这种缺失的实体和关系降低了

messi31

数据图的有用性。一些方法从文本中提取句法和语义知识例如来自网络并将其与数据图中的语义知识相结合。确定数据与事实之间关系的准确性从文本和数据图中提取的知识用作训练机器学习算法的输入该算法可预测数据图的元组。经过训练的机器学习算法可以为给定的关系生成多个加权特征其中每个特征代表关于两个实体如何相互关联的结论。特征权重的绝对值可以代表特征在决策中的相对重要性。谷歌在其他专利中表示他们测量了这种关系之间的可能准确性并将这些权重称为关联分数。然后经过训练的机器学习算法可用于通过分析大型语料库中的文档和数据。

图中的现有信息来创建其 卡塔尔移动的电话数字 他元组。这种方法为数据图提供了大量的附加元组可以极大地扩展这个数据图。在一些方法中每个预测元组可以与置信值相关联并且只有满足阈值的元组才会自动添加到数据图中。有关此内容的更多信息请参阅博客中之前提到的帖子。剩余元组所表示的事实可以在将它们添加到数据图中之前手动验证。一些方法允许从数据图中回答自然语言搜索查询。可以训练机器学习模块将特征映射到查询并且使用这些特征来提供可能的搜索结果。训练可能涉及使用来自搜索数据集的正例或从基于文档的搜索引擎获得的搜索结果。



经过训练的机器学习模块可以生成多个加权特征其中每个特征代表由数据图中的路径表示的可能答案。特征权重的绝对值代表了决策中的相对重要性。一旦使用多权重特征进行了适当的训练机器学习模块就可以用于使用数据图中的信息来回答自然语言查询。一种方法涉及使用经过训练的机器学习模块来生成具有用于搜索查询的多个加权特征的模型其中每个加权特征代表数据图中的一条路径。该方法还包括接收包含第一搜索项的搜索查询将搜索查询映射到查询将第一搜索项映射到数据图中的第一实体以及使用第一实体来识别数据图中的第二实体以及多重加权特征中的至少。