note 一、知识工程和知识获取
二、实体识别与分类 2.1 基于序列标注
（1）基本任务
分类：确定标签体系，选择模型，定义特征，模型训练
结果：给每个词打一个标签
注意：序列标签体系耗时
（2）HMM模型（隐马尔可夫模型）
2.2 基于深度学习的NER
2.3 基于预训练语言模型的ENR
2.4 小结 三、关系抽取与属性补全 3.1 关系抽取方法的演变：
一个基于深度学习的开源中文关系抽取框架
实体关系抽取方法概览：
3.2 基于图神经网络的关系抽取 论文：Graph over Trees . (）
论文：Graph over Trees . (）
3.3 基于胶囊神经网络多标签关系抽取
-based with for . ()
3.4 属性补全任务 应用：商品关键属性补全，即利用算法的图文预测item的类别、同款、品牌等
四、概念抽取 4.1 问题描述 4.2 和GNN的结合 五、事件识别与抽取 5.1 问题描述 事件抽取主要分为事件的发现和分类和事件要素抽取两部分，又可以细分为触发词识别与事件分类和要素检测与要素角色分类。与关系抽取相比，事件抽取是一个更加困难和复杂的任务 事件结构远比实体关系三元组复杂，事件的结构对事件抽取有很强的约束作用 5.2 基于结构预测
六、知识抽取技术前沿 时间安排
任务任务信息截止时间
12月12日正式开始
：
CP1知识图谱概论（2天）
12月12-13日 周二
：
CP2知识图谱表示 + CP3知识图谱的存储和查询（上）（6天）
12月14-19日 周六
：
CP3知识图谱的存储和查询（下）（3天）
12月20-22日 周二
：
CP4知识图谱的抽取和构建（3天）
12月23-25日 周五
：
CP5知识图谱推理（4天）
12月26-29日 周二
推荐系统前沿与实践. 李东胜等
自然语言处理-2021–: 知识图谱
东南大学《知识图谱》研究生课程课件
2022年中国知识图谱行业研究报告
KG paper：
北大 – a graph based RDF store
玩转Neo4j知识图谱和图数据挖掘
新一代知识图谱关键技术综述. 东南大学 王萌
（图机器学习）2021冬季课程学习笔记12 Graph
关系抽取和事件抽取代码案例： (西西嘛呦)
年末巨制：知识图谱嵌入方法研究总结
“知识图谱+”系列：知识图谱+图神经网络
【知识图谱】斯坦福 CS520公开课（双语字幕）
【论文阅读笔记】Graph over Trees
【论文翻译】Graph over Trees
论文笔记 EMNLP 2018| via -based Graph
再谈图谱表示：图网络表示GE与知识图谱表示KGE的原理对比与实操效果分析
WSDM’23 | 工业界搜推广nlp论文整理
转载：
323AI导航网发布
相关文章
