知識圖譜源碼

① 淺談知識圖譜技術及其應用補全

前言及背景：在構建知識圖譜的過程中，大量知識信息來源於文檔和網頁信息，在從文檔提取知識的過程中往往會有偏差，這些偏差來自於看兩方面：

（1）文檔中會有很多雜訊信息，即無用信息，它的產生可能來自於知識抽取演算法本身，也可能和語言文字本身的有效性有關；

（2）文檔信息量有限，不會把所有知識都涵蓋進去，尤其是很多常識性知識。

以上都會導致知識圖譜是不完整的，所以 知識圖譜補全 在構建知識圖譜中日益重要。
通過 已獲取的知識 來對實體間進行關系預測，以達到對實體間關系的補全，也可以是實體類型信息的補全。該過程可以利用本知識庫內部的知識，也可以引入第三方知識庫的知識來幫助完成。
整理了一份200G的AI資料包：
①人工智慧課程及項目【含課件源碼】
②超詳解人工智慧學習路線圖
③人工智慧必看優質書籍電子書匯總
④國內外知名精華資源
⑤優質人工智慧資源網站整理（找前輩、找代碼、找論文都有）
⑥人工智慧行業報告
⑦人工智慧論文合集
/p3.toutiaoimg.com/origin/tos-cn-i-qvj2lq49k0/","uri":"","width":31,"height":27,"darkImgUrl":"https://p3.toutiaoimg.com/origin/tos-cn-i-qvj2lq49k0/","darkImgUri":"","formulaImgStatus":"succeed"}" class="syl-plugin-formula">
資料在網盤里排列的非常整齊干凈！希望對大家的學習有所幫助， 私信備注【05】添加領取

知識圖譜補全分為兩個層次： 概念層次的知識補全 和 實例層次的知識補全 。
往往提到知識圖譜構建過程中只是提及了實體和關系的抽取，然後就可以生成實體和關系組成的RDF了。
但是，僅僅獲取三元組是不夠的，還要考慮這些，因為三元組中的實體除了具有屬性和關系之外，還可以 映射關聯到知識概念層次的類型（type），而且一個實體的類型可以有很多 。

例如：實體奧巴馬的類型在不同關系中是有變化的。
在出生信息描述中，類型為人；在創作回憶錄的描述中其類型還可以是作家；在任職描述中還可以是政治家。

實體類型的概念層次模型
在這里：人、作家、政治家這些概念之間是有層次的，也就是所說的概念的層次模型。

1、概念層次的知識補全——主要是要解決實體的類型信息缺失問題
正如前面的例子所描述，一旦一個實體被判別為人這個類型，那麼在以構建好的知識模式中，該實體除了人的類型外仍需要向下層概念搜索，以發現更多的類別描述信息。
（1）基於描述邏輯的規則推理機制。
本體論和模式 ：實體都可以歸結為一種本體，而這種本體會具有一組模式來保證其獨特性，這組模式可以用規則來描述，因此，對於本體而言，其可以由這組規則來描述。
例如，奧巴馬是個實體，他的本體可以歸為人，而人的模式就是可以使用語言和工具、可以改造其他事務等等，這些模式可以通過規則來描述，於是基於描述邏輯的規則推理方法就出現了。
描述邏輯 是一種常見的知識表示方式，它建立在概念和關系之上。
比如，可以將關於人的實體實例（可以是文本）收集起來，從中提取出其中模式並以規則的形式記錄下來，這樣一來，只要遇到一個新的實體實例 ，只需將其代入到之前記錄下的規則中進行比較即可做出判斷，如果符合規則，就說明該實例可以歸類為人的概念類型，否則就判定為非此概念類型。
（2）基於機器學習類型推理機制
經過基於描述邏輯的規則推理的發展階段後，機器學習相關研究開始占據主流，此時 不是單純地利用實例產生的規則等內部線索來進行判斷，同時也要利用外部的特徵和線索來學習類型的預測 。
對一個未知類型實體e1而言，如果能找到一個與其類似的且已知類型的實體e2的話，那麼就可以據此推知實體e1的類型應該與e2的類型一致或至少相似。
此類方法主要可以分為：基於內容的類型推理、基於鏈接的類型推理和基於統計關系學習的類型推理（如，Markov邏輯網）幾個方向。
（3）基於表示學習類型推理機制
將嵌入式學習和深度學習引入到類型推理，基於機器學習的類型推理方法大多假設數據中沒有雜訊，且其特徵仍然需要認為選擇和設計，引入深度學習可以避免特徵工程。而類型推理要依據文本內容，也需要鏈接結構等其他特徵的支持，此時嵌入式方法可以發揮其自身優勢。

2、實例層次的知識補全
可以理解為：對於一個實例三元組（SPO，主謂賓），其中可能缺失情況為（？，P，O），（S，？，O）或者（S，P，？），這就如同知識庫中不存在這個三元組，此時需要預測缺失的實體或者關系是什麼。
事實上， 很多缺失的知識是可以通過已經獲得的知識來推知的 ，有時這個過程也被稱為 鏈接預測 。

注意 ：有時知識不是缺失的，而是 新出現 的，即出現了新的三元組，且這個三元組不是原知識庫所已知的知識，此時需要將其作為新知識補充道知識庫中，但此種情形 不是傳統意義的補全 。
（1）基於隨機遊走的概率補全方法
（2）基於表示學習的補全方法

