知识图谱源码

① 浅谈知识图谱技术及其应用补全

前言及背景：在构建知识图谱的过程中，大量知识信息来源于文档和网页信息，在从文档提取知识的过程中往往会有偏差，这些偏差来自于看两方面：

（1）文档中会有很多噪声信息，即无用信息，它的产生可能来自于知识抽取算法本身，也可能和语言文字本身的有效性有关；

（2）文档信息量有限，不会把所有知识都涵盖进去，尤其是很多常识性知识。

以上都会导致知识图谱是不完整的，所以 知识图谱补全 在构建知识图谱中日益重要。
通过 已获取的知识 来对实体间进行关系预测，以达到对实体间关系的补全，也可以是实体类型信息的补全。该过程可以利用本知识库内部的知识，也可以引入第三方知识库的知识来帮助完成。
整理了一份200G的AI资料包：
①人工智能课程及项目【含课件源码】
②超详解人工智能学习路线图
③人工智能必看优质书籍电子书汇总
④国内外知名精华资源
⑤优质人工智能资源网站整理（找前辈、找代码、找论文都有）
⑥人工智能行业报告
⑦人工智能论文合集
/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">
资料在网盘里排列的非常整齐干净！希望对大家的学习有所帮助， 私信备注【05】添加领取

知识图谱补全分为两个层次： 概念层次的知识补全 和 实例层次的知识补全 。
往往提到知识图谱构建过程中只是提及了实体和关系的抽取，然后就可以生成实体和关系组成的RDF了。
但是，仅仅获取三元组是不够的，还要考虑这些，因为三元组中的实体除了具有属性和关系之外，还可以 映射关联到知识概念层次的类型（type），而且一个实体的类型可以有很多 。

例如：实体奥巴马的类型在不同关系中是有变化的。
在出生信息描述中，类型为人；在创作回忆录的描述中其类型还可以是作家；在任职描述中还可以是政治家。

实体类型的概念层次模型
在这里：人、作家、政治家这些概念之间是有层次的，也就是所说的概念的层次模型。

1、概念层次的知识补全——主要是要解决实体的类型信息缺失问题
正如前面的例子所描述，一旦一个实体被判别为人这个类型，那么在以构建好的知识模式中，该实体除了人的类型外仍需要向下层概念搜索，以发现更多的类别描述信息。
（1）基于描述逻辑的规则推理机制。
本体论和模式 ：实体都可以归结为一种本体，而这种本体会具有一组模式来保证其独特性，这组模式可以用规则来描述，因此，对于本体而言，其可以由这组规则来描述。
例如，奥巴马是个实体，他的本体可以归为人，而人的模式就是可以使用语言和工具、可以改造其他事务等等，这些模式可以通过规则来描述，于是基于描述逻辑的规则推理方法就出现了。
描述逻辑 是一种常见的知识表示方式，它建立在概念和关系之上。
比如，可以将关于人的实体实例（可以是文本）收集起来，从中提取出其中模式并以规则的形式记录下来，这样一来，只要遇到一个新的实体实例 ，只需将其代入到之前记录下的规则中进行比较即可做出判断，如果符合规则，就说明该实例可以归类为人的概念类型，否则就判定为非此概念类型。
（2）基于机器学习类型推理机制
经过基于描述逻辑的规则推理的发展阶段后，机器学习相关研究开始占据主流，此时 不是单纯地利用实例产生的规则等内部线索来进行判断，同时也要利用外部的特征和线索来学习类型的预测 。
对一个未知类型实体e1而言，如果能找到一个与其类似的且已知类型的实体e2的话，那么就可以据此推知实体e1的类型应该与e2的类型一致或至少相似。
此类方法主要可以分为：基于内容的类型推理、基于链接的类型推理和基于统计关系学习的类型推理（如，Markov逻辑网）几个方向。
（3）基于表示学习类型推理机制
将嵌入式学习和深度学习引入到类型推理，基于机器学习的类型推理方法大多假设数据中没有噪声，且其特征仍然需要认为选择和设计，引入深度学习可以避免特征工程。而类型推理要依据文本内容，也需要链接结构等其他特征的支持，此时嵌入式方法可以发挥其自身优势。

2、实例层次的知识补全
可以理解为：对于一个实例三元组（SPO，主谓宾），其中可能缺失情况为（？，P，O），（S，？，O）或者（S，P，？），这就如同知识库中不存在这个三元组，此时需要预测缺失的实体或者关系是什么。
事实上， 很多缺失的知识是可以通过已经获得的知识来推知的 ，有时这个过程也被称为 链接预测 。

注意 ：有时知识不是缺失的，而是 新出现 的，即出现了新的三元组，且这个三元组不是原知识库所已知的知识，此时需要将其作为新知识补充道知识库中，但此种情形 不是传统意义的补全 。
（1）基于随机游走的概率补全方法
（2）基于表示学习的补全方法

知识图谱嵌入流程：
①结构嵌入表示法
②张量神经网络法
③矩阵分解法
④翻译法

（3）其他补全方法
跨知识库补全方法、基于信息检索技术的知识库补全方法、知识库中的常识知识补全

面临的挑战和主要发展方向：
（1）解决长尾实体及关系的稀疏性。
知名的明星的关系实例会很多，而对于普通民众的实例就很少，但是他们数量却众多，导致其相关的关系实例也是十分稀疏，而且在数量不断增加的情况下，这种情况会更加明显。
（2）实体的一对多、多对一和多对多问题。
对于大规模数据，不是一对十几或者几十数量级那么简单，而是成百上千的数量级，传统的解决方案无法有效深圳根本无法解决此种数量级别的关系学习问题。
（3）三元组的动态增加和变化导致KG的动态变化加剧。
新知识源源不断的产生，而之前的知识可能被后面证明是错误的，或者需要修正的。这些都会使得知识补全的过程也需修正改变，如何使得知识图谱补全技术适应KG的动态变化变得越来越重要，而这方面的技术还未引起足够的重视。
（4）KG中关系预测路径长度会不断增长。
关系预测能推理的长度是有限的，但在大规模知识图谱闪光，实体间的关系路径序列会变得越来越长，这就需要更高效的模型来描述更复杂的关系预测模型。

② 目前提供开放API的中文知识图谱有哪些

中文知识图谱（Chinese Knowledge Graph）[1] ，最早起源于Google Knowledge Graph。知识图谱本质上是一种语义网络。其结点代表实体（entity）或者概念（concept），边代表实体/概念之间的各种语义关系。中文知识图谱的直接推动力来自于一系列实际应用，包括语义搜索、机器问答、情报检索、电子阅读、在线学习等等。网络[2] 、搜狗以及复旦大学GDM实验室[1] 相继推出了其中文知识图谱。

●允许用户搜索搜索引擎知道的所有事物，人物或者地方，包括地标，名人，城市， 球队，建筑，地理特征，电影，天体，艺术作品等等，而且能够显示关于你的查询的实时信息。它是迈向下一代搜索业务关键的第一步，使得搜索智能化，根据用户的意图给出用户想要的结果。

●知识图谱本质上是一种语义网络。其结点代表实体（entity）或者概念（concept），边代表实体/概念之间的各种语义关系。

●知识图谱相对于传统的本体和语义网络而言，实体覆盖率更高，语义关系也更加复杂而全面。

③ 全国大学生计算机设计大赛软件开发组怎么准备，用什么软件制作

2021程序员的出路在哪里
登录

吕小巷
关注
全国大学生计算机设计大赛经验分享（faceSchool） 原创
2018-12-27 16:12:45
85点赞

吕小巷

码龄4年

关注
距离考研结束已经有4天的时间了，在经历过几天的潇洒时光后还是想和大家分享一下我的考研路程当中的一些过程。在这大半年的时间里，很多人都以为我绝大多数时间都放在考研上了，其实不是的，我还是做了一些其他我觉得很有意思的事。比如说在考研过程中我就去参加了计算机设计大赛，也荣幸的拿了国家一等奖，还是有点小骄傲哈。下面言归正传，我就正式谈谈参加计赛的经验吧。（至于考研的经验我想在初试成绩出来之后在和大家正式分享）

作为参加了两届计赛的学长，其实想告诉大家这个比赛还是很有套路的，一旦掌握了套路，其实获奖还是很好获得的。

关于比赛的评委和评判标准：值得注意的是校赛、市赛和国赛的评委们的评判标准是有些许不同的，所以自然得到的成绩也有很大的不同，不过校赛和国赛的评判还是比较类似的，市赛的标准就稍微有些许不同。其实笔者认为，计赛讲究的主要是两点内容：创新和算法。尤其是市赛最为讲究算法的编写，而国赛则更注重创新些。而且值得注意的是：国赛的很多评委都是老一辈的教授，所以大家就要好好琢磨怎么能说服老一辈的评委你们的项目是非常有实用价值的是非常重要的。

关于选题的建议：相信还是有不少同学还是不知道要做什么或者从何下手，所以笔者想告诉大家国赛的评委们偏于老龄化，他们大多喜闻乐见于一些比较新颖的技术和选题。所以大家可以多将现在市面上比较火热的技术和我们平时的生活结合起来去确定自己的软件所要实现的目标。像笔者本人今年的参赛软件就是将活体人脸识别技术和地理信息定位应用于上课点名所做的一个考勤系统，其中还使用了NLP自然语言处理和网络AI的情感识别做了一个评论系统，主要是解决我们平日学习中旷课率、迟到率、代课率等问题；而笔者的一个朋友则是使用来区块链、票据市场以及财大的特色所做的一个系统也获得了一等奖。所以笔者还是建议大家多使用一些现在的新的技术，并结合身边生活中的一个问题来做一个有用的系统，记住一定要新，选题不新颖的话老师会很容易地问道为什么我要用你的软件而不用市面上现在比较成熟的软件。

关于新颖的技术如何学习和选择：笔者在这里可以给大家提供一些比较新颖的技术网站供大家去考虑，里面有很多现成的api可供大家去考虑。1、网络AI，网址：http://ai..com/ ；2、 腾讯AI，网址：https://ai.qq.com/ ；3、以太坊，网址：https://ethfans.org/ ；4、图灵机器人，网址：http://biz.turingos.cn/home ；5、腾讯大数据平台，网址：https://data.qq.com/ ；6、知识工场，网址：http://kw.fudan.e.cn/ 。读者推荐大家考虑一下知识工场，毕竟知识图谱是一个大热门，很好应用于实际的项目中，而且可以做的特别炫目，并且参加计赛的人里面很少有人用知识图谱，还是属于比较新颖的技术。

