相关技术
Python学习
在学习知识图谱的过程中，掌握Python技术是必不可少的，尤其是在NLP方面，各种模型的训练以及数据的处理都需要借助Python。以下给出学习Python的推荐书目及在线课程：
《Python 编程基础及应用》 主编：陈波、刘慧君 高等教育出版社
你可以通过下面的网站进行学习：
Java学习
基于知识图谱的应用往往是需要借助Spring boot框架来实现的。如果说Python主要应对的是模型类问题，那么Java主要负责的是工程的搭建，在知识图谱的学习过程中，掌握Java技术也是必不可少的。
我们在微服务基础中已经提到过了Java学习的路线。在此不赘述。
自然语言处理NLP算法
自然语言处理（Natural Language Processing，NLP）的 基础算法包括词法分析、句法分析、语义分析、文档分析。
词法分析
词法分析包括分词、词性标注、实体识别、拼写检查等。
句法分析
句法分析是自然语言处理（natural language processing, NLP）中的关键底层技术之一，其基本任务是确定句子的句法结构或者句子中词汇之间的依存关系。根据句法结构的表示形式不同，最常见的句法分析任务可以分为以下三种：
句法结构分析（syntactic structure parsing），又称短语结构分析（phrase structure parsing），也叫成分句法分析（constituent syntactic parsing）。作用是识别出句子中的短语结构以及短语之间的层次句法关系。
依存关系分析，又称依存句法分析（dependency syntactic parsing），简称依存分析，作用是识别句子中词汇与词汇之间的相互依存关系。
深层文法句法分析，即利用深层文法，例如词汇化树邻接文法（Lexicalized Tree Adjoining Grammar， LTAG）、词汇功能文法（Lexical Functional Grammar， LFG）、组合范畴文法（Combinatory Categorial Grammar， CCG）等，对句子进行深层的句法以及语义分析。
语义分析
词语级语义分析
词汇层面上的语义分析主要体现在如何理解某个词汇的含义，主要包含两个方面：词义消歧和词义表示。
句子级语义分析
句子级的语义分析试图根据句子的句法结构和句中词的词义等信息，推导出能够反映这个句子意义的某种形式化表示。根据句子级语义分析的深浅，又可以进一步划分为浅层语义分析和深层语义分析。
4.文档分析
文档是指由一系列连续的子句、句子或语段构成的语言整体单位，在一个文档中，子句、句子或语段间具有一定的层次结构和语义关系，文档结构分析旨在分析出其中的层次结构和语义关系。具体来说，给定一段文本，其任务是自动识别出该文本中的所有篇章结构，其中每个篇章结构由连接词，两个相应的论元，以及篇章关系类别构成。篇章结构可进一步分为显式和隐式，显式篇章关系指连接词存在于文本中，而隐式篇章关系指连接词不存在于文本中，但可以根据上下文语境推导出合适的连接词。对于显式篇章关系类别，连接词为判断篇章关系类别提供了重要依据，关系识别准确率较高；但对于隐式篇章关系，由于连接词未知，关系类别判定较为困难，也是篇章分析中的一个重要研究内容和难点。
你可以参考下面的博客做进一步了解。
上方介绍的仅仅是基础的自然语言处理算法，更加复杂、高级的NLP算法可以自行阅读文献或博客。
Neo4j
Neo4j是一个图形数据库，可以用来存储知识图谱。
Neo4j是一款强健的，可伸缩的高性能图数据库。图数据库是用图来存储数据，是一种高性能的用于存储数据的数据结构方式。只要学习过离散数学或者图论的人对于图的概念来说不会太陌生。
图数据库主要是由节点（node）、关系（relationship）、属性（property）组成的。
最简单的图就是一个单节点，记录了一些属性。
关系主要用于把不同的节点组织在一起，形成一张图。关系可以把节点组织成任意的结构，列表、树或者其它复杂的实体。关系本身也是可以有属性的。
Last updated