知識圖譜嵌入流程：
①結構嵌入表示法
②張量神經網路法
③矩陣分解法
④翻譯法

（3）其他補全方法
跨知識庫補全方法、基於信息檢索技術的知識庫補全方法、知識庫中的常識知識補全

面臨的挑戰和主要發展方向：
（1）解決長尾實體及關系的稀疏性。
知名的明星的關系實例會很多，而對於普通民眾的實例就很少，但是他們數量卻眾多，導致其相關的關系實例也是十分稀疏，而且在數量不斷增加的情況下，這種情況會更加明顯。
（2）實體的一對多、多對一和多對多問題。
對於大規模數據，不是一對十幾或者幾十數量級那麼簡單，而是成百上千的數量級，傳統的解決方案無法有效深圳根本無法解決此種數量級別的關系學習問題。
（3）三元組的動態增加和變化導致KG的動態變化加劇。
新知識源源不斷的產生，而之前的知識可能被後面證明是錯誤的，或者需要修正的。這些都會使得知識補全的過程也需修正改變，如何使得知識圖譜補全技術適應KG的動態變化變得越來越重要，而這方面的技術還未引起足夠的重視。
（4）KG中關系預測路徑長度會不斷增長。
關系預測能推理的長度是有限的，但在大規模知識圖譜閃光，實體間的關系路徑序列會變得越來越長，這就需要更高效的模型來描述更復雜的關系預測模型。

② 目前提供開放API的中文知識圖譜有哪些

中文知識圖譜（Chinese Knowledge Graph）[1] ，最早起源於Google Knowledge Graph。知識圖譜本質上是一種語義網路。其結點代表實體（entity）或者概念（concept），邊代表實體/概念之間的各種語義關系。中文知識圖譜的直接推動力來自於一系列實際應用，包括語義搜索、機器問答、情報檢索、電子閱讀、在線學習等等。網路[2] 、搜狗以及復旦大學GDM實驗室[1] 相繼推出了其中文知識圖譜。

●允許用戶搜索搜索引擎知道的所有事物，人物或者地方，包括地標，名人，城市， 球隊，建築，地理特徵，電影，天體，藝術作品等等，而且能夠顯示關於你的查詢的實時信息。它是邁向下一代搜索業務關鍵的第一步，使得搜索智能化，根據用戶的意圖給出用戶想要的結果。

●知識圖譜本質上是一種語義網路。其結點代表實體（entity）或者概念（concept），邊代表實體/概念之間的各種語義關系。

●知識圖譜相對於傳統的本體和語義網路而言，實體覆蓋率更高，語義關系也更加復雜而全面。

③ 全國大學生計算機設計大賽軟體開發組怎麼准備，用什麼軟體製作

2021程序員的出路在哪裡
登錄

呂小巷
關注
全國大學生計算機設計大賽經驗分享（faceSchool） 原創
2018-12-27 16:12:45
85點贊

呂小巷

碼齡4年

關注
距離考研結束已經有4天的時間了，在經歷過幾天的瀟灑時光後還是想和大家分享一下我的考研路程當中的一些過程。在這大半年的時間里，很多人都以為我絕大多數時間都放在考研上了，其實不是的，我還是做了一些其他我覺得很有意思的事。比如說在考研過程中我就去參加了計算機設計大賽，也榮幸的拿了國家一等獎，還是有點小驕傲哈。下面言歸正傳，我就正式談談參加計賽的經驗吧。（至於考研的經驗我想在初試成績出來之後在和大家正式分享）

作為參加了兩屆計賽的學長，其實想告訴大家這個比賽還是很有套路的，一旦掌握了套路，其實獲獎還是很好獲得的。

關於比賽的評委和評判標准：值得注意的是校賽、市賽和國賽的評委們的評判標準是有些許不同的，所以自然得到的成績也有很大的不同，不過校賽和國賽的評判還是比較類似的，市賽的標准就稍微有些許不同。其實筆者認為，計賽講究的主要是兩點內容：創新和演算法。尤其是市賽最為講究演算法的編寫，而國賽則更注重創新些。而且值得注意的是：國賽的很多評委都是老一輩的教授，所以大家就要好好琢磨怎麼能說服老一輩的評委你們的項目是非常有實用價值的是非常重要的。

關於選題的建議：相信還是有不少同學還是不知道要做什麼或者從何下手，所以筆者想告訴大家國賽的評委們偏於老齡化，他們大多喜聞樂見於一些比較新穎的技術和選題。所以大家可以多將現在市面上比較火熱的技術和我們平時的生活結合起來去確定自己的軟體所要實現的目標。像筆者本人今年的參賽軟體就是將活體人臉識別技術和地理信息定位應用於上課點名所做的一個考勤系統，其中還使用了NLP自然語言處理和網路AI的情感識別做了一個評論系統，主要是解決我們平日學習中曠課率、遲到率、代課率等問題；而筆者的一個朋友則是使用來區塊鏈、票據市場以及財大的特色所做的一個系統也獲得了一等獎。所以筆者還是建議大家多使用一些現在的新的技術，並結合身邊生活中的一個問題來做一個有用的系統，記住一定要新，選題不新穎的話老師會很容易地問道為什麼我要用你的軟體而不用市面上現在比較成熟的軟體。

關於新穎的技術如何學習和選擇：筆者在這里可以給大家提供一些比較新穎的技術網站供大家去考慮，裡面有很多現成的api可供大家去考慮。1、網路AI，網址：http://ai..com/ ；2、 騰訊AI，網址：https://ai.qq.com/ ；3、以太坊，網址：https://ethfans.org/ ；4、圖靈機器人，網址：http://biz.turingos.cn/home ；5、騰訊大數據平台，網址：https://data.qq.com/ ；6、知識工場，網址：http://kw.fudan.e.cn/ 。讀者推薦大家考慮一下知識工場，畢竟知識圖譜是一個大熱門，很好應用於實際的項目中，而且可以做的特別炫目，並且參加計賽的人裡面很少有人用知識圖譜，還是屬於比較新穎的技術。

