Datu ieguve no teksta zināšanu grafiku veidošanā
Zināšanu grafiku veidošana ir teksta apstrādes (text-mining) pipeline, kas nestrukturētu tekstu pārvērš strukturētā entītiju un to savstarpējo attiecību grafā. Balstoties uz Hogan et al. (2021) sintēzi un Nickel et al. (2016) pārskatu par relāciju mašīnmācīšanos, tā attēlo zināšanas kā mezglus (entītijas, piemēram, cilvēki, vietas, organizācijas), kas savienoti ar iezīmētām malām (attiecības), un kalpo semantiskajai meklēšanai, rekomendāciju sistēmām un spriešanai.
Lasīt pilno metodes aprakstu
Piesakieties ar bezmaksas kontu, lai lasītu šo sadaļu.
Method map
The neighbourhood of related methods — select a node to explore.
Avoti
- Hogan, A. et al. (2021). Knowledge Graphs. ACM Computing Surveys, 54(4), 1-37. DOI: 10.1145/3447772 ↗
- Nickel, M. et al. (2016). A Review of Relational Machine Learning for Knowledge Graphs. Proceedings of the IEEE, 104(1), 11-33. DOI: 10.1109/JPROC.2015.2483592 ↗
Kā citēt šo lapu
ScholarGate. (2026, June 1). Knowledge Graph Construction from Text. ScholarGate. https://scholargate.app/lv/text-mining/knowledge-graph-nlp
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Entītiju saistīšanaTeksta ieguve↔ compare
- Nosaukuma entītiju atpazīšana (NER)Teksta ieguve↔ compare
- Attribuciju izvilkšanaTeksta ieguve↔ compare
Uz to atsaucas
Pamanījāt kļūdu šajā lapā? Ziņojiet vai ierosiniet labojumu →