知识图谱

当提起RPA，你会想起按键精灵，想起自动搬运和分析数据的程序。 在文因互联CEO鲍捷看来，这是RPA的1.0和2.0时代，即是对手和对脑的自动化，由自动化体力劳动向自动化脑力劳动转变。 但RPA显然不会停留在这样的初级形态，它的升级版本会是怎样的？对企业自身和RPA行业而言又意味着什么？ 鲍捷曾在采访中表示，“流程自动化不光只是某个特定业务环节的优化，还有各种传统企业流程之间的打通——只要是有传统企业流程，有IT系统的地方，都会自动化的。” “（机器做流程性工作）这个趋势，我相信，每个赛道都会发生这样的变化，十年之内不会停下来。” 在这样的趋势下，我们更需要一把精确锋利的手术刀，深度剖析RPA。 4月11日，文因互联CEO、联合创始人鲍捷将带来更全面专业的解读，细述RPA从 1.0 到 4.0 的关键升级路径。 这也是雷锋网《AI金融频道》RPA+AI系列公开课第一期，后续将会有更多国内头部RPA公司高管做客线上讲堂 ，带来对产品、技术、行业趋势最资深最前沿的解读，敬请关注。 如何听课？ 关注公众号「 AI金融评论 」，在公众号对话框回复关键词“听课”，即可进群观看该系列所有课程直播，亦可与群内RPA大佬们谈笑风生。 若无法进群，请添加微信： LorraineSummer 申请进群。 开课信息 时间：4月11日（周六）20:00-21:00 主讲人：文因互联CEO、联合创始人 鲍捷

本文作者：杨蕊1002 导读：飞桨(PaddlePaddle)致力于让深度学习技术的创新与应用更简单。7月初，随着Paddle Fluid 1.5版本的发布，国内业界首个视频识别与定位工具集PaddleVideo也迎来了重磅更新。PaddleVideo在实际工业界可以形成很多具体应用，包括：视频精彩片段预测、关键镜头定位、视频剪辑等任务，例如定位NBA篮球赛视频中扣篮镜头，电视剧中的武打镜头等。如下图所示： 本文末尾，为广大算法和开发同学准备了PaddleVideo模型实战的应用案例，视频剪辑、素材拼接和标题生成工作完全是程序模型自动完成的，极大地减轻了人力剪辑的工作量，效果也还不错。不过，在看具体模型具体应用之前，让我们可以先来了解一下PaddleVideo。 1. PaddleVideo是什么？ PaddleVideo是飞桨在计算机视觉领域为用户提供的模型库PaddleCV中的视频识别与定位部分的模型库。PaddleVideo的全部模型都是开源的，用户可以一键式快速配置模型完成训练和评测。 PaddleVideo目前视频分类和动作定位模型包括： 2. 重磅更新内容详解 本次重磅更新要点如下： 增加动作定位模型C-TCN，该模型是2018年ActivityNet夺冠方案。 增加已发布的模型骨干网络，Non-local模型增加ResNet101和l3d网络结构

雷锋网 (公众号：雷锋网) 消息，今日，腾讯宣布将与世界卫生组织加深合作，向世卫的新冠肺炎团结应急基金捐款1000万美元，并达成共同推动以数字医疗解决方案助力全球抗疫的协议。 世卫总干事谭德塞博士表示：“衷心感谢腾讯的慷慨捐助和对新冠肺炎团结应急基金的贡献，期待与腾讯合作，在抗击疫情的过程中推动使用数字医疗工具，为了一个更健康、更安全、更公平的世界共同努力。” 腾讯公司总裁刘炽平表示：“全世界需要团结一致共同面对这前所未有的挑战。世卫组织正在领导和协调全球努力，支持各国抗疫。腾讯相信，全球团结一心将能阻断疫情蔓延。为了实现我们共同的使命， 除了支持新冠肺炎团结应急基金外，我们还将开源数字医疗解决方案，为世卫提供更多技术支持。” 作为助力世界卫生组织帮助各国政府开发数字医疗解决方案的支持，腾讯向全球开源“新冠肺炎AI自查助手” ，这项人工智能服务能够帮助民众自查新冠肺炎感染风险，并给出防范指引。是继3月27日，为国人提供了60亿次查询服务的疫情模块开源后，腾讯向全球输出的又一项抗疫科技。 为了帮助民众正确自查新冠肺炎风险，避免恐慌和不当求医造成交叉感染风险，腾讯健康利用人工智能技术开发了“新冠肺炎AI自查助手”，把专业的医学指南转换成通俗易懂操作简单的对话，帮助民众正确抗疫。这个简单实用的工具帮助了中国17个省区市的40个疾控部门、300余家医院、30余家行业ISV合作伙伴