關於團隊分工：這是一個非常重要的點。因為一般的項目團隊都有三個人，所以在我看來最好的搭配就是一個前端、一個後端、一個專門負責文檔的編寫。（文檔的編寫是真的很麻煩）

前端：如果是參加的web網站設計的化，筆者的建議是不論怎樣都至少要做一個移動端的簡易版的使用，因為第一年參加比賽的時候筆者就被問道：現在都移動互聯網的時代了，你們這個項目想法可以，就是使用起來太麻煩了。所以第二年筆者就做了一個移動端（小程序），評委們也就沒在說我們這個不方便使用了。對於移動端的製作，筆者的建議是做一個小程序，因為小程序真的很好學，代碼寫起來很像HTML、CSS、JavaScript，很簡單的，關鍵是它的優勢在於不論是Android還是iOS，它都適用。（小程序學習網址：https://developers.weixin.qq.com/miniprogram/dev/index.html）

後端：我建議大家還是用框架來寫代碼，因為用框架真的很方便，很多前輩都事先寫好了很多非常好用的介面，像圖片、視頻等的存儲，用原生的代碼寫的話，不會使用緩存的情況下是真的運行的很慢，但是用框架的話，就不會存在這樣的問題了，因為前輩們早就設計好了優秀的現成的介面可供使用，而且有空的話還可以看他們寫的源碼來學習，最關鍵的是企業招聘人的時候都要求是會運用框架的人。當然我不是說寫原生不好，原生是內功，大家也還是要注意的。不過框架的學習在開始的時候可能會存在一定的問題，不過我相信大家肯定可以很好的解決這個問題的啦！筆者在這里推薦大家學幾個框架：Thinkphp、Django、SpringBoot。其中前兩個比較好學，分別是php和python的框架、後面一個相對難些，是Java的。對於想學爬蟲的人可以學習Django，因為這個和爬蟲框架Scrapy用起來特別像，很好同時掌握，據說Django和Scrapy是同一個開發團隊開發的，所以很像，當然我只是聽說，不知道實際是怎樣的，哈哈哈。

文檔：文檔的編寫是真的很繁瑣的，因為文檔有很多，所以最好要有一個人專門寫文檔，尤其是要會UML圖的構建，思維導圖的建立等等。文檔的編寫一定要注意時間節點，如果錯過了時間節點，那就相當可惜了。

關於編程語言學習：相信有很多的同學目前暫時找不到比較好的編程語言或者框架學習網站，在這里筆者推薦幾個筆者覺得比較好的網站：1、慕課網，網址：https://www.imooc.com/ ；2、實驗樓，網址：https://www.shiyanlou.com/ ；3、中國慕課MOOC，網址：https://www.icourse163.org/ ；4、CSDN，網址：https://www.csdn.net/ ；5、Github，網址：https://github.com/ 。慕課網和實驗樓里的部分比較好的實戰課程現在都是需要用錢買的，比較貴，大家可以去咸魚、轉轉上找錄屏課，某寶上已經被某寶官方強制下架了，當然如果大家實在找不到的話可以在公眾號後台向我要一些框架的學習視頻，我還是有一些課程視頻庫存的。中國慕課的缺點在於時效性，過了課程的學習時間就不能再看了，可能是為了保護老師們的知識勞動權益。CSDN的作用很大，對於新手來說，CSDN應該可以cover你所有的問題。Github相信大家都是知道的，這個的主要作用還是在於在上面搜搜現成項目來學習別人的構建軟體思路或者是搜索一些很好用的插件比如說爬蟲中常用的IP代理池和fake-useragent等等。

④ 自然語言處理基礎知識

NLP 是什麼？

NLP 是計算機科學領域與 人工智慧 領域中的一個重要方向。它研究能實現人與計算機之間用自然語言進行有效通信的各種理論和方法。自然語言處理是一門融語言學、計算機科學、數學於一體的學科。NLP 由兩個主要的技術領域構成：自然語言理解和自然語言生成。

自然語言理解方向，主要目標是幫助機器更好理解人的語言，包括基礎的詞法、句法等語義理解，以及需求、篇章、情感層面的高層理解。

自然語言生成方向，主要目標是幫助機器生成人能夠理解的語言，比如文本生成、自動文摘等。

NLP 技術基於大數據、知識圖譜、 機器學習 、語言學等技術和資源，並可以形成機器翻譯、深度問答、對話系統的具體應用系統，進而服務於各類實際業務和產品。

NLP在金融方面

金融行業因其與數據的高度相關性，成為人工智慧最先應用的行業之一，而NLP與知識圖譜作為人工智慧技術的重要研究方向與組成部分，正在快速進入金融領域，並日益成為智能金融的基石。輿情分析輿情主要指民眾對社會各種具體事物的情緒、意見、價值判斷和願望等。

事件(Event )：在特定時間、特定地點發生的事情。主題(Topic)：也稱為話題，指一個種子事件或活動以及與它直接相關的事件和活動。專題(Subject)：涵蓋多個類似的具體事件或根本不涉及任何具體事件。需要說明的是，國內新聞網站新浪、搜狐等所定義的「專題」概念大多數等同於我們的「主題」概念。熱點：也可稱為熱點主題。熱點和主題的概念比較接近，但有所區別。

