,including,Palaeoloxodon>等。
考虑到不同实体可能存在相同的字符名，如实体1和实体2的属性知识三元组分别为<Sweden,description,countryinNorthernEurope>和<Sweden,description,towninNewYork,USA>。显然这两个实体不是同一样实体，为此不能简单地使用实体的名称作为不同实体的标识符，本实施方式中为每个实体添加唯一ID号以区分不同的实体，尤其是同名实体。
根据文本条目关键词输入从各个Web搜索引擎中爬取大量文本实体所对应的图像，进行多模态实体对齐和融合。为了将图像数据的模态信息加入到知识图谱中，本实施方式对每个图像数据的实体进行唯一id编号，以区分不同的图像数据的实体。为了建立图像数据的实体与文本数据的实体之间的语义关系，本实施方式根据图像数据搜索的关键词确定图像数据的实体，融合文本数据的实体和图像数据的实体，建立对应的文本数据的实体和图像数据的实体之间的语义关系，如imageof。基于此，本实施方式还定义了一种新的多模态知识图谱Schema，如图3所示，每个文本数据的实体通过id、name及description属性进行描述，不同的文本实体之间通过subclassof、partof等语义关系建立关联；类似地，每个图像数据的实体通过id、name和url属性进行描述，具有相同name的图像数据的实体与文本数据的实体之间通过imageof关系建立关联。通过这种定义方式，将上述的属性知识三元组、实体知识三元组及多模态知识融合存储在Neo4j图数据库，得到最终的MMKG。
为了促进多模态知识更灵活的应用，本实施方式开发了基于MMKG的智能问答方法，将自然语言问题自动转化为Cypher查询语句，从所构建的Neo4j图数据库(多模态知识图谱)中获取答案，实现了面向开放领域的更全面的、准确的问题回答。具体地，本实施方式通过对已有的智能问答研究现状的分析，提出了新的基于语义解析和模板匹配的智能问答方法，具体为：首先，接收非结构化的自然语言问题，使用预训练的语义解析模型对该自然语言问题进行分析，确定该自然语言问题的问句分类、实体以及关系连接，再利用自定义的问句模板匹配的方式填充实体以及关系连接，得到支持Neo4j图数据库的结构化查询Cypher语句，最后对MMKG执行该查询获得答案。图4展示了智能问答的详细流程。为了更好地与用户交互，本实施方式基于上述的智能问答方法开发了基于MMKG的智能问答***，通过用户界面输入自然语言问题，自动输出相应的答案。
为了实现上述智能问答，本实施方式提出了支持Neo4j的知识检索方法，能够根据输入的实体或关系，采用三元组匹配、路径搜索等方式从MMKG中检索相关联的多模态知识，包括检索文本和检索图像。本实施方式根据上述自定义的多模态知识图谱Scheme，提出了一些结构化Cypher查询语句，例如，执行该查询语句“MATCH(m:Text{name:“elephant”})-[r:subclassof]->(n)RETURNn”可检索在MMKG中名称为“elephant”的文本实体所属的概念(通过变量n返回目标节点)，即可得到名称为“mammal”的实体或概念，表明elephant(大象)是mammal(哺乳动物)的子类(subclass)。也可以通过查询“MATCH(m:Text{name:“elephant”})-[r]->(n:Text{name:“mammal”})RETURNr”检索两个已知实体之间的语义关系。另外，也可以通过查询语句“MATCH(m)-[r:imageof]->(n:Text{name:“elephant”})RETURNm”执行跨模态知识检索，即得到文本实体相关的图像实体及其url属性https://commons.wikimedia.org/wiki/File:African_Bush_Elephant.jpg等，再通过url可以获取相应的图像。通过上述检索方法，不仅能够检索属性、文本知识三元组，而且能够检索跨模态的知识三元组，检索结果如图5所示。
不难发现，本发明的多模态知识图谱是从Wikidata非结构化数据中抽取大量有价值的结构化三元组知识，并利用Web搜索引擎快速爬取海量的图像数据，建立多模态实体语义关系，并使用Neo4j图数据库实现大规模MMKG的构建而成。基于所构建的MMKG，提出了支持Neo4j图数据库的知识检索方法，能够根据输入实体或关系，采用三元组匹配、路径搜索等方式检索相关联的多模态知识。同时，本发明可以将自然语言问题自动转化为Cypher查询语句，从所构建的基于Neo4j的MMKG中获取答案，实现了面向开放领域的更全面、准确的问题回答。本发明构建了更大规模的、包含更细粒度知识的多模态知识图谱，通过开发相应的知识检索和智能问答方法，促进不同模态知识的深层推理和实际应用。

Claims (7)