关于团队分工：这是一个非常重要的点。因为一般的项目团队都有三个人，所以在我看来最好的搭配就是一个前端、一个后端、一个专门负责文档的编写。（文档的编写是真的很麻烦）

前端：如果是参加的web网站设计的化，笔者的建议是不论怎样都至少要做一个移动端的简易版的使用，因为第一年参加比赛的时候笔者就被问道：现在都移动互联网的时代了，你们这个项目想法可以，就是使用起来太麻烦了。所以第二年笔者就做了一个移动端（小程序），评委们也就没在说我们这个不方便使用了。对于移动端的制作，笔者的建议是做一个小程序，因为小程序真的很好学，代码写起来很像HTML、CSS、JavaScript，很简单的，关键是它的优势在于不论是Android还是iOS，它都适用。（小程序学习网址：https://developers.weixin.qq.com/miniprogram/dev/index.html）

后端：我建议大家还是用框架来写代码，因为用框架真的很方便，很多前辈都事先写好了很多非常好用的接口，像图片、视频等的存储，用原生的代码写的话，不会使用缓存的情况下是真的运行的很慢，但是用框架的话，就不会存在这样的问题了，因为前辈们早就设计好了优秀的现成的接口可供使用，而且有空的话还可以看他们写的源码来学习，最关键的是企业招聘人的时候都要求是会运用框架的人。当然我不是说写原生不好，原生是内功，大家也还是要注意的。不过框架的学习在开始的时候可能会存在一定的问题，不过我相信大家肯定可以很好的解决这个问题的啦！笔者在这里推荐大家学几个框架：Thinkphp、Django、SpringBoot。其中前两个比较好学，分别是php和python的框架、后面一个相对难些，是Java的。对于想学爬虫的人可以学习Django，因为这个和爬虫框架Scrapy用起来特别像，很好同时掌握，据说Django和Scrapy是同一个开发团队开发的，所以很像，当然我只是听说，不知道实际是怎样的，哈哈哈。

文档：文档的编写是真的很繁琐的，因为文档有很多，所以最好要有一个人专门写文档，尤其是要会UML图的构建，思维导图的建立等等。文档的编写一定要注意时间节点，如果错过了时间节点，那就相当可惜了。

关于编程语言学习：相信有很多的同学目前暂时找不到比较好的编程语言或者框架学习网站，在这里笔者推荐几个笔者觉得比较好的网站：1、慕课网，网址：https://www.imooc.com/ ；2、实验楼，网址：https://www.shiyanlou.com/ ；3、中国慕课MOOC，网址：https://www.icourse163.org/ ；4、CSDN，网址：https://www.csdn.net/ ；5、Github，网址：https://github.com/ 。慕课网和实验楼里的部分比较好的实战课程现在都是需要用钱买的，比较贵，大家可以去咸鱼、转转上找录屏课，某宝上已经被某宝官方强制下架了，当然如果大家实在找不到的话可以在公众号后台向我要一些框架的学习视频，我还是有一些课程视频库存的。中国慕课的缺点在于时效性，过了课程的学习时间就不能再看了，可能是为了保护老师们的知识劳动权益。CSDN的作用很大，对于新手来说，CSDN应该可以cover你所有的问题。Github相信大家都是知道的，这个的主要作用还是在于在上面搜搜现成项目来学习别人的构建软件思路或者是搜索一些很好用的插件比如说爬虫中常用的IP代理池和fake-useragent等等。

④ 自然语言处理基础知识

NLP 是什么？

NLP 是计算机科学领域与 人工智能 领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的学科。NLP 由两个主要的技术领域构成：自然语言理解和自然语言生成。

自然语言理解方向，主要目标是帮助机器更好理解人的语言，包括基础的词法、句法等语义理解，以及需求、篇章、情感层面的高层理解。

自然语言生成方向，主要目标是帮助机器生成人能够理解的语言，比如文本生成、自动文摘等。

NLP 技术基于大数据、知识图谱、 机器学习 、语言学等技术和资源，并可以形成机器翻译、深度问答、对话系统的具体应用系统，进而服务于各类实际业务和产品。

NLP在金融方面

金融行业因其与数据的高度相关性，成为人工智能最先应用的行业之一，而NLP与知识图谱作为人工智能技术的重要研究方向与组成部分，正在快速进入金融领域，并日益成为智能金融的基石。舆情分析舆情主要指民众对社会各种具体事物的情绪、意见、价值判断和愿望等。

事件(Event )：在特定时间、特定地点发生的事情。主题(Topic)：也称为话题，指一个种子事件或活动以及与它直接相关的事件和活动。专题(Subject)：涵盖多个类似的具体事件或根本不涉及任何具体事件。需要说明的是，国内新闻网站新浪、搜狐等所定义的“专题”概念大多数等同于我们的“主题”概念。热点：也可称为热点主题。热点和主题的概念比较接近，但有所区别。