1. 詞干提取

什麼是詞干提取？詞干提取是將詞語去除變化或衍生形式，轉換為詞干或原型形式的過程。詞干提取的目標是將相關詞語還原為同樣的詞干，哪怕詞干並非詞典的詞目。

2. 詞形還原

什麼是詞形還原？ 詞形還原是將一組詞語還原為詞源或詞典的詞目形式的過程。還原過程考慮到了POS問題，即詞語在句中的語義，詞語對相鄰語句的語義等。

3. 詞向量化什麼是詞向量化？詞向量化是用一組實數構成的向量代表自然語言的叫法。這種技術非常實用，因為電腦無法處理自然語言。詞向量化可以捕捉到自然語言和實數間的本質關系。通過詞向量化，一個詞語或者一段短語可以用一個定維的向量表示，例如向量的長度可以為100。

4. 詞性標注

什麼是詞性標注？簡單來說，詞性標注是對句子中的詞語標注為名字、動詞、形容詞、副詞等的過程。

5. 命名實體消歧

什麼是命名實體消岐？命名實體消岐是對句子中的提到的實體識別的過程。例如，對句子「Apple earned a revenue of 200 Billion USD in 2016」，命名實體消岐會推斷出句子中的Apple是蘋果公司而不是指一種水果。一般來說，命名實體要求有一個實體知識庫，能夠將句子中提到的實體和知識庫聯系起來。

6. 命名實體識別

體識別是識別一個句子中有特定意義的實體並將其區分為人名，機構名，日期，地名，時間等類別的任務。   

7. 情感分析

什麼是情感分析？情感分析是一種廣泛的主觀分析，它使用自然語言處理技術來識別客戶評論的語義情感，語句表達的情緒正負面以及通過語音分析或書面文字判斷其表達的情感等等。

8. 語義文本相似度

什麼是語義文本相似度分析？語義文本相似度分析是對兩段文本的意義和本質之間的相似度進行分析的過程。注意，相似性與相關性是不同的。

9.語言識別

什麼是語言識別？語言識別指的是將不同語言的文本區分出來。其利用語言的統計和語法屬性來執行此任務。語言識別也可以被認為是文本分類的特殊情況。

10. 文本摘要

什麼是文本摘要？文本摘要是通過識別文本的重點並使用這些要點創建摘要來縮短文本的過程。文本摘要的目的是在不改變文本含義的前提下最大限度地縮短文本。

11.評論觀點抽取

自動分析評論關注點和評論觀點，並輸出評論觀點標簽及評論觀點極性。目前支持 13 類產品用戶評論的觀點抽取，包括美食、酒店、汽車、景點等，可幫助商家進行產品分析，輔助用戶進行消費決策。

11.DNN 語言模型

語言模型是通過計算給定片語成的句子的概率，從而判斷所組成的句子是否符合客觀語言表達習慣。在機器翻譯、拼寫糾錯、語音識別、問答系統、詞性標注、句法分析和信息檢索等系統中都有廣泛應用。

12.依存句法分析

利用句子中詞與詞之間的依存關系來表示詞語的句法結構信息 (如主謂、動賓、定中等結構關系)，並用樹狀結構來表示整句的的結構 (如主謂賓、定狀補等)。

1、NLTK

一種流行的自然語言處理庫、自帶語料庫、具有分類，分詞等很多功能，國外使用者居多，類似中文的 jieba 處理庫

2、文本處理流程

大致將文本處理流程分為以下幾個步驟：

Normalization

Tokenization

Stop words

Part-of-speech Tagging

Named Entity Recognition

Stemming and Lemmatization

下面是各個流程的具體介紹

Normalization

第一步通常要做就是Normalization。在英文中，所有句子第一個單詞的首字母一般是大寫，有的單詞也會全部字母都大寫用於表示強調和區分風格，這樣更易於人類理解表達的意思。

Tokenization

Token是"符號"的高級表達， 一般值具有某種意義，無法再拆分的符號。在英文自然語言處理中，Tokens通常是單獨的詞，因此Tokenization就是將每個句子拆分為一系列的詞。

Stop Word

Stop Word 是無含義的詞，例如』is』/『our』/『the』/『in』/'at』等。它們不會給句子增加太多含義，單停止詞是頻率非常多的詞。 為了減少我們要處理的詞彙量，從而降低後續程序的復雜度，需要清除停止詞。

Named Entity

Named Entity 一般是名詞短語，又來指代某些特定對象、人、或地點 可以使用 ne_chunk()方法標注文本中的命名實體。在進行這一步前，必須先進行 Tokenization 並進行 PoS Tagging。

Stemming and Lemmatization

為了進一步簡化文本數據，我們可以將詞的不同變化和變形標准化。Stemming 提取是將詞還原成詞干或詞根的過程。

3、Word2vec

Word2vec是一種有效創建詞嵌入的方法，它自2013年以來就一直存在。但除了作為詞嵌入的方法之外，它的一些概念已經被證明可以有效地創建推薦引擎和理解時序數據。在商業的、非語言的任務中。

### 四、NLP前沿研究方向與演算法

1、MultiBERT

2、XLNet

3、bert 模型

BERT的全稱是Bidirectional Encoder Representation from Transformers，即雙向Transformer的Encoder，因為decoder是不能獲要預測的信息的。模型的主要創新點都在pre-train方法上，即用了Masked LM和Next Sentence Prediction兩種方法分別捕捉詞語和句子級別的representation。

BERT提出之後，作為一個Word2Vec的替代者，其在NLP領域的11個方向大幅刷新了精度，可以說是近年來自殘差網路最優突破性的一項技術了。BERT的主要特點以下幾點：

