- 综合排序
- 最热优先
- 最新优先
- 来自专栏阮一峰的网络日志
Freebase.com 介绍
3个月前，就在freebase.com上线的第二天，我在日志里惊呼"这将是互联网上继Wikipedia之后又一个杀手级的应用"。可惜当时freebase.com不对外开放，我不能进去看个究竟。 Freebase的作用 首先，我来说一下，这个网站到底是干什么的。 简单说，Freebase是个类似wikipedia的创作共享类网站，所有内容都由用户添加，采用创意共用许可证，可以自由引用。 举例来说，将来可以很方便地在Freebase中查到"出生于1946年的美国电影导演的名单"，然后你就可以根据这份名单，立即从Freebase中提取他们每个人的简历。 推而广之，Freebase的目标是包含地球上的所有信息，因此可以设想，理论上，将来可以从freebase中得到任何信息。 Freebase的结构 Freebase的结构分为三层：Domain -> Type -> Topic。
1.4K150发布于 2018-04-13 - 来自专栏阮一峰的网络日志
信息的分类（续）：ODP（Open Directory Project） 和 FreeBase
我之所以今天会去看ODP，完全是因为Tim O'Reilly提到昨天（2007年3月9日）有一个新网站FreeBase.com上线。FreeBase的目标是收集和整理世界上所有的信息。 我认为，FreeBase将是互联网上继Wikipedia之后又一个杀手级的应用。我从寥寥几行的介绍中，已经得到了极大的启发。可惜现在，FreeBase只有受到邀请的人才能加入，我进不去，真是着急啊！
1.2K110发布于 2018-04-13 - 来自专栏阮一峰的网络日志
欧美流行音乐数据库
它是我这几天研究freebase的一个试验性作品，目的是为了掌握freebase的使用方法和数据结构。但是现在看上去，这个小作品本身似乎也有一定的使用价值。 我把它单独放出来，明天再来详细谈我对freebase的认识。 （完）
1K30发布于 2018-09-21 - 来自专栏华章科技
吐血整理！12种通用知识图谱项目简介
2012年谷歌基于Freebase正式发布Google Knowledge Graph。 目前微软和谷歌拥有全世界最大的通用知识图谱，脸书拥有全世界最大的社交知识图谱。 Freebase Freebase是Google Knowledge Graph的早期版本，由MetaWeb公司在2005年建立，通过开源免费共享方式众筹数据[3]。 Freebase通过对象、事实、类型和属性进行知识表示，其中一个重要的创新在于采用复合值类型（Compound Value Type，CVT）来处理多元关系，也就是说一个关系包含多个子二元关系。 目前Freebase正在向Wikidata上迁移以进一步支持谷歌语义搜索。 4. CN-DBpedia的概念本体复用已有成熟的概念体系（如DBpedia、YAGO、Freebase等）。
4.2K10编辑于 2022-04-14 - 来自专栏机器学习AI算法工程
知识问答KB-QA
收购的Freebase中包含了上千万个实体，共计19亿条triple。 与Freebase相比，这样得到的知识更加具有多样性，而它们的实体关系和实体更多的则是自然语言的形式，如“奥巴马出生在火奴鲁鲁。” Semantic Parsing on Freebase from Question-Answer Pairs[C]//EMNLP. 2013, 2(5): 6. Cai Q, Yates A. 以上论文几乎都使用了Freebase作为knowledge base，并且在WebQuestion数据集上进行过测试，这里给出各种方法的效果对比图，给大家一个更加直观的感受。 ? 注意，这里对答案进行了限制，让AMT的工人只能把答案设置为Freebase上的实体（entity），实体列表，值（value）或者no-answer。
1.2K20发布于 2020-05-15 - 来自专栏机器学习AI算法工程
KB-QA：如何对问题进行信息抽取？
该方法来自约翰·霍普金斯大学Yao X, Van Durme B.的 Information Extraction over Structured Data: Question Answering with Freebase 接下来，我们去寻找和实体关系brother相关的实体（事实上freebase里没有brother这个实体关系，而是sibling，我们需要进行一个简单的推理），最后得到答案。 在知识库中，如果同一个topic节点的同一个关系对应了多个实体，如Justin Bieber的preon.sibing_s关系可能对应多个实体，那么freebase中会设置一个虚拟的dummy node 作者先通过命名实体识别提取问题中的所有命名实体（如果提取不到一个命名实体，则使用名词短语代替），将所有命名实体输入到Freebase Search API中，选取返回排名最高的作为最终的主题词，使用Freebase 当然使用Freebase Search API这个方法可能会错过真正和答案相关的主题词（topic），作者也测试了模型在真实的主题词（Gold Retrieval）下的F1 score，结果如下： ?