1.一种基于多模态知识图谱的智能问答方法，其特征在于，包括以下步骤：
基于互联网的文本数据和图像数据构建多模态知识图谱；
获取非结构化的自然语言问题，从所述自然语言问题中分析出语义信息，并基于所述语义信息生成查询语句，根据所述查询语句在所述多模态知识图谱中检索出最终答案。
2.根据权利要求1所述的基于多模态知识图谱的智能问答方法，其特征在于，所述基于互联网的文本数据和图像数据构建多模态知识图谱，包括：
从互联网百科中获取原始非结构化数据作为构建多模态知识图谱的文本数据；
从互联网的图像搜索引擎中获取文本条目相关的图像作为构建多模态知识图谱的图像数据；
对所述文本数据进行实体和关系抽取处理，得到由文本数据的实体及其语义关系组成的三元组；
根据所述图像数据的搜索关键词确定图像数据的实体，融合所述文本数据的实体和所述图像数据的实体，建立对应的文本数据的实体和图像数据的实体之间的语义关系。
3.根据权利要求2所述的基于多模态知识图谱的智能问答方法，其特征在于，所述对所述文本数据进行实体和关系抽取处理，得到由文本数据的实体及其语义关系组成的三元组，具体包括：
对于文本数据中的每个文本条目，根据其描述信息来判断其是否为有效的条目，当描述信息为有效的条目时，将该文本条目作为实体；
对每个实体，抽取其属性信息构成属性知识三元组，同时抽取与实体关联的实体知识三元组。
4.根据权利要求3所述的基于多模态知识图谱的智能问答方法，其特征在于，还包括对每个实体添加唯一的ID的步骤；所述根据所述图像数据的搜索关键词确定图像数据的实体时，对每个图像实体进行唯一ID编号。
5.根据权利要求4所述的基于多模态知识图谱的智能问答方法，其特征在于，所述文本数据的实体通过id、name及description属性进行描述，不同文本数据的实体之间通过语义关系建立关联；所述图像数据的实体通过id、name和url属性进行描述；所述融合所述文本数据的实体和所述图像数据的实体时，将具有相同name的文本数据的实体和图像数据的实体之间建立关联。
6.根据权利要求1所述的基于多模态知识图谱的智能问答方法，其特征在于，所述获取非结构化的自然语言问题，从所述自然语言问题中分析出语义信息，并基于所述语义信息生成查询语句，根据所述查询语句在所述多模态知识图谱中检索出最终答案，具体包括：
接收非结构化的自然语言问题，并使用预训练的语义解析模型对所述自然语言问题进行分析，确定所述自然语言问题的问句分类、实体以及关系连接；
利用问句模板匹配的方式填充实体以及关系连接，得到结构化查询语句；
根据所述结构化查询语句在所述多模态知识图谱中检索出最终答案。
7.根据权利要求6所述的基于多模态知识图谱的智能问答方法，其特征在于，所述结构化查询语句能够检索在多模态知识图谱中文本数据的实体所属的概念、两个已知文本数据的实体之间的语义关系、以及文本数据的实体相关的图像数据的实体及图像数据的实体的url属性。
CN202310515729.1A 2023-05-09 2023-05-09 一种基于多模态知识图谱的智能问答方法 Pending CN116595139A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310515729.1A CN116595139A (zh) 2023-05-09 2023-05-09 一种基于多模态知识图谱的智能问答方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310515729.1A CN116595139A (zh) 2023-05-09 2023-05-09 一种基于多模态知识图谱的智能问答方法

Publications (1)

Publication Number Publication Date
CN116595139A true CN116595139A (zh) 2023-08-15

Family

ID=87603864

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310515729.1A Pending CN116595139A (zh) 2023-05-09 2023-05-09 一种基于多模态知识图谱的智能问答方法

Country Status (1)

Country Link
CN (1) CN116595139A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117271818A (zh) * 2023-11-22 2023-12-22 鹏城实验室 视觉问答方法、***、电子设备及存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117271818A (zh) * 2023-11-22 2023-12-22 鹏城实验室 视觉问答方法、***、电子设备及存储介质
CN117271818B (zh) * 2023-11-22 2024-03-01 鹏城实验室 视觉问答方法、***、电子设备及存储介质

Similar Documents

Publication Publication Date Title
CN104933164B (zh) 互联网海量数据中命名实体间关系提取方法及其***
Kejriwal et al. Knowledge graphs: Fundamentals, techniques, and applications
CN112199511A (zh) 跨语言多来源垂直领域知识图谱构建方法
CN110990590A (zh) 一种基于强化学习和迁移学习的动态金融知识图谱构建方法
CN111061828B (zh) 一种数字图书馆知识检索方法及装置
Rinaldi et al. A matching framework for multimedia data integration using semantics and ontologies
Ghorbel et al. Fuzzy ontologies building method: Fuzzy OntoMethodology
Ahmad et al. A survey of searching and information extraction on a classical text using ontology-based semantics modeling: A case of Quran
CN116595139A (zh) 一种基于多模态知识图谱的智能问答方法
CN117312499A (zh) 一种基于语义的大数据分析***及方法
Konys et al. Ontology learning approaches to provide domain-specific knowledge base
Gunaratna et al. Alignment and dataset identification of linked data in semantic web
Halpin et al. Discovering meaning on the go in large heterogenous data
Wang et al. Building a large scale knowledge base from chinese wiki encyclopedia
CN111831880A (zh) 一种基于微酒店平台的智能问答方法
Jörg et al. LT World: Ontology and Reference Information Portal.
Maroun A survey on ontology operations techniques
Liu et al. Ontology-based knowledge representation for resolution of semantic heterogeneity in GIS
Hu et al. Construction of domain knowledge graph based on open source intelligence
Ren et al. Construction and Application of Knowledge Bases
Sell et al. Adding Semantics to Business Intelligence: Towards a Smarter Generation of Analytical Tools
Sancheti et al. Harvesting Knowledge from Cultural Heritage Artifacts in Museums of India
Yang et al. Research on Knowledge Graph Construction Methods for News Domain
Hailemichael et al. Design and Implementation of Satellite Knowledge Graph and Its Application
Niu Foreign Language Teaching Resources Recommendation Approach Based on Knowledge Map

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination