摘要
前言 在上一节中，我们讲解了关系挖掘。当被关系挖掘之后，我们就要考虑如何存储这些关系了。在前面我们也看看到了，由于关系本身是一种很像图的数据结构——由“节点”和有方向的“边”组成，那么这种关系如果要想储存用图数据库就更合适一些。虽然用关系型数据库不是说一定不能存储，而是在关系型数据库在底层的实现和上层使用的服务原语之间还差一层东西来帮我们进行图层面的描述。图层面的存储和计算需要在人和关系型数据库
对不起，该文章为付费内容，购买后才可阅读
立即购买
请登录后发表评论
登录
全部评论
人人都是NLP应用专家
- 目录
- 开篇词：人人都是NLP应用专家
- 1 语言与文字
- 1.1 英文、中文、日文等的区别
- 1.2 分词技术与算法
- 1.2.1 正向最大匹配法
- 1.2.2 基于HMM的分词法
- 1.2.3 用户词典
- 2.1 TF-IDF
- 2.3 逻辑回归算法
- 3.2 神经网络的通俗理解
- 3.3 神经网络的训练
- 3.4 神经网络为什么这么强
- 5.2.1 卷积神经网络
- 5.2.1.1 卷积
- 5.2.2 用TextCNN做文本分类
- 5.2.1.3 卷积层
- 5.2.1.4 池化层
- 6 命名实体识别应用
- 6.1 循环神经网络
- 6.2 基于循环神经网络的NER
- 6.3 基于NER的自动填单系统小试
- 7 知识图谱
- 7.1 关系挖掘
- 7.2 关系保存
- 7.3 应用场景简介
- 8 语言模型简介
- 8.1 Attention（注意力机制）和Transformer
- 8.2 ELMo
- 8.3 BERT模型介绍
- 深度学习是什么
- Word2vec
- Doc2vec技术