1.2K20发布于 2020-05-26 - 来自专栏AI研习社
动态 | Facebook 开源高速大规模图嵌入工具 PBG
PyTorch-BigGraph 评估结果 为了准确评估 PBG 的性能，我们采用包含超过 1.2 亿个节点与 27 亿个边缘的开源 Freebase 知识图。 此外还采用较小的 Freebase 知识图子集——FB15k，它包含了 15,000个节点和600,000个边缘，一般被用作多关系嵌入方法的基准。 ? PBG 基于 Freebase 知识图所训练的嵌入 t-SNE 图。如国家、数字和科学期刊之类的实体具有类似的嵌入情况。 接着，我们使用 PBG 训练完整的 Freebase 图嵌入。该大小的数据集能够适应现代服务器，但 PBG 的分区与分布式执行可以有效减少内存使用与训练时间。 虽然我们选择在 Freebase 这样的数据集上演示 PBG，但 PBG 的最终目是想处理哪些10至100倍大的图像。我们鼓励从业者们在更大的数据集上进行实验。
88820发布于 2019-05-08 - 来自专栏AI科技评论
动态 | Facebook 开源高速大规模图嵌入工具 PBG
PyTorch-BigGraph 评估结果 为了准确评估 PBG 的性能，我们采用包含超过 1.2 亿个节点与 27 亿个边缘的开源 Freebase 知识图。 此外还采用较小的 Freebase 知识图子集——FB15k，它包含了 15,000个节点和600,000个边缘，一般被用作多关系嵌入方法的基准。 ? PBG 基于 Freebase 知识图所训练的嵌入 t-SNE 图。如国家、数字和科学期刊之类的实体具有类似的嵌入情况。 接着，我们使用 PBG 训练完整的 Freebase 图嵌入。该大小的数据集能够适应现代服务器，但 PBG 的分区与分布式执行可以有效减少内存使用与训练时间。 虽然我们选择在 Freebase 这样的数据集上演示 PBG，但 PBG 的最终目是想处理哪些10至100倍大的图像。我们鼓励从业者们在更大的数据集上进行实验。
56110发布于 2019-05-08 - 来自专栏机器之心
67 亿美金搞个图，创建知识图谱的成本有多高你知道吗？
人工创建：Cyc 和 Freebase 对于人工创建的知识图谱，我们必须评估提供这些陈述语句（statement）的工作量，从而估计平均成本。 Freebase 是由志愿者共同完成的，因此其工作量更难判断。截止至 2011 年 4 月份，创建英文维基百科的估计时长为 41M 工时。 借鉴这个成本，我们可以假设 Freebase 每一条陈述语句的成本也是 2.25 美元。 这比 Cyc 的平均成本低了一半，这种低成本也是合理的，因为 Cyc 是由人类专家构建的，而 Freebase 由非专业人员创建。 总的而言，对于包含 30 亿事实（fact）的最新版 Freebase，它的总成本约为 67.5 亿美元（$6.75B）。
1.6K40发布于 2019-03-06 - 来自专栏DrugOne
图神经网络框架DGL v0.4.3 新版本发布
用户可以通过 pip 直接安装 DGL-KE： pip install dglke 以下命令展示了如何在 EC2 p3.16xlarge 上使用 8 台 GPU 训练 Freebase 知识图谱（86M dglke_train --model TransE_l2 --dataset Freebase --batch_size 1000 \ --neg_sample_size 200 --hidden_dim 我们的 benchmark 显示，对于 Freebase 这个大规模知识图谱数据集 （86M nodes，338M edges），DGL-KE 可以在 EC2 p3.16xlarge （8 GPU）上 DGL-KE vs Pytorch-Big-Graph on Freebase DGL-KE 的 github 项目主页： https://github.com/awslabs/dgl-ke DGL-LifeSci