1. 词干提取

什么是词干提取？词干提取是将词语去除变化或衍生形式，转换为词干或原型形式的过程。词干提取的目标是将相关词语还原为同样的词干，哪怕词干并非词典的词目。

2. 词形还原

什么是词形还原？ 词形还原是将一组词语还原为词源或词典的词目形式的过程。还原过程考虑到了POS问题，即词语在句中的语义，词语对相邻语句的语义等。

3. 词向量化什么是词向量化？词向量化是用一组实数构成的向量代表自然语言的叫法。这种技术非常实用，因为电脑无法处理自然语言。词向量化可以捕捉到自然语言和实数间的本质关系。通过词向量化，一个词语或者一段短语可以用一个定维的向量表示，例如向量的长度可以为100。

4. 词性标注

什么是词性标注？简单来说，词性标注是对句子中的词语标注为名字、动词、形容词、副词等的过程。

5. 命名实体消歧

什么是命名实体消岐？命名实体消岐是对句子中的提到的实体识别的过程。例如，对句子“Apple earned a revenue of 200 Billion USD in 2016”，命名实体消岐会推断出句子中的Apple是苹果公司而不是指一种水果。一般来说，命名实体要求有一个实体知识库，能够将句子中提到的实体和知识库联系起来。

6. 命名实体识别

体识别是识别一个句子中有特定意义的实体并将其区分为人名，机构名，日期，地名，时间等类别的任务。   

7. 情感分析

什么是情感分析？情感分析是一种广泛的主观分析，它使用自然语言处理技术来识别客户评论的语义情感，语句表达的情绪正负面以及通过语音分析或书面文字判断其表达的情感等等。

8. 语义文本相似度

什么是语义文本相似度分析？语义文本相似度分析是对两段文本的意义和本质之间的相似度进行分析的过程。注意，相似性与相关性是不同的。

9.语言识别

什么是语言识别？语言识别指的是将不同语言的文本区分出来。其利用语言的统计和语法属性来执行此任务。语言识别也可以被认为是文本分类的特殊情况。

10. 文本摘要

什么是文本摘要？文本摘要是通过识别文本的重点并使用这些要点创建摘要来缩短文本的过程。文本摘要的目的是在不改变文本含义的前提下最大限度地缩短文本。

11.评论观点抽取

自动分析评论关注点和评论观点，并输出评论观点标签及评论观点极性。目前支持 13 类产品用户评论的观点抽取，包括美食、酒店、汽车、景点等，可帮助商家进行产品分析，辅助用户进行消费决策。

11.DNN 语言模型

语言模型是通过计算给定词组成的句子的概率，从而判断所组成的句子是否符合客观语言表达习惯。在机器翻译、拼写纠错、语音识别、问答系统、词性标注、句法分析和信息检索等系统中都有广泛应用。

12.依存句法分析

利用句子中词与词之间的依存关系来表示词语的句法结构信息 (如主谓、动宾、定中等结构关系)，并用树状结构来表示整句的的结构 (如主谓宾、定状补等)。

1、NLTK

一种流行的自然语言处理库、自带语料库、具有分类，分词等很多功能，国外使用者居多，类似中文的 jieba 处理库

2、文本处理流程

大致将文本处理流程分为以下几个步骤：

Normalization

Tokenization

Stop words

Part-of-speech Tagging

Named Entity Recognition

Stemming and Lemmatization

下面是各个流程的具体介绍

Normalization

第一步通常要做就是Normalization。在英文中，所有句子第一个单词的首字母一般是大写，有的单词也会全部字母都大写用于表示强调和区分风格，这样更易于人类理解表达的意思。

Tokenization

Token是"符号"的高级表达， 一般值具有某种意义，无法再拆分的符号。在英文自然语言处理中，Tokens通常是单独的词，因此Tokenization就是将每个句子拆分为一系列的词。

Stop Word

Stop Word 是无含义的词，例如’is’/‘our’/‘the’/‘in’/'at’等。它们不会给句子增加太多含义，单停止词是频率非常多的词。 为了减少我们要处理的词汇量，从而降低后续程序的复杂度，需要清除停止词。

Named Entity

Named Entity 一般是名词短语，又来指代某些特定对象、人、或地点 可以使用 ne_chunk()方法标注文本中的命名实体。在进行这一步前，必须先进行 Tokenization 并进行 PoS Tagging。

Stemming and Lemmatization

为了进一步简化文本数据，我们可以将词的不同变化和变形标准化。Stemming 提取是将词还原成词干或词根的过程。

3、Word2vec

Word2vec是一种有效创建词嵌入的方法，它自2013年以来就一直存在。但除了作为词嵌入的方法之外，它的一些概念已经被证明可以有效地创建推荐引擎和理解时序数据。在商业的、非语言的任务中。

### 四、NLP前沿研究方向与算法

1、MultiBERT

2、XLNet

3、bert 模型

BERT的全称是Bidirectional Encoder Representation from Transformers，即双向Transformer的Encoder，因为decoder是不能获要预测的信息的。模型的主要创新点都在pre-train方法上，即用了Masked LM和Next Sentence Prediction两种方法分别捕捉词语和句子级别的representation。

BERT提出之后，作为一个Word2Vec的替代者，其在NLP领域的11个方向大幅刷新了精度，可以说是近年来自残差网络最优突破性的一项技术了。BERT的主要特点以下几点：

