| 基础能力 | 领域泛化能力 | 跨领域能力 | 现实问题解决能力 | 开放服务使用能力 |
|---|---|---|---|---|
| 知识图谱载入与构建 | 领域启发式知识表示处理与推理应用 | 跨领域知识融合表示学习与推理（待支持） | 大规模高效率知识图谱学习与推理 | 前沿算法集成与高性能模型调用 |
| 知识图谱表示与学习 | 通用分布式知识表示学习与推理应用 | 跨模态知识统一表示学习与推理（待支持） | 隐私安全知识图谱联合学习与推理 | 典型知识图谱应用系统开发使用 |
| 知识图谱推理与应用 | 领域场景高质量开放数据集提供 |
| 模块 | 依赖 |
|---|---|
| all | Python 3.7 / NumPy - 1.19.5 (https://github.com/numpy/numpy) / NetworkX - 2.4 (https://github.com/networkx/networkx) |
| models | scikit-learn - 0.22.1 (https://github.com/scikit-learn/scikit-learn) |
| distributed | PGL - 2.1.5 (https://github.com/PaddlePaddle/PGL) / Paddle - 1.8.5 (https://github.com/paddlepaddle/paddle) |
| models.paddle | Paddle - 1.8.5 (https://github.com/paddlepaddle/paddle) |
| models.pytorch | PyTorch - 1.7.1 (https://github.com/pytorch/pytorch) |
| models.tensorflow | TensorFlow - 1.14.0 (https://github.com/tensorflow/tensorflow) |
| models.pytorch.kg_learn_dist | Ray - 1.0.0 (https://github.com/ray-project/ray) |
| models.mllib | gensim - 3.8.3 (https://github.com/RaRe-Technologies/gensim) / jieba - 0.42.1 (https://github.com/fxsjy/jieba) |
| market | onnx - 1.7.0 (https://github.com/onnx/onnx) |
python -m examples.kg_qa.py
python -m examples.text_entity.py
python -m examples.text_keyphrase.py
python -m examples.kg_learn.py
python -m examples.kg_dist_learn.py
python openks/distributed/openKS_launcher.py --mode cpu --worker_num 2 --server_num 2 main_dist.py
- 图谱数据载入与图谱结构生成
from openks.loaders import loader_config, SourceType, FileType, GraphLoader
# 使用loader_config配置数据载入参数，包括数据来源（本地文件/图数据库）、数据文件格式类型（OpenKS格式/压缩目录）、文件路径、数据集名称等
loader_config.source_type = SourceType.LOCAL_FILE
loader_config.file_type = FileType.OPENKS
loader_config.source_uris = 'openks/data/medical'
loader_config.data_name = 'test-data-set'
# 数据文件载入为内存数据集格式，并进行数据集信息展示
loader = Loader(loader_config)
dataset = loader.dataset
dataset.info_display()
# 知识图谱数据内存数据格式载入，并进行图谱信息展示（可以不进行数据集载入而直接进行图谱载入）
graph_loader = GraphLoader(loader_config)
graph = graph_loader.graph
graph.info_display()
from py2neo import Graph
# 可以将内存图谱数据写入neo4j图数据库中用于下游任务
graph_db = Graph(host='127.0.0.1', http_port=7474, user='neo4j', password='123456')
graph_loader.graph2neo(graph, graph_db, clean=False) # clean为False表示不进行清空，True为清空并重新导入
- 图谱表示学习模型训练
from openks.models import OpenKSModel
# 列出已注册的所有算法模型
OpenKSModel.list_modules()
# 算法模型选择配置，包括框架选择、模型大类选择、算法选择等
platform = 'Paddle'
model_type = 'KGLearn'
model = 'TransE'
# 算法模型加载与训练（如需要分布式训练，需配置run方法的参数，如run(dist=True)）
model_type = OpenKSModel.get_module(platform, model_type)
kgmodel = model_type(graph=graph, model=OpenKSModel.get_module(platform, model), args=None)
kgmodel.run(dist=False)
- 知识图谱问答
from openks.apps.qa import RuleParserMedical, AnswerFetcher
# 选择自定义的问题解析类并进行规则和模型预加载
parser = RuleParserMedical(graph)
# 输入问题并对问题进行结构化解析
question = input("输入问题：")
struc_q = parser.parse(question)
# 根据结构化问题获取答案，支持直接内存数据匹配、外部数据库查询、图谱向量表示计算等方式
fetcher = AnswerFetcher(struc_q, graph)
print(fetcher.fetch_by_db_query(graph_db))
| 算法名称 | 算法功能 | 实现框架 |
|---|---|---|
| Rake/Topic-Rake | 概念短语抽取 | 传统机器学习 |
| GRU/LSTM | 实体识别 | PaddlePaddle/PyTorch/TensorFlow |
| Nero | 关系抽取 | PyTorch |
| TransE | 知识图谱表示学习 | PaddlePaddle/PyTorch |
| TransH | 知识图谱表示学习 | PaddlePaddle/PyTorch |
| TransR | 知识图谱表示学习 | PaddlePaddle/PyTorch |
| RotatE | 知识图谱表示学习 | PyTorch |
| GCN | 图嵌入表示学习 | PaddlePaddle/PyTorch |
| GAT | 图嵌入表示学习 | PyTorch |
| GIN | 图嵌入表示学习 | PyTorch |
| MPNN | 图嵌入表示学习 | PyTorch |
| DyE | 图嵌入表示学习 | PyTorch |
| KGC | 图嵌入表示学习 | PyTorch |
| GCN-REC | 图推荐算法 | PyTorch |
- 学生：宗畅、倪子煊、慕宗燊、叶钰楠、张凤达、常嘉乐、李星晨、王晓强、李俊成、李嘉成、沈锴、戴光裕、陈董、丁亚东、黄成越、唐作其、李佳晖、肖少宁、高凯锋、胡一帆、周宇航、叶寅
- 教师：庄越挺、汤斯亮、肖俊、吴超、鲁伟明、张寅、杨易、杨洋、况琨
浙江大学、北京大学、北京航空航天大学、哈尔滨工业大学、西北工业大学、之江实验室、百度、海康威视、同盾科技、科大讯飞、量知数据