1.9K40发布于 2021-02-01 - 来自专栏AI科技评论
中科院赵军：开放域事件抽取 | CCF-GAIR 2018
我们用 Freebase 作为结构化知识，在纽约时报的文本上进行回标。作为过滤噪音的方法，我们用了多示例学习。在传统的方法中，假设回标的每个句子都表示这种关系，它的噪音就很多。 这是我们标注的知识库和语料库，Freebase 和纽约时报。 我们如果这样做的话，可以达到相对比较好的性能（大概在 70% 多的水平），虽然比较低，但已经比传统方法高，因为这是在 Freebase 的很多关系的类别上做的，能做到这个程度，其实就可以看到希望。 还有一个更重要的特征，中间这个是 Marriage，在 Freebase 里面表示为 ID 号，在文本当中不可能找到对应的位置，所以这个最鲜明的特征我们找不着，所以回标的过程中遇到了非常大的困难。 今年，我们 ACL-2018 的一件工作也是在 Freebase 上做的，我们在一个具体的金融领域做一些项目（不是在通用领域），能不能发挥更好的作用。
1.7K40发布于 2018-07-27 - 来自专栏AI科技评论
ICLR2020 | 谷歌最新研究：用“复合散度”量化模型合成泛化能力
在论文中，作者还发布了工作中使用的组合Freebase Questions数据集。 1 组合性测量 为了测量一个系统的泛化能力，首先要理解示例如何生成的基本原理。 组合性的Freebase问题数据集（CFQ） 为了进行准确的组合性实验，作者创建了CFQ数据集，这是一个从公共Freebase知识库生成的自然语言问答的真实大型数据集，虽然简单，但是非常强大。 在具体的实验中，作者将重点放在了语义解析上面，其中输入是一个自然语言问题，输出是一个查询，当对Freebase执行查询时，会产生正确的结果。
45420发布于 2020-03-12 - 来自专栏大数据智能实战
StarSpace（embed all the things嵌入表示）编译和测试
Embedding graphs, e.g. multi-relational graphs such as Freebase. /query_predict <model> k [basedocs] (4) 对多关系图的向量表示（知识表示），测试数据为freebase examples/multi_relation_example.sh
76710编辑于 2022-05-07 - 来自专栏AI科技大本营的专栏
半小时训练亿级规模知识图谱，亚马逊AI开源知识图谱嵌入表示框架DGL-KE
根据 DGL-KE 发布的 Freebase 数据集 （超过 8600 万节点，3 亿条边）Benchmark 显示，在 AWS EC2 平台上，一台 p3.16xlarge （8 GPUs）可以在 100 在 Freebase 这个数据集的实际训练中，METIS 算法可以节省将近 90% 的模型网络传输带宽，从而使分布式训练达到线性加速比。DGL-KE 的分布式训练使用了 DGL-KVStore 组件。 除此之外，DGL-KE 在两个小数据集 FB15k，wn18，以及一个大数据集 Freebase 上提供了训练 Benchmark，用户可以直接通过提供的脚本复现训练结果。 和已有的开源框架相比，DGL-KE 的性能优势明显，如下结果展示了 DGL-KE 与 Graphvite 在 FB15k 数据集上的性能比较，以及和 Pytorch-Biggraph 在 Freebase
2.1K20发布于 2020-04-14 - 来自专栏活动
知识图谱嵌入的无监督学习方法详解
这里我们使用经典的 Freebase 数据集作为示例，Freebase 是一个大规模的开放式知识图谱，包含了大量实体及其相互关系。 tensorflow as tffrom tensorflow.keras.layers import Densefrom networkx.readwrite import json_graph