我想计算特定语言（例如英语）的维基转储中的实体/类别。对于初学者来说，官方文档很难找到/遵循。到目前为止我所理解的是，我可以下载 XML 转储（我从所有可用的不同文件中下载什么），并解析它（？）以计算实体（文章主题）和类别。
该信息即使有，也很难找到。请帮助提供一些有关我如何使用它的说明或我可以了解它的资源。
谢谢！
如何创建一个联合模型，股票的参数知识图嵌入（KGE）模型，塔克（如下），和手套（与尺寸一起承担共生矩阵已经有售）pytorch？
换句话说，联合模型必须服从CMTF的标准（Ç oupled中号ATRIX和Ť恩索尔˚F actorizations）框架和从所述两个嵌入物必须在训练期间被捆扎的权重。这里的问题是 KGE 需要一个三元组（主题、关系、对象），而 GloVe 需要一个共现矩阵。此外，它们的损失函数的计算方式也不同。
class TuckER(torch.nn.Module):
def __init__(self, d, d1, d2, **kwargs):
super(TuckER, self).__init__()
self.E = torch.nn.Embedding(len(d.entities), d1)
self.R = torch.nn.Embedding(len(d.relations), d2)
self.W = torch.nn.Parameter(torch.tensor(np.random.uniform(-1, 1, (d2, d1, d1)),
dtype=torch.float, device="cuda", requires_grad=True))
self.input_dropout = torch.nn.Dropout(kwargs["input_dropout"])
self.hidden_dropout1 = torch.nn.Dropout(kwargs["hidden_dropout1"])
self.hidden_dropout2 = torch.nn.Dropout(kwargs["hidden_dropout2"])
self.loss = torch.nn.BCELoss()
self.bn0 = torch.nn.BatchNorm1d(d1)
self.bn1 = torch.nn.BatchNorm1d(d1)
def init(self):
xavier_normal_(self.E.weight.data)
xavier_normal_(self.R.weight.data)
def forward(self, e1_idx, r_idx):
e1 = self.E(e1_idx)
x = self.bn0(e1)
x = …我研究有关知识网络中链接预测的论文。作者通常报告“Hits@k”。我想知道如何计算 hist@k 以及它对模型和结果意味着什么？
从实际角度来看，我一直在努力理解这些技术何时有用，以及它们之间有何不同。专家可以检查一下我的理解吗？
图形数据库：当关系复杂、继承、以不同程度的置信度推断并且可能发生变化时，图形数据库比关系数据库更容易理解和管理。一些示例：用户不知道他们需要层次结构的深度；从社交媒体推断关系，对 ID 解析、主题解析和关系强度有不同程度的置信度；或者不知道他们要存储什么类型的呼叫中心数据；所有这些都可以存储在关系数据库中，但它们需要不断更新。它们对于某些任务也更具表现力。
本体：这些正式且标准化的知识表示用于打破数据孤岛。例如，假设一家 B2B 销售公司从多个不同的业务领域获得收入，其中包括一次性付款、订阅、IP 销售和咨询服务。收入数据存储在许多不同的数据库中，这些数据库具有很多特性。本体允许用户将“客户付款”定义为“创造或退还收入”的任何内容，以便主题专家可以在其数据库中适当地标记付款。本体可以与图数据库或关系数据库一起使用，但是对类继承的强调使得它们在图数据库中更容易实现，在图数据库中可以轻松地对类的分类进行建模。
知识图：知识图是一种图数据库，其中语言（含义、实体和节点分类法）由本体管理。因此，在我们的 B2B 示例中，“客户付款”边缘具有一次性付款、订阅等子类型，并将“客户”类连接到“业务线”类。
这基本上是正确的吗？
知识图谱和本体有什么区别？其中哪一个依赖于另一个？
我明白那个 ：
两者都用节点和边表示，表示实体以及这些实体之间的关系。
知识图谱更具体，针对特定应用，而本体则更通用。
在构建知识图谱时会参考本体来检查该知识图谱的一致性。
我对么？
我正在使用 neo4j 创建电子邮件中实体之间关系的知识图。我现在需要将自然语言搜索查询转换为密码查询。我一直无法找到与此相关的任何具体信息。我该如何继续？