- 1粒子群算法调参支持向量回归进行预测（PSO-SVR）Python实现_pso-svr python
- 2分词及去停用词（可用作科研实验）python_python分词停用词库
- 3数据库中的算法实现_数据库算法实现
- 4Navicat 导入数据时报Incorrect datetime value: '0000-00-00 00:00:00.000000' 错误
- 5Flink-输出算子(Sink)使用_richsinkfunction
- 6记录:java.lang.Integer cannot be cast to java.lang.Long...【解决方案】
- 7IDER软件git使用技巧_ider根据git无法从远处数据库读取用http可以
- 8＜长篇文章！！＞数据结构与算法的重要知识点与概要总结 ( •̀ ω •́ )✧✧临近考试和查漏补缺的小伙伴看这一篇就都懂啦~_数据结构与算法的知识点
- 9TensorRT部署总结（一）
- 10深入掌握以太坊核心技术_mastering ethereum
多模态知识图谱构建系统论文笔记_gaia: a fine-grained multimedia knowledge extracti
赞
踩
总结
从数据来源，构建系统可以分类两大类：
1. 信息抽取：直接从原始材料中提取实体，比如Gaia、Neil。
2. 信息融合：根据已有的知识库进行融合，比如VisualSem。
可以参考下图，第一类列名有Source Images和Candidate KGs，把互联网上的原始图片抽取metions，然后链接到知识图谱中。第二类有Source KGs和Candidate images，把知识图谱库的entities链接上对应的image、
GAIA: A Fine-grained Multimedia Knowledge Extraction System
这篇论文，可以看到和多模态知识图谱RESIN是同个实验室出品。
本文主要关注于从新闻中进行知识图谱构建，亮点在于多模态和多语言。读完后发现构建技术比较复杂和成熟，用到了该实验室多个前期工作成果。
下图是在线演示网站的具体示例：
主要是KG构建（分两个方面）和知识融合。
3. Text Knowledge Extraction（TKE system）
专业词汇：
* co-reference resolution 共指消解（用不同的单词表达同一个实体，需要把它们合并）
* Pronominal co-reference resolution 代词共指消解（如she-June、he-jack）
* Nominal co-reference resolution 名词共指消解（如 the scientist-Albert Einstein）
分为三部分：实体提取和共指消解；关系提取；事件提取。这里基本用到了很多他们实验室自己的方法。
4. Visual Knowledge Extraction（VKE system）
作者团队在自然语言处理上做了比较多的工作，这部分多采用他人的图像处理上的工作。
0. 其他知识
更丰富的本体和提取细粒度的类型对场景理解和事件的预测很重要。例如根据常识，推断不同类型的战争事件，往往后续事件也不相同。
两个输出知识库使用相同的类型的本体（文本信息和图像信息相对应），并且数据来源也一样，所以可以做两个知识库的数据融合。
代码：提供了git仓库，需要docker运行。
Neil知识图谱构建过程
所做工作：
(a) 从语义上理解网络上的图像；
(b) 使用这种语义理解通过新的标记实例和常识关系来扩充其知识库；
(c) 使用这个数据集和这些关系来构建更好的分类器和检测器，这反过来又有助于提高语义理解。
提出思想：
多数据集不需要理解每个图像的所有部分，而是理解一小部分数据，并从中统计抽取（这里主要指的是它对关系relation进行了抽取，这个工作后来的paper一般是通过人工定义的，上面列举的两个表里的Multi-modalized Knowledge基本也很少有relation）
具体细节：这部分看的不是很懂，仅做参考
1. 从google找图片喂给ELDA分类器聚类
2. 分割图片的pattern，得到label
3. 提取各个图片pattern对应的关系（预定义了一些关系）
这篇文章比较老了，后来作者又提出了一个新的KRISP系统。作者主要侧重做图像方面的工作。
代码：提供了git仓库，但是只包含前半部分处理工作。
VisualSem知识图谱构建过程
贡献
- 提供训练后的模型
- 提供训练思路
- 提供训练代码
这篇文章比较简单，主要就是用已有的方法（Word2Vector、VGG、Transformer）做特征提取、特征融合，以及一些数据清洗工作。数据来源是有拱开Api的babel，主要是获取与 ILSVRC 图像分类中使用的 1, 000 个 ImageNet 类对应的同义词集https://babelnet.org。
细节
edge graph consisting of 89, 896 unique nodes and 1, 481, 007 facts, facts为三元组，nodes为实体。默认构建中有13种关系[引用自2018年的work General knowledge embedded image representation learning.]
1. 从babel接口爬ImageNet的图像集名词的neighbors。
2. 从babel接口爬neighbors的图像。
2.1 删去hash重复图像、非摄影图像、与文本语义不一致的图像
3. 删去图像过少的neighbors
代码：提供了git仓库。
参考文献
《Multi-Modal Knowledge Graph Construction and Application: A Survey》Zhu Xiangru et.
《GAIA: A Fine-grained Multimedia Knowledge Extraction System》 Li Manling et.
《NEIL: Extracting Visual Knowledge from Web Data》 Chen Xinlei et.
《VisualSem: a high-quality knowledge graph for vision and language》 Alberts Houda et.