使用了Transformer作为算法的主要框架，Trabsformer能更彻底的捕捉语句中的双向关系；

使用了Mask Language Model(MLM)和 Next Sentence Prediction(NSP) 的多任务训练目标；

使用更强大的机器训练更大规模的数据，使BERT的结果达到了全新的高度，并且Google开源了BERT模型，用户可以直接使用BERT作为Word2Vec的转换矩阵并高效的将其应用到自己的任务中。

BERT的本质上是通过在海量的语料的基础上运行自监督学习方法为单词学习一个好的特征表示，所谓自监督学习是指在没有人工标注的数据上运行的监督学习。在以后特定的NLP任务中，我们可以直接使用BERT的特征表示作为该任务的词嵌入特征。所以BERT提供的是一个供其它任务迁移学习的模型，该模型可以根据任务微调或者固定之后作为特征提取器。

模型结构： 由于模型的构成元素Transformer已经解析过，就不多说了，BERT模型的结构如下图最左：

对比OpenAI GPT(Generative pre-trained transformer)，BERT是双向的Transformer block连接；就像单向rnn和双向rnn的区别，直觉上来讲效果会好一些。

优点： BERT是截至2018年10月的最新state of the art模型，通过预训练和精调横扫了11项NLP任务，这首先就是最大的优点了。而且它还用的是Transformer，也就是相对rnn更加高效、能捕捉更长距离的依赖。对比起之前的预训练模型，它捕捉到的是真正意义上的bidirectional context信息。

缺点： MLM预训练时的mask问题

[MASK]标记在实际预测中不会出现，训练时用过多[MASK]影响模型表现

每个batch只有15%的token被预测，所以BERT收敛得比left-to-right模型要慢（它们会预测每个token）

BERT火得一塌糊涂不是没有原因的：

使用Transformer的结构将已经走向瓶颈期的Word2Vec带向了一个新的方向，并再一次炒火了《Attention is All you Need》这篇论文；

11个NLP任务的精度大幅提升足以震惊整个深度学习领域；

无私的开源了多种语言的源码和模型，具有非常高的商业价值。

迁移学习又一次胜利，而且这次是在NLP领域的大胜，狂胜。

BERT算法还有很大的优化空间，例如我们在Transformer中讲的如何让模型有捕捉Token序列关系的能力，而不是简单依靠位置嵌入。BERT的训练在目前的计算资源下很难完成，论文中说的训练需要在64块TPU芯片上训练4天完成，而一块TPU的速度约是目前主流GPU的7-8倍。

⑤ 开源vue关系图谱组件：relation-graph vue实现企业股权架构图

用这个关系图谱组件可以非常方便的展示如组织机构图谱、股权架构图谱、集团关系图谱等知识图谱，可提供多种图谱布局，包括树状布局、中心布局、力学布局自动布局等。

用起来简单方便，通过组件自身提供的配置项，可以实现非常复杂的功能，网站中有详细使用方法和在线demo，以及可视化的配置工具。

API/配置说明在： http://relation-graph.com/#/docs
项目地址是： https://github.com/seeksdream/relation-graph

用这个做企业股权架构图非常合适，我比较了很多插件，这个功能最强大。功能非常齐全。

实际例子

常规树状图是根节点指向多个子节点。这个图中根节点在最底层，找祖宗节点，并且箭头要指向最底层节点，废了九牛二虎之力终于实现了。

这里主要注意一点，股权数字一般在link里体现，默认股权数字只会展示在连接线靠近箭头处，像我这种需求那么股权数字就会重叠在一起，改布局的源码是不可能改了。

所以换个思路，股权数字和node节点绑在一起，节点node通过slot插槽弄个弄个绝对定位的div来显示股权数字，棒呆！

1，首先，使用npm或者cnpm安装relation-graph：

2，在你的vue页面中使用这个组件：

⑥ 如今AI公司挺火的！云知声这家企业发展怎么样实力如何啊

站在风口，猪都能飞上天！想必这句话对如今的AI公司挺适合。云知声在AI人工智能领域成长很快，实力不俗，有口皆碑。据 说云知声里面的技术大牛很多，在国内比较成熟的智能语音赛道，第一个“语用计算”引擎就是云知声开发的，这点很腻害。然后云知声在国内AI技术和产品落地这一块也做得很好，现在在智慧家居、智慧交通、智慧医疗、智慧社区等诸多领域都有不少落地产品，目前合作伙伴也很多，并且很多都是知名的企业和机构。

