Awesome GitHub RepositoriesKnowledge Graph Construction

KnowledgeGraphData est une collection de jeux de données structurés et de corpus conçus pour fournir une couche fondamentale pour les systèmes d'intelligence cognitive et d'intelligence artificielle. Il se compose principalement de jeux de données de graphes de connaissances chinois à grande échelle, y compris des données entité-relation et des jeux d'entraînement NLP utilisés pour piloter la compréhension sémantique et la réponse automatique aux questions. Le projet se concentre sur la construction et l'exportation de graphes entité-attribut-valeur massifs, organisant les connaissances dans des formats portables. Il fournit un partitionnement de domaine spécialisé pour adapter la récupération d'informations à des domaines professionnels tels que la santé, l'armée et la sécurité publique. Le dépôt couvre un large éventail de capacités, notamment le traitement du langage naturel chinois, la recherche sémantique et les systèmes de dialogue cognitif. Sa boîte à outils englobe l'analyse linguistique, l'extraction d'entités, la détection de sentiment et la synthèse de texte, ainsi que l'analyse de contenu visuel pour l'audit de sites web et la conversion parole-texte.

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 est un framework de machine learning conçu pour identifier des entités et leurs connexions logiques au sein de textes non structurés. Il fonctionne comme un pipeline qui transforme des documents bruts en graphes de connaissances structurés en utilisant des modèles de deep learning et des architectures de type transformer. Le projet se distingue par une approche basée sur des schémas, qui mappe les informations extraites vers des modèles relationnels prédéfinis pour assurer la cohérence des résultats. Il emploie un processus multi-étapes combinant l'étiquetage de séquences (token classification) et l'encodage contextuel pour délimiter les frontières des entités et classifier les relations entre elles. La boîte à outils fournit des composants pour le fine-tuning de modèles de langage pré-entraînés et l'orchestration de données via des graphes de calcul. Elle inclut des utilitaires pour évaluer les performances du modèle par rapport à des jeux de données de référence afin de vérifier la précision du processus d'extraction.