语义计算、知识图谱与智能问答（实例） 本文，以医药知识图谱“神机医药”APP为例，简述如何通过“语义计算”构建知识图谱，利用知识图谱进行“智能问答”服务。 “神机医药”APP搜集了15606条“药品”信息，14172条“疾病”信息，5756条“症状”信息，12万条以上的“问答”信息，通过“语义计算”确定知识之间的相关性、相关度，自动构建“医药知识图谱”，动态解答医药常识问题。 在介绍“语义计算”自动构建“医药知识图谱”，动态解答医药常识问题之前，先讨论一些相关概念。 一、知识图谱相关概念 1、知识图谱与智能问答 Google公司于2012年提出知识图谱，目的是根据知识之间的关系、构建知识结构，在关键词搜索基础上，利用知识图谱自动搜索相关知识。 从广义上看，搜索引擎也是解答问题的一种形式，加入知识图谱后，可通过“知识图谱”寻找相关答案。知识图谱应用于智能问答的关键在于“语义计算”，具体为三点： 第一、 构建知识图谱 在构建知识图谱时，通过“语义计算”确定说明知识文本的含义； 第二、 理解问题 回答问题的前提是理解问题，通过“语义计算”确定问题的含义； 第三、 解答问题 在解答问题时，通过“语义计算”与知识图谱中的知识进行最优匹配。 2、知识图谱是“图”吗？ 从字面上看，知识图谱是图，是知识结构图。对于少量知识，用图来表示知识结构更为清晰，容易理解，但Google是互联网搜索引擎公司

肖仰华 博士，复旦大学计算机科学与技术学院教授，博士生导师，知识工场实验室负责人。 知识图谱自2012年提出至今，发展迅速，如今已经成为人工智能领域的热门问题之一，吸引了来自学术界和工业界的广泛关注，在一系列实际应用中取得了较好的落地效果，产生了巨大的社会与经济效益。 大量的应用实践需要有专业的图书作为参考和指导，大量的学术成果需要有图书进行系统的梳理，《知识图谱：概念与技术》一书应运而生。 《知识图谱：概念与技术》是一本系统介绍知识图谱概念、技术与实践的教材，能够帮助你建立知识图谱学科体系，健全大数据知识工程知识体系，为工业界知识图谱实践提供参考。 在新书上市之际，本书主要作者肖仰华教授接受了我们的专访，针对知识图谱学习方法、国内发展状况、就业等问题，聊了聊自己的看法。 （以下为访谈内容，经博文视点编辑整理） ▊ 读者们期待已久的《知识图谱》终于上市了，这本书是经历了怎样的打磨，让大家等待了这么久才与大家见面呢？ 肖仰华 ： 本书编写团队投入巨大的资源与精力完成了本书。本书的内容体系基本成型于2018年8月，从2017年到2019年，其先后两次在复旦大学相关课程中进行讲授，2018年8月和12月其分别在上海财经大学和北京理工大学面向全国公开讲授，累计近千人次完成了课程的学习。从2018年年底至今，本书编写组完成了书稿，并经多轮修改，最终形成大家手中的这个版本。 ▊ 知识图谱是什么

#2015-2016前端架构体系技术 进入github查看大图 点击查看完整版 一、框架与组件  **bootstrap等UI框架设计与实现 伸缩布局：grid网格布局 基础UI样式：元素reset、按钮、图片、菜单、表单 组件UI样式：按钮组、字体图标、下拉菜单、输入框组、导航组、面包屑、分页、标签、轮播、弹出框、列表、多媒体、警告 响应式布局：布局、结构、样式、媒体、javascript响应式 第三方插件：插件管理  **jQuery、zepto使用原理以及插件开发 支持amd、cmd、全局变量的模块化封装 $.fn.method = function(){}  **mvc/mvvm框架原理设计，vue/angular/avalon等 directive设计：html、text、class、html、attr、repeat、ref，可扩展 filter设计：bool、upperCase、lowerCase，可扩展 表达式设计：if-else等实现 viewmodel结构设计：例如数据，元素，方法的挂载与作用域 数据更变检测：函数触发，脏数据检测、对象hijacking  **polymer/angular2思想与设计思路 import技术 template和script引入方式 css样式命名空间隔离 简单复用第三方库  **reactjs原理与使用 virtual

知识图谱的技术与应用 原文链接 知识图谱的技术与应用 概论 只要有关系分析的需求，就能用上“知识图谱” 场景 社交网络图谱 风控知识图谱 知识图谱应用的前提是已经构建好了知识图谱 知识图谱是一个比较新的工具，主要作用在于分析关系，尤其是深度的关系。 知识图谱领域最重要的是知识的推理。 知识图谱工程本身还是业务为中心，以数据为中心。 什么是知识图谱 知识图谱本质上是语义网络的知识库 知识图谱也可以认为是一个知识库 知识图谱也可以算是 多关系图。 多关系图：包含多种类型的节点和多种类型的边 实体：现实世界中的事物。 比如人、地名、概念、药物、公司等 关系 表达不同实体之间的某种联系 当一个知识图谱拥有属性时，可以用属性图来表示 存储方式 RDF 学术界 很多三元组来组成 特点 易于发布和分享数据，但不支持实体或关系拥有属性 图数据库 工业界 存储属性图 增长最快的存储系统 RDF和图数据库对比 RDF 存储三元组 标准的推理引擎 W3C标准 易于发布数据 代表框架：Jena 图数据库 节点和关系可以带有属性 没有标准的推理引擎 图的遍历效率高 事务管理 代表框架：Neo4j、OrientDB、Janus Graph 知识抽取 难点在于处理非结构化数据 数据源渠道 业务本身的数据，公司内部数据库 网络上公开抓取的数据，网页数据 NLP 实体命名识别 从文本里提取出实体，并对每个实体做分类