⑦ 知音水平

谢谢邀请
仅仅个人观点，供参考
基于端到端技术的语音识别能力：“知音”引擎的语音识别速度提升3倍，错误率相对下降30%以上
单就语音识别来看，根据最新的关于LSTM等论文显示，LSTM一般比DNN相对提升10%左右，端到端的能力，如 LSTM-CTC 架构，网络 早就开放了源代码，也就是说这个技术，一般语音公司都会实现，每家公司都会有自己的一套tricks，不过听说大多都是来源于Google的研究;错误率相对下降30%，这个不敢恭维，速度提升3倍，不知是怎么比较的，是FPGA与GPU对比吗？
利用自然语言交互的语音纠错能力
用户可以说把“张”改为立早“章”，这个一听就知道用户体验肯定做不上去，因为你需要把所有的badcase收集起来，并且把用户可能的纠错说话都覆盖到，这个可能吗？
基于知识图谱技术的行业知识整合能力
这个知识图谱，据我所知大部分基于RDF搞的，如网络的知心，搜狗的知立方，还有国外的WordNet, Freebase，NELL等，效果一直比较鸡肋。以前我知道一个部门搞知识图谱，可是最后因为没有找到适合的业务结合点，或是效果不好，很多靠人工，最后被砍掉了。
基于多轮对话技术的复杂语义理解能力。
语义理解，我一直悲观的认为，在100年以内，机器都没法像人一样理解人说的话那么容易，目前很多种技术的出现，都是解决某某特定领域，或特定场合的问题，根本解决不了随意说的那种！因为人与人对话的规律太难寻觅了，太难以用模型来精确模拟！
搜狗搜索日均语音搜索次数增长超过4倍，搜狗手机输入法日均语音输入超过14亿次，目前是国内语音输入功能使用量最大的移动产品。搜狗方面还表示，在语音输入上的准确性上，与科大讯飞大致持平，但领先网络。
这点仅仅听听而已吧

⑧ 阿里p6前端面经

本科毕业，学校既不是211也不是985，我也没有一毕业就进入大厂工作的经历。我的职业生涯里一共有10多次面试经历，阿里我面试了5次，失败了4次，屡战屡败，屡败屡战。每当我听到别人传奇的经历，会羡慕别人开挂的人生，也会有小失落，感叹自己当初没有做太多的努力，甚至自我怀疑和自我否定。人生中主动裸辞，被动裁员的经历，曾经让我在无数的黑夜里，真的以为人生就这样了。

在第四次面试阿里失败后，我开启了为期2年的自我重塑计划，梳理 体系化的知识结构 、刻意练习 知识结构化表达 ，学习参考了吸引力法则完善自己的 简历人设 。最后在2020.1入职阿里巴巴，成为AE国际体验技术团队的P6前端工程师。
在这一段经历中，我梳理了当时自己的几个问题，大家看看是否有跟我相似的处境呢？

自我重塑的前提是自我觉醒，意识到自己存在问题，再让自己走出舒适区，不断地打碎自己，然后在这个过程中把碎掉的东西重新收拾起来，变成身体的一部分。 这个过程会让你很痛苦，但如果你克服了，你就蜕变了。薛兆丰教授说过一句话，“生活不会在你都准备好了以后才开始”。面试也一样，面试考验的不是那几轮的面试表现，而是你在长期生活、工作中积累的 硬技能和软技能 ，这些包括：你的专业能力，框架能力，思维能力，性格和心态，沟通能力，价值观等等。你只是刚好在这几轮的面试里表现出了你的这些积累，吸引到了对方，最后拿到了Offer。如果临时抱佛脚，光背概念和知识点，没有结合项目深入思考，那么面试的时候会表现的很空洞，给人的印象只是在堆砌一些关键词，这样面试挂掉的可能性就很高。

传说有人问泰勒斯:“何事最难为?” 泰勒斯回答说:“认识你自己。” 随着年龄的增长，阅历的丰富，你会渐渐发现，无论是生活还是工作，很多的事情本质是与自己相处，了解自己的性格，发现自己的优缺点，知道自己从哪来，到哪去，最后想成为一个什么样的人。

举个例子，我了解自己的性格是内向性格，而且原生家庭在我童年成长的过程中，让我有些自卑，甚至我一度怀疑内向是一种性格缺陷。直到我看了一本书，书名叫《内向性格的竞争力》，开始渐渐明白我 自卑的点，来源于我根本不了解自己是什么 。我也不了解外向性格、内向性格的优势。外向性格的优势在于它性格非常开朗，很容易给人一种亲和力，自来熟。内向的性格优势在于它的敏感度，洞察他人情绪，感知他人情绪的能力。内向性格的人都有一个共同的特点，叫做你需要提前充电。比如我们去参加一个面试，内向性格的人像一块电池，需要提前充电，然后呢，这块电池只能维持大概1个小时，但是一旦过了1个小时，电池电量用完，你就受不了，你在后半程的面试会感受不太舒服，因为你的性格里就是不太喜欢这样的环境。

如果大家意识到这一点，在面试的时候你可以更好的去利用。

胆怯的心态，这个是最难克服的。我曾经是胆怯的人，我会把自己包裹起来，裹上一层坚硬的外壳。

这些会直接影响你在他人心中的形象，像阿里P6前端工程师，是一个独挡一面的角色。如果自己性格胆怯，表现出畏缩畏尾的样子，那么即使进阿里了，你在推进项目的时候，会遇到很大的阻碍。这个阻碍一方面来自于你内心的胆怯，另一方面来自于外部压力。所以这个是必须要克服的。

我克服胆怯的方法很粗暴。利用周末的时间刷了杭州城20多个恐怖密室（漆黑的密室环境，而且有NPC出来吓人），慢慢把胆子练起来。后来我胆子大到什么程度呢，我一个人跑到临安挑战极限，坐上飞机从10000英尺的高度自由降落，高空跳伞。

所以性格它不是一成不变的，你发现了，克服了，最后你的心态会越来越好，这个就是我想分享的。

这个是最核心的一个能力，同时也是可以让你快速进入一门新领域的方法。以我现在的认知水平， 知识可以分为三层：知识点、理论、体系。 我们需要可以通过学习知识点 -> 整理理论 -> 形成体系。