使用了Transformer作為演算法的主要框架，Trabsformer能更徹底的捕捉語句中的雙向關系；

使用了Mask Language Model(MLM)和 Next Sentence Prediction(NSP) 的多任務訓練目標；

使用更強大的機器訓練更大規模的數據，使BERT的結果達到了全新的高度，並且Google開源了BERT模型，用戶可以直接使用BERT作為Word2Vec的轉換矩陣並高效的將其應用到自己的任務中。

BERT的本質上是通過在海量的語料的基礎上運行自監督學習方法為單詞學習一個好的特徵表示，所謂自監督學習是指在沒有人工標注的數據上運行的監督學習。在以後特定的NLP任務中，我們可以直接使用BERT的特徵表示作為該任務的詞嵌入特徵。所以BERT提供的是一個供其它任務遷移學習的模型，該模型可以根據任務微調或者固定之後作為特徵提取器。

模型結構： 由於模型的構成元素Transformer已經解析過，就不多說了，BERT模型的結構如下圖最左：

對比OpenAI GPT(Generative pre-trained transformer)，BERT是雙向的Transformer block連接；就像單向rnn和雙向rnn的區別，直覺上來講效果會好一些。

優點： BERT是截至2018年10月的最新state of the art模型，通過預訓練和精調橫掃了11項NLP任務，這首先就是最大的優點了。而且它還用的是Transformer，也就是相對rnn更加高效、能捕捉更長距離的依賴。對比起之前的預訓練模型，它捕捉到的是真正意義上的bidirectional context信息。

缺點： MLM預訓練時的mask問題

[MASK]標記在實際預測中不會出現，訓練時用過多[MASK]影響模型表現

每個batch只有15%的token被預測，所以BERT收斂得比left-to-right模型要慢（它們會預測每個token）

BERT火得一塌糊塗不是沒有原因的：

使用Transformer的結構將已經走向瓶頸期的Word2Vec帶向了一個新的方向，並再一次炒火了《Attention is All you Need》這篇論文；

11個NLP任務的精度大幅提升足以震驚整個深度學習領域；

無私的開源了多種語言的源碼和模型，具有非常高的商業價值。

遷移學習又一次勝利，而且這次是在NLP領域的大勝，狂勝。

BERT演算法還有很大的優化空間，例如我們在Transformer中講的如何讓模型有捕捉Token序列關系的能力，而不是簡單依靠位置嵌入。BERT的訓練在目前的計算資源下很難完成，論文中說的訓練需要在64塊TPU晶元上訓練4天完成，而一塊TPU的速度約是目前主流GPU的7-8倍。

⑤ 開源vue關系圖譜組件：relation-graph vue實現企業股權架構圖

用這個關系圖譜組件可以非常方便的展示如組織機構圖譜、股權架構圖譜、集團關系圖譜等知識圖譜，可提供多種圖譜布局，包括樹狀布局、中心布局、力學布局自動布局等。

用起來簡單方便，通過組件自身提供的配置項，可以實現非常復雜的功能，網站中有詳細使用方法和在線demo，以及可視化的配置工具。

API/配置說明在： http://relation-graph.com/#/docs
項目地址是： https://github.com/seeksdream/relation-graph

用這個做企業股權架構圖非常合適，我比較了很多插件，這個功能最強大。功能非常齊全。

實際例子

常規樹狀圖是根節點指向多個子節點。這個圖中根節點在最底層，找祖宗節點，並且箭頭要指向最底層節點，廢了九牛二虎之力終於實現了。

這里主要注意一點，股權數字一般在link里體現，默認股權數字只會展示在連接線靠近箭頭處，像我這種需求那麼股權數字就會重疊在一起，改布局的源碼是不可能改了。

所以換個思路，股權數字和node節點綁在一起，節點node通過slot插槽弄個弄個絕對定位的div來顯示股權數字，棒呆！

1，首先，使用npm或者cnpm安裝relation-graph：

2，在你的vue頁面中使用這個組件：

⑥ 如今AI公司挺火的！雲知聲這家企業發展怎麼樣實力如何啊

站在風口，豬都能飛上天！想必這句話對如今的AI公司挺適合。雲知聲在AI人工智慧領域成長很快，實力不俗，有口皆碑。據 說雲知聲裡面的技術大牛很多，在國內比較成熟的智能語音賽道，第一個「語用計算」引擎就是雲知聲開發的，這點很膩害。然後雲知聲在國內AI技術和產品落地這一塊也做得很好，現在在智慧家居、智慧交通、智慧醫療、智慧社區等諸多領域都有不少落地產品，目前合作夥伴也很多，並且很多都是知名的企業和機構。

