{"resolved":true,"match_type":"uuid","source_type":"original_book","book_id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title":"人工智能与大数据技术导论","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787302517986","requested_by":"printed_page","book":{"source_type":"original_book","book_id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","id":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","uuid":"cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title":"人工智能与大数据技术导论","normalized_title":"人工智能与大数据技术导论","author":null,"edition":null,"publisher":null,"year":null,"isbn":"9787302517986","isbns":["9787302517986"],"parsed":true,"ai_readable":true,"document_type":"book","page_count":490,"navigation_url":"https://workshop.closeclaw.top/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","title_url":"https://workshop.closeclaw.top/ai/title/%E4%BA%BA%E5%B7%A5%E6%99%BA%E8%83%BD%E4%B8%8E%E5%A4%A7%E6%95%B0%E6%8D%AE%E6%8A%80%E6%9C%AF%E5%AF%BC%E8%AE%BA","fixed_page_url_template":"https://workshop.closeclaw.top/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page/{printed_page}","path_api_url_template":"https://workshop.closeclaw.top/api/ai/book/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page/{printed_page}","read_url":"https://workshop.closeclaw.top/api/ai/read/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71","page_url":"https://workshop.closeclaw.top/api/ai/books/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/page","search_url":"https://workshop.closeclaw.top/api/ai/books/cd4f7678-cd9b-4971-bde0-e9ad46a6cc71/search"},"page":{"printed_page":376,"pdf_page":392,"physical_index":392,"physical_index_base":0,"printed_page_status":"recognized","page_sha256":"73ad48cac83bbfc01c00e6b4525cfba8d20c7d70a5dd4d8ed5341419ed717c04"},"chapter":"第11章","content":"Microsoft Concept Graph 是一个大规模的英文 Taxonomy，其中主要包含的是概念间以及实例（等同于实体）概念间的IsA关系，其中并不区分instanceOf与subclassOf的关系。Microsoft ConceptGraph的前身是Probase，它过自动化地抽取自数十亿网页与搜索引擎查询记录，其中每一个IsA关系均附带一个概率值，即该知识库中的每个IsA关系不是绝对的，而是存在一个成立的概率值以支持各种应用，如短文本理解、基于Taxonomy的关键词搜索和万维网表格理解等。目前，Microsoft Concept Graph拥有约530万个概念、1250万个实例以及8500万个IsA关系（正确率约为92.8%）。关于数据集的使用，MicrosoftConcept Graph目前支持HTTPAPI调用，而数据集的完全下载需要经过非商用的认证后才能完成。\n\n除了上述知识图谱外，中文目前可用的大规模开放知识图谱有Zhishi.me、Zhishi.schema与XLore等。Zhishi.me是第一份构建中文链接数据的工作，与DBpedia 类似，Zhishi,me首先指定固定的抽取规则，对百度百科、互动百科和中文维基百科中的实体信息进行抽取，包括abstract、infobox、category等信息；然后对源自不同百科的实体进行对齐，从而完成数据集的链接。目前，Zhishi.me中拥有约1000万个实体与12000万个RDF三元组，所有数据可以通过在线 SPARQLEndpoint查询得到。Zhishi.schema是一个大规模的中文模式（Schema）知识库，其本质是一个语义网络，其中包含三种概念间的关系，即equal、related与subClassOf关系。Zhishi.schema抽取自社交站点的分类目录(Category Taxonomy)及标签云（Tag Cloud)，目前拥有约40万个中文概念与150万RDF三元组，正确率约为84%，并支持数据集的完全下载。XLore是一个大型的中英文知识图谱，它旨在从各种不同的中英文在线百科中抽取RDF三元组，并建立中英文实体间的跨语言链接。目前，XLore大约有66万个概念，5万个属性，1000万个实体，所有数据可以通过在线SPARQLEndpoint查询得到。\n\n中文开放知识图谱联盟（OpenKG）旨在推动中文知识图谱的开放与互联，推动知识图谱技术在中国的普及与应用，为中国人工智能的发展以及创新创业做出贡献。联盟已经搭建有OpenKG.CN技术平台，目前已有35家机构入驻，吸引了国内最著名的知识图谱资源的加入，如Zhishi.me、CN-DBPedia、PKUBase，并已经包含来自于常识、医疗、金融、城市、出行等15个类目的开放知识图谱。\n\n11.1.4知识图谱在行业数据分析中的应用\n\n1. 股票投研情报分析\n\n通过知识图谱相关技术从招股书、年报、公司公告、券商研究报告、新闻等半结构化表格和非结构化文本数据中批量自动抽取公司的股东、子公司、供应商、客户、合作伙伴、竞争对手等信息，构建出公司的知识图谱。在某个宏观经济事件或者企业相关事件发生的时候，券商分析师、交易员、基金公司基金经理等投资研究人员可以通过此图谱做更深层次的分析和更好的投资决策，比如在美国限制向中兴通讯出口的消息发布之后，如果我们有中兴通讯的客户供应商、合作伙伴以及竞争对手的关系图谱，就能在中兴通讯停牌的情况下快速地筛选出受影响的国际、国内上市公司，从而挖掘投资机会或者进行投资组合风险控制。\n\n人工智能与大数据技术导论\n\n376","previous_page":375,"next_page":377}