输入： 我们平时信息输入的渠道，可以是通过看源码、看书、他人分享的得到关键词，通过关键词搜索可以让我们更广泛地获取信息。在搜索关键词的过程中，我们往往会得到更多的关键词，它可以是A、是B、是C。

构建： 我们需要这些ABC进行分类，构建我们的思维导图。如果你没有自己的思维导图，网上有很多前端的知识图谱，可以照着学习和搜索，理解每一个知识节点承载的内容，慢慢去构建属于你自己的思维导图。前期构建脑图的过程挺痛苦的，意味你要把每一个知识点去摸清楚，但是一旦你建立好了，往后只需要在现有的脑图里添加你新的知识节点，学习会越来越轻松。

解释： 思维导图构建好了以后，就是输出，如何向别人解释一个知识。

以上学习的方法，是我对费曼技巧的个人实践，费曼技巧也被称作是终极的学习方法。简单说它是 “以教为学”，在学习的知识的时候，以别人听得懂为目标，用最简单的话把自己的意思表达出来。

关于学习的方法，我还要分享的是，在构建脑图知识点的时候，我们不妨问自己5个问题？

理清楚了这5个问题，相信你会对这块知识了解的很全面了。往往在面试的时候，面试官不会这么一板一眼的提问，有时候会问一些开放式的题目，或者一些刁钻的技术问题，不要慌，他有可能是考察是否能用学到的知识来解释一下新的例子。所以我们学习还要做最后一步， 把所学的知识都忘掉，剩下的思维能力才是你的。

掌握学习的方法还不够，我们还要常常做一些阶段性回顾，以一个项目为周期或者以半年为周期（周期时间可以自己把握），把人生当中的关键节点梳理出来，这不只是为了面试时快速反应，也是为了更加帮助你认识自己。

我们投递简历失败，有一部分原因在于，我们对自己定位不够清晰。当前 P6 水平投递 P7 岗位，那么挂掉的概率就更高了。我们需要了解阿里岗位职级是怎么样的。阿里巴巴社招一般层级是从P6开始，往往工作经验3年是一个分界点。

了解岗位职级，可以帮助我们认清当前水平处在哪一个层次，知道通往一下层次需要掌握哪些技能。比如我是P6，那么我在写简历或者面试的时候，尽可能在展示当前层次水平之外，会额外展示掌握的P7的一些能力，让面试官看到你的潜力和亮点，你是具备快速通往下一层次的能力的。

阿里的面试按流程来的，你开始面试就会进入流程，在流程里的简历，除了面试官其他人是看不到。每个流程通常有5轮面试，4轮技术面和1轮HR面，面试官会根据你的水平层级和个人情况，决定要不要安排笔试和交叉面。面试的前两轮是电话面试，后几轮是现场面试。在投递的简历的时候，尽量找人内推，内推的优势在于内推人可以给你做信用背书，查看你的面试进度。如果不是走内推渠道，是阿里员工主动采蜜打电话邀请你面试，说明你的简历或者过去的历史评价，是具有一定吸引力的，不然也不会打电话给你。接到电话后，可以跟面试官确认电话面试的时间，你可以在这段时间内，开始面试前的准备。

面试前需要做哪些准备呢？

形象建设分为 声音形象、外在形象、内在形象 。

声音形象： 为什么我要讲声音形象呢？因为前几轮的面试都是电话面试，面试官看不到你，你的语速、语调、语气，都会影响电话那头对你的判断。

声音影响面试的问题有哪些呢？

那我们要做的是尽可能的让我们的语速保持匀速的水平，一分钟200字左右，然后用胸腔偏下的位置发声，用气息推动喉咙，这样的发出的声音雄浑有力，不会显得沉闷，反而有些磁性。

外在形象： 针对现场面试的，简单、干练、不邋遢就好。

内在形象： 声音形象，外在形象都是浅层的吸引，最致命的吸引是人格吸引，是你的内在形象。我们在自我认识的环节，梳理过了“关键”信息，在面试的时候，就派上用场了，把那些能够呈现你内在形象的案例展示给面试官，通过例子证明自己，你就是这样的一个人，简单说就是：“ 我不要我觉得，我要你觉得 ”。内在形象有哪些呢？自信、踏实、皮实、乐观等等

简历为避免排版混乱，使用PDF格式。书写原则： 可以适度包装，但是不要造假 。造假涉及到诚信问题，你在技术面混过去了，后面第三方背景调查的时候，会验证你说的情况，一旦打上不诚信的标签，你就永远进不了阿里了。在写简历的时候，多关注一下对方招聘岗位的JD，岗位职责和需要的技术栈是什么。了解这些后，尽可能在书写简历的时候，展示你和招聘岗位所需重合的技能。如果当前掌握的技能和目标岗位有一定差距，那需要花时间提升不足，补齐这块差距。不同公司的前端岗位的职责或技术方向不同，往往要准备多份简历去匹配不同公司岗位的情况。