⑦ 知音水平

謝謝邀請
僅僅個人觀點，供參考
基於端到端技術的語音識別能力：「知音」引擎的語音識別速度提升3倍，錯誤率相對下降30%以上
單就語音識別來看，根據最新的關於LSTM等論文顯示，LSTM一般比DNN相對提升10%左右，端到端的能力，如 LSTM-CTC 架構，網路 早就開放了源代碼，也就是說這個技術，一般語音公司都會實現，每家公司都會有自己的一套tricks，不過聽說大多都是來源於Google的研究;錯誤率相對下降30%，這個不敢恭維，速度提升3倍，不知是怎麼比較的，是FPGA與GPU對比嗎？
利用自然語言交互的語音糾錯能力
用戶可以說把「張」改為立早「章」，這個一聽就知道用戶體驗肯定做不上去，因為你需要把所有的badcase收集起來，並且把用戶可能的糾錯說話都覆蓋到，這個可能嗎？
基於知識圖譜技術的行業知識整合能力
這個知識圖譜，據我所知大部分基於RDF搞的，如網路的知心，搜狗的知立方，還有國外的WordNet, Freebase，NELL等，效果一直比較雞肋。以前我知道一個部門搞知識圖譜，可是最後因為沒有找到適合的業務結合點，或是效果不好，很多靠人工，最後被砍掉了。
基於多輪對話技術的復雜語義理解能力。
語義理解，我一直悲觀的認為，在100年以內，機器都沒法像人一樣理解人說的話那麼容易，目前很多種技術的出現，都是解決某某特定領域，或特定場合的問題，根本解決不了隨意說的那種！因為人與人對話的規律太難尋覓了，太難以用模型來精確模擬！
搜狗搜索日均語音搜索次數增長超過4倍，搜狗手機輸入法日均語音輸入超過14億次，目前是國內語音輸入功能使用量最大的移動產品。搜狗方面還表示，在語音輸入上的准確性上，與科大訊飛大致持平，但領先網路。
這點僅僅聽聽而已吧

⑧ 阿里p6前端面經

本科畢業，學校既不是211也不是985，我也沒有一畢業就進入大廠工作的經歷。我的職業生涯里一共有10多次面試經歷，阿里我面試了5次，失敗了4次，屢戰屢敗，屢敗屢戰。每當我聽到別人傳奇的經歷，會羨慕別人開掛的人生，也會有小失落，感嘆自己當初沒有做太多的努力，甚至自我懷疑和自我否定。人生中主動裸辭，被動裁員的經歷，曾經讓我在無數的黑夜裡，真的以為人生就這樣了。

在第四次面試阿里失敗後，我開啟了為期2年的自我重塑計劃，梳理 體系化的知識結構 、刻意練習 知識結構化表達 ，學習參考了吸引力法則完善自己的 簡歷人設 。最後在2020.1入職阿里巴巴，成為AE國際體驗技術團隊的P6前端工程師。
在這一段經歷中，我梳理了當時自己的幾個問題，大家看看是否有跟我相似的處境呢？

自我重塑的前提是自我覺醒，意識到自己存在問題，再讓自己走出舒適區，不斷地打碎自己，然後在這個過程中把碎掉的東西重新收拾起來，變成身體的一部分。 這個過程會讓你很痛苦，但如果你克服了，你就蛻變了。薛兆豐教授說過一句話，「生活不會在你都准備好了以後才開始」。面試也一樣，面試考驗的不是那幾輪的面試表現，而是你在長期生活、工作中積累的 硬技能和軟技能 ，這些包括：你的專業能力，框架能力，思維能力，性格和心態，溝通能力，價值觀等等。你只是剛好在這幾輪的面試里表現出了你的這些積累，吸引到了對方，最後拿到了Offer。如果臨時抱佛腳，光背概念和知識點，沒有結合項目深入思考，那麼面試的時候會表現的很空洞，給人的印象只是在堆砌一些關鍵詞，這樣面試掛掉的可能性就很高。

傳說有人問泰勒斯:「何事最難為?」 泰勒斯回答說:「認識你自己。」 隨著年齡的增長，閱歷的豐富，你會漸漸發現，無論是生活還是工作，很多的事情本質是與自己相處，了解自己的性格，發現自己的優缺點，知道自己從哪來，到哪去，最後想成為一個什麼樣的人。

舉個例子，我了解自己的性格是內向性格，而且原生家庭在我童年成長的過程中，讓我有些自卑，甚至我一度懷疑內向是一種性格缺陷。直到我看了一本書，書名叫《內向性格的競爭力》，開始漸漸明白我 自卑的點，來源於我根本不了解自己是什麼 。我也不了解外向性格、內向性格的優勢。外向性格的優勢在於它性格非常開朗，很容易給人一種親和力，自來熟。內向的性格優勢在於它的敏感度，洞察他人情緒，感知他人情緒的能力。內向性格的人都有一個共同的特點，叫做你需要提前充電。比如我們去參加一個面試，內向性格的人像一塊電池，需要提前充電，然後呢，這塊電池只能維持大概1個小時，但是一旦過了1個小時，電池電量用完，你就受不了，你在後半程的面試會感受不太舒服，因為你的性格里就是不太喜歡這樣的環境。

如果大家意識到這一點，在面試的時候你可以更好的去利用。

膽怯的心態，這個是最難克服的。我曾經是膽怯的人，我會把自己包裹起來，裹上一層堅硬的外殼。

這些會直接影響你在他人心中的形象，像阿里P6前端工程師，是一個獨擋一面的角色。如果自己性格膽怯，表現出畏縮畏尾的樣子，那麼即使進阿里了，你在推進項目的時候，會遇到很大的阻礙。這個阻礙一方面來自於你內心的膽怯，另一方面來自於外部壓力。所以這個是必須要克服的。

我克服膽怯的方法很粗暴。利用周末的時間刷了杭州城20多個恐怖密室（漆黑的密室環境，而且有NPC出來嚇人），慢慢把膽子練起來。後來我膽子大到什麼程度呢，我一個人跑到臨安挑戰極限，坐上飛機從10000英尺的高度自由降落，高空跳傘。

所以性格它不是一成不變的，你發現了，克服了，最後你的心態會越來越好，這個就是我想分享的。

這個是最核心的一個能力，同時也是可以讓你快速進入一門新領域的方法。以我現在的認知水平， 知識可以分為三層：知識點、理論、體系。 我們需要可以通過學習知識點 -> 整理理論 -> 形成體系。

