有需要为该开源项目贡献的小伙伴可以联系我哟。

• Deep learning for Knowledge-Graph
  • 资源外链
  • 知识图谱的前世今生
  • 研究总结列表
    • 专题研究
    • KG&QA相关理论解析
    • NLP 相关论文解析
    • 中文金融文档结构化研究
    • 知识图谱相关会议
    • 事理图谱
    • 对话系统技术
    • 关于NLP/对话/KG的商业化相关（仅供交流学习）
    • 主流开源的问答&&对话系统列表
    • 主流语义平台列表
    • 中英文文本预处理工具列表
    • 图存储与查询工具
    • 可视化工具
    • 中英文知识图谱数据集列表
  • 比赛
  • 思考
  • Star History
  • 说明
  • Contact

探索认知智能系列---趋势：1. 数据融合知识；2. All in LLM。 包括知识获取、知识库构建、基于知识库的问答系统系列技术研究与应用。涉及到NLP领域的前沿技术和论文。

• NLP-Progress

  Repository to track the progress in Natural Language Processing (NLP), including the datasets and the current state-of-the-art for the most common NLP tasks.

• paperswithcode

  提供了论文和代码。

• 技术在线

  个人日常技术和闲聊网站。

1. 基于知识图谱的对话系统

1. 知识图谱综述
2. 知识图谱的挑战
3. 深度学习与知识图谱
4. CN-DBpedia: A Never-Ending Chinese Knowledge Extraction System
5. KBQA
6. 赵汀阳：人工智能的自我意识何以可能？1-3
7. NLP University 开张大吉--李维老师，Simon Fraser University，博士
8. ACL 2019 知识图谱的全方位总结

1. The Illustrated Transformer
2. An Attentive Survey of Attention Models
3. BERT:Bidirectional Encoder Representations from Transformers
4. ERNIE:Enhanced Representation through Knowledge Integration
5. ERNIE: Enhanced Language Representation with Informative Entities
6. Google T5: Text-To-Text Transfer Transformer

1. Doc2EDAG

1. 事理图谱综述
2. 白硕：事理图谱六问六答

1. CSDN|公开课笔记：一文详解启发式对话中的知识管理_aispeech
2. 对话系统综述
3. 对话系统中的口语理解技术(SLU)

1. 语音交互中的自然语言处理技术－－xiaomi
2. 精益知识图谱方法论--文因互联
3. 小i机器人在中文语义开放平台的研究与进展--小ｉ机器人
4. 科大讯飞-从应用角度来看知识图谱的价值和挑战--科大讯飞

1. ATEC蚂蚁开发者大赛之学习赛--NLP之问题相似度计算--2019-3
2. 百度2019语言与智能技术竞赛之第二赛道--知识驱动对话--2019-4
3. SMP2019中文人机对话技术评测（ECDT）,子任务：领域分类、意图识别和语义槽填充--Task1:自然语言理解评测--2019-5

• 知识图谱的构建是一个体系化的工程项目，目前结合深度学习技术以及自然语言处理知识在一定程度上提升了构建的效率并降低了成本。知识图谱的地位在认知智能是一个基础资源设施，基于此可以进行问答、对话、、推荐系统、可解释性的增强等方面的应用。
• 目前对于垂直领域的知识图谱构建需求较多。应用方面在智能问答和主动式对话系统的实践是比较热点的方向。
• 个人觉得一套爬虫系统可以为知识库提供动态更新的知识来源。
• 结合知识/常识的对话系统，更具准确性和多样性，是一个值得研究的方向，可让机器引导用户进行话题的交流。如上面比赛２就是这一方向的应用。　　
• 自然语言处理/理解目前门槛已经高升到了BERT啦,在绝大数任务中基本都是必提的，基于Transformer做编码器！如何在模型训练中融入知识（可以是多模态）已是目前研究的热点方向，如百度最近提出的ERNIE表示模型就引入这一**，也在下游任务中取得了不错的效果。
• 知识图谱的表示研究问题（Knowledge Graph Embedding, KGE)是当前的一个研究热点。
• 多模态数据知识融合应该是领域性机器智能走向通用知识智能的一个重要探索阶段。一是，由于多模态数据自身特点，结构化是非常重要的，结构化后可以极大丰富知识图谱的知识构成，更具丰富的表达。二是，CV、NLP组件化后的若能打通两者并协同工作感觉也比较有意思，比如问答场景的回复内容更丰富，和人们更加自然交流等。
• <strong>针对文本数据的结构化，除了选用机器学习方法外，也可以结合正则表达式进行数据的抽取、模型建模的中间处理环节等。如：正则表达式结合深度学习 </strong>
• 20230226：NLP的发展从2022年的后半程到2023年又是一次范式的变化，随着ChatGPT问世，领域内外无人不晓，在各行各业引起了热列的讨论，国内外大厂纷纷跟进。譬如LLM（Large Language Model）、AIGC（AI Generated Content）、NLP部分细分任务因LLM走向大一统，LLM成为各行各业基础设施等话题层出不穷。ChatGPT的出现一是给人一种惊喜，二是给人新的探索可能，三是对于AI也算一是普及。
  • 从体验chatgpt来看，基本上是我把前面的思考全部覆盖了，信息抽取，对话，观点生成，思维链--有推理，可加入新知识进行更新，写代码，最为惊喜的是能一本正经的胡说八道，对于逻辑性问题还能罗列步骤。
  • 从论文中进一步了解原理。GPT-1到GPT3的发展，认识Transformer基础架构。
• 20230521：国内的LLM跟进速度非常快，发布了自研大语言模型，也有开源的，如清华的ChatGLM-6/130b等。围绕LLM的生态发展也很快，各类应用，如Chatpdf，插件等，最近OpenAI发布了ChatGpt IOS版本，更是将LLM的落地推进了一大步，可以畅想未来好多应用都会基于LLM的能力。针对如何基于LLM搭建一些应用，开源框架LangChain迭代速度非常快，基本几行代码就能让你快速体验如基于个人文档的问答， 向量的计算，存储等，方便快捷，推荐大家学习和使用。针对文本，其实大多数文本是非结构化的，如pdf，word，html等需要基于其他工具结构化，langchain也提供了开源方式。LLM私有化部署+本地化知识接入+插件化扩展LLM的能力是当前发展的方向。

• 以上内容均为个人在学习过程的相关整理（包含互联网内容、个人整理笔记等），希望对研究学习认知智能领域的小伙伴有帮助。

• CSDN
• 个人网站
• wiki-技术总结
• 邮箱：[email protected]
• 更新时间：2023.5.21
• 李航航