我的简历的内容排版很简洁，写了基本信息，专业技能、项目经历，最后才是教育背景。对于社招来说，你在大学期间发生的事情已经不是那么重要了。重要的是你目前 掌握的技能和项目经历 ，这两块是要重点描写的。专业技能按掌握、熟悉、了解程度依次罗列。亮点项目是之前你梳理过的，详细写，附带数据描述成果更具说服力。其他不重要的项目可以简单描述技术栈，一笔带过。这么做的目的就是一眼让面试官看到你的优势和核心竞争力。推荐一些好的简历模板，比如 WonderCV、五百丁。简历不用太花里胡哨，简单明了，能够清晰的表达你的内容即可。

面试前自我模拟面试可以增加你的自信心，自我介绍、面试的一些的话术都可以提前准备好，然后可以讲给别人听、讲给自己听。或者找一个水平在你之上的前辈对你进行一次模拟面试，收集面试反馈，针对模拟面试时卡顿、忘词的知识点，重新记忆和解释，然后不断的重复上面步骤，直到你能可以用自己的话说出知识点的核心内容。

沟通的原则： 客观描述事实，不做主观臆断 。具体有哪些情况呢？三说和三不说。

面试的时候，可以尝试引导面试官。 每个面试官的喜好，出题的角度都不一样，这个我们是无法预测的，但是我们可以去引导对方问一些问题。比如他问到某一个知识点A的时候，我们在回答A的同时，引申出和A有联系的知识点B或C。回答的重心放在知识点A上，B或C是你在回答A的时候顺带那么一提，它就像一个鱼钩，来引导面试官来问我们擅长的、准备好的知识。

渲染情绪： 在面试的时候多感知对方的情绪，在适当的时候，用一些你准备好的事迹，引发对方共情。之前我们梳理过一些“关键信息”，有一些失败经历或高光时刻是很容易让人产生共鸣的。

反问阶段：如果你不知道问些什么，有保守一点的问法是，去问问对方团队的情况，团队在组织定位是怎么样的、技术栈是什么、有哪些人员梯度，当前遇到什么痛点问题等等。这些问题你传递出来的信息是，我对当前岗位所处的团队，所做的事情非常感兴趣。之前我在一家公司现场面试的时候，就主动提出带我在公司转转，了解公司的产品形态。这也是一个向对方表达兴趣的技巧。

面试的时候考察什么？技术一面，重点考察基础和知识广度，上探你的技术天花板，下探计算机底层原理。一面常见的考察点有哪些呢？

技术一面专业能力占了80%，软素质占了20%。如果过了技术一面，说明你的基础各方面是很不错的。接下来技术二面会重点考察你的工程能力、设计能力、规划能力。二面通常会从你的项目开始问，这个时候你梳理的亮点项目就派上用场了。二面常见的考察点有哪些呢？

这些都是考察范围，技术二面专业占了60%，软素质占了40%。到了技术三面的时候，会聊一聊技术格局、视野、人生规划、软技能考察，这部分多展示你的大局观，比如业务上的大图，技术上的大图，你长期或短期的人生规划等等。

2.2.6 描述项目（STAR法则）

我分享一个描述的、项目的方法，叫做STAR法则，他有五个要素，情境(situation)、目标（target）、行动(action)、结果(result)，我把他扩展了一下，技术面或者hr面的时候描述项目的时候，可以按这个套路来。

2.2.6 面试复盘

面试后记得主动添加面试官的微信，这是免费的性价比很高的人脉。加完微信能做哪些事？

面试后还需要复盘， 复盘结果和情绪 。拿一张白纸记录你在面试中答好的/不好的知识点，还有你的在情绪占比，紧张、开心、严肃是不是占了面试中大部分情绪。每一次面试都像一面镜子，照出你的短板，然后你把短板改掉，就离目标越来越近了。拥有这种面试意识，面试的次数多了，你会从害怕面试变得爱上面试。

分享一本软件能的书 《金字塔原理》 ，是麦肯锡咨询公司第一位女性顾问：芭芭拉·明托，写的一本关于逻辑思路的书。里面介绍了一些方法，帮助我们怎么去 自下而上的构建逻辑金字塔 ，或者是 自上而下的表达金字塔 。

书的内容介绍我不做具体的描述了，感兴趣的同学可以自行搜索。

我们在提升硬技能的同时，也要注重提升软技能。技术很重要，但是它是我们实现想法的语言工具。在这之上， 使用工具的方法，比工具本身更关键 ，我们要清楚真正的修炼是什么？ 永远都是内在的东西，软性的东西 。比如说你的思维能力，耐心，聪明，情商，遇到挫折时的内心复原力。这些技能是可以伴随你漫长的一生的，终身受用的，那么我们就应该为此投资。

我在工作前2年是处于一个迷茫的状态，没有自己的规划。真正让我发生改变的是，突然有一天我回家，父母的头发都白了，那一刻我意识到自己该学会长大，该为未来做点什么了。从那以后，我每天的状态就是，白天公司工作谋生存，晚上自我提升谋发展。在工作第3年的时候，自我感觉准备差不多了，开始去阿里面试，所以才有了那段裸辞的经历。当然我摔的很惨，也重新认识了自己。

我们做一个时间切片，把过去的自己和现在的自己对比，你会我发现当时所经历的，觉得很困难的事，现在看来都不是事。给自己的人生列个目标，知道自己想成为什么样的人，实现目标，自己的差距就会越来越小。
还有什么想了解的可以
有想了解更多的小伙伴可以加Q群 链接 里面看一下，应该对你们能够有所帮助