輸入： 我們平時信息輸入的渠道，可以是通過看源碼、看書、他人分享的得到關鍵詞，通過關鍵詞搜索可以讓我們更廣泛地獲取信息。在搜索關鍵詞的過程中，我們往往會得到更多的關鍵詞，它可以是A、是B、是C。

構建： 我們需要這些ABC進行分類，構建我們的思維導圖。如果你沒有自己的思維導圖，網上有很多前端的知識圖譜，可以照著學習和搜索，理解每一個知識節點承載的內容，慢慢去構建屬於你自己的思維導圖。前期構建腦圖的過程挺痛苦的，意味你要把每一個知識點去摸清楚，但是一旦你建立好了，往後只需要在現有的腦圖里添加你新的知識節點，學習會越來越輕松。

解釋： 思維導圖構建好了以後，就是輸出，如何向別人解釋一個知識。

以上學習的方法，是我對費曼技巧的個人實踐，費曼技巧也被稱作是終極的學習方法。簡單說它是 「以教為學」，在學習的知識的時候，以別人聽得懂為目標，用最簡單的話把自己的意思表達出來。

關於學習的方法，我還要分享的是，在構建腦圖知識點的時候，我們不妨問自己5個問題？

理清楚了這5個問題，相信你會對這塊知識了解的很全面了。往往在面試的時候，面試官不會這么一板一眼的提問，有時候會問一些開放式的題目，或者一些刁鑽的技術問題，不要慌，他有可能是考察是否能用學到的知識來解釋一下新的例子。所以我們學習還要做最後一步， 把所學的知識都忘掉，剩下的思維能力才是你的。

掌握學習的方法還不夠，我們還要常常做一些階段性回顧，以一個項目為周期或者以半年為周期（周期時間可以自己把握），把人生當中的關鍵節點梳理出來，這不只是為了面試時快速反應，也是為了更加幫助你認識自己。

我們投遞簡歷失敗，有一部分原因在於，我們對自己定位不夠清晰。當前 P6 水平投遞 P7 崗位，那麼掛掉的概率就更高了。我們需要了解阿里崗位職級是怎麼樣的。阿里巴巴社招一般層級是從P6開始，往往工作經驗3年是一個分界點。

了解崗位職級，可以幫助我們認清當前水平處在哪一個層次，知道通往一下層次需要掌握哪些技能。比如我是P6，那麼我在寫簡歷或者面試的時候，盡可能在展示當前層次水平之外，會額外展示掌握的P7的一些能力，讓面試官看到你的潛力和亮點，你是具備快速通往下一層次的能力的。

阿里的面試按流程來的，你開始面試就會進入流程，在流程里的簡歷，除了面試官其他人是看不到。每個流程通常有5輪面試，4輪技術面和1輪HR面，面試官會根據你的水平層級和個人情況，決定要不要安排筆試和交叉面。面試的前兩輪是電話面試，後幾輪是現場面試。在投遞的簡歷的時候，盡量找人內推，內推的優勢在於內推人可以給你做信用背書，查看你的面試進度。如果不是走內推渠道，是阿里員工主動采蜜打電話邀請你面試，說明你的簡歷或者過去的歷史評價，是具有一定吸引力的，不然也不會打電話給你。接到電話後，可以跟面試官確認電話面試的時間，你可以在這段時間內，開始面試前的准備。

面試前需要做哪些准備呢？

形象建設分為 聲音形象、外在形象、內在形象 。

聲音形象： 為什麼我要講聲音形象呢？因為前幾輪的面試都是電話面試，面試官看不到你，你的語速、語調、語氣，都會影響電話那頭對你的判斷。

聲音影響面試的問題有哪些呢？

那我們要做的是盡可能的讓我們的語速保持勻速的水平，一分鍾200字左右，然後用胸腔偏下的位置發聲，用氣息推動喉嚨，這樣的發出的聲音雄渾有力，不會顯得沉悶，反而有些磁性。

外在形象： 針對現場面試的，簡單、干練、不邋遢就好。

內在形象： 聲音形象，外在形象都是淺層的吸引，最致命的吸引是人格吸引，是你的內在形象。我們在自我認識的環節，梳理過了「關鍵」信息，在面試的時候，就派上用場了，把那些能夠呈現你內在形象的案例展示給面試官，通過例子證明自己，你就是這樣的一個人，簡單說就是：「 我不要我覺得，我要你覺得 」。內在形象有哪些呢？自信、踏實、皮實、樂觀等等

簡歷為避免排版混亂，使用PDF格式。書寫原則： 可以適度包裝，但是不要造假 。造假涉及到誠信問題，你在技術面混過去了，後面第三方背景調查的時候，會驗證你說的情況，一旦打上不誠信的標簽，你就永遠進不了阿里了。在寫簡歷的時候，多關注一下對方招聘崗位的JD，崗位職責和需要的技術棧是什麼。了解這些後，盡可能在書寫簡歷的時候，展示你和招聘崗位所需重合的技能。如果當前掌握的技能和目標崗位有一定差距，那需要花時間提升不足，補齊這塊差距。不同公司的前端崗位的職責或技術方向不同，往往要准備多份簡歷去匹配不同公司崗位的情況。

