Awesome GitHub RepositoriesKnowledge Graph Construction

KnowledgeGraphData es una colección de conjuntos de datos estructurados y corpora diseñados para proporcionar una capa fundamental para sistemas de inteligencia cognitiva e inteligencia artificial. Consiste principalmente en conjuntos de datos de grafos de conocimiento chinos a gran escala, incluyendo datos de relación de entidades y conjuntos de entrenamiento de NLP utilizados para impulsar la comprensión semántica y la respuesta automática a preguntas. El proyecto se centra en la construcción y exportación de grafos masivos de entidad-atributo-valor, organizando el conocimiento en formatos portátiles. Proporciona partición de dominio especializada para adaptar la recuperación de información a campos profesionales como la salud, el ejército y la seguridad pública. El repositorio cubre una amplia gama de capacidades, incluyendo procesamiento de lenguaje natural en chino, búsqueda semántica y sistemas de diálogo cognitivo. Su conjunto de herramientas abarca análisis lingüístico, extracción de entidades, detección de sentimientos y resumen de texto, así como análisis de contenido visual para auditoría de sitios web y conversión de voz a texto.

This library is a PHP tool for programmatically defining, building, and exporting structured data graphs. It provides a fluent, object-oriented interface that allows developers to construct complex, nested metadata structures that comply with standardized vocabulary requirements for search engine indexing. The library distinguishes itself through its support for multi-typed entity modeling, which enables the combination of several classification categories into a single, unified entity. It also features a graph-based modeling system that facilitates the linking and cross-referencing of relate

Entity-Relation-Extraction es un framework de machine learning diseñado para identificar entidades y sus conexiones lógicas dentro de texto no estructurado. Funciona como una tubería (pipeline) que transforma documentos crudos en grafos de conocimiento estructurados utilizando modelos de deep learning y arquitecturas transformer. El proyecto se distingue por un enfoque basado en esquemas, que mapea la información extraída a plantillas relacionales predefinidas para asegurar la consistencia de la salida. Emplea un proceso de varias etapas que combina la clasificación de tokens de etiquetado de secuencias con codificación contextual para delinear los límites de las entidades y clasificar las relaciones entre ellas. El kit de herramientas proporciona componentes para ajustar (fine-tuning) modelos de lenguaje preentrenados y orquestar datos a través de grafos computacionales. Incluye utilidades para evaluar el rendimiento del modelo frente a conjuntos de datos de referencia (ground truth) para verificar la precisión del proceso de extracción.