我的簡歷的內容排版很簡潔，寫了基本信息，專業技能、項目經歷，最後才是教育背景。對於社招來說，你在大學期間發生的事情已經不是那麼重要了。重要的是你目前 掌握的技能和項目經歷 ，這兩塊是要重點描寫的。專業技能按掌握、熟悉、了解程度依次羅列。亮點項目是之前你梳理過的，詳細寫，附帶數據描述成果更具說服力。其他不重要的項目可以簡單描述技術棧，一筆帶過。這么做的目的就是一眼讓面試官看到你的優勢和核心競爭力。推薦一些好的簡歷模板，比如 WonderCV、五百丁。簡歷不用太花里胡哨，簡單明了，能夠清晰的表達你的內容即可。

面試前自我模擬面試可以增加你的自信心，自我介紹、面試的一些的話術都可以提前准備好，然後可以講給別人聽、講給自己聽。或者找一個水平在你之上的前輩對你進行一次模擬面試，收集面試反饋，針對模擬面試時卡頓、忘詞的知識點，重新記憶和解釋，然後不斷的重復上面步驟，直到你能可以用自己的話說出知識點的核心內容。

溝通的原則： 客觀描述事實，不做主觀臆斷 。具體有哪些情況呢？三說和三不說。

面試的時候，可以嘗試引導面試官。 每個面試官的喜好，出題的角度都不一樣，這個我們是無法預測的，但是我們可以去引導對方問一些問題。比如他問到某一個知識點A的時候，我們在回答A的同時，引申出和A有聯系的知識點B或C。回答的重心放在知識點A上，B或C是你在回答A的時候順帶那麼一提，它就像一個魚鉤，來引導面試官來問我們擅長的、准備好的知識。

渲染情緒： 在面試的時候多感知對方的情緒，在適當的時候，用一些你准備好的事跡，引發對方共情。之前我們梳理過一些「關鍵信息」，有一些失敗經歷或高光時刻是很容易讓人產生共鳴的。

反問階段：如果你不知道問些什麼，有保守一點的問法是，去問問對方團隊的情況，團隊在組織定位是怎麼樣的、技術棧是什麼、有哪些人員梯度，當前遇到什麼痛點問題等等。這些問題你傳遞出來的信息是，我對當前崗位所處的團隊，所做的事情非常感興趣。之前我在一家公司現場面試的時候，就主動提出帶我在公司轉轉，了解公司的產品形態。這也是一個向對方表達興趣的技巧。

面試的時候考察什麼？技術一面，重點考察基礎和知識廣度，上探你的技術天花板，下探計算機底層原理。一面常見的考察點有哪些呢？

技術一面專業能力佔了80%，軟素質佔了20%。如果過了技術一面，說明你的基礎各方面是很不錯的。接下來技術二面會重點考察你的工程能力、設計能力、規劃能力。二面通常會從你的項目開始問，這個時候你梳理的亮點項目就派上用場了。二面常見的考察點有哪些呢？

這些都是考察范圍，技術二面專業佔了60%，軟素質佔了40%。到了技術三面的時候，會聊一聊技術格局、視野、人生規劃、軟技能考察，這部分多展示你的大局觀，比如業務上的大圖，技術上的大圖，你長期或短期的人生規劃等等。

2.2.6 描述項目（STAR法則）

我分享一個描述的、項目的方法，叫做STAR法則，他有五個要素，情境(situation)、目標（target）、行動(action)、結果(result)，我把他擴展了一下，技術面或者hr面的時候描述項目的時候，可以按這個套路來。

2.2.6 面試復盤

面試後記得主動添加面試官的微信，這是免費的性價比很高的人脈。加完微信能做哪些事？

面試後還需要復盤， 復盤結果和情緒 。拿一張白紙記錄你在面試中答好的/不好的知識點，還有你的在情緒佔比，緊張、開心、嚴肅是不是佔了面試中大部分情緒。每一次面試都像一面鏡子，照出你的短板，然後你把短板改掉，就離目標越來越近了。擁有這種面試意識，面試的次數多了，你會從害怕面試變得愛上面試。

分享一本軟體能的書 《金字塔原理》 ，是麥肯錫咨詢公司第一位女性顧問：芭芭拉·明托，寫的一本關於邏輯思路的書。裡面介紹了一些方法，幫助我們怎麼去 自下而上的構建邏輯金字塔 ，或者是 自上而下的表達金字塔 。

書的內容介紹我不做具體的描述了，感興趣的同學可以自行搜索。

我們在提升硬技能的同時，也要注重提升軟技能。技術很重要，但是它是我們實現想法的語言工具。在這之上， 使用工具的方法，比工具本身更關鍵 ，我們要清楚真正的修煉是什麼？ 永遠都是內在的東西，軟性的東西 。比如說你的思維能力，耐心，聰明，情商，遇到挫折時的內心復原力。這些技能是可以伴隨你漫長的一生的，終身受用的，那麼我們就應該為此投資。

我在工作前2年是處於一個迷茫的狀態，沒有自己的規劃。真正讓我發生改變的是，突然有一天我回家，父母的頭發都白了，那一刻我意識到自己該學會長大，該為未來做點什麼了。從那以後，我每天的狀態就是，白天公司工作謀生存，晚上自我提升謀發展。在工作第3年的時候，自我感覺准備差不多了，開始去阿裡面試，所以才有了那段裸辭的經歷。當然我摔的很慘，也重新認識了自己。

我們做一個時間切片，把過去的自己和現在的自己對比，你會我發現當時所經歷的，覺得很困難的事，現在看來都不是事。給自己的人生列個目標，知道自己想成為什麼樣的人，實現目標，自己的差距就會越來越小。
還有什麼想了解的可以
有想了解更多的小夥伴可以加Q群 鏈接 裡面看一下，應該對你們能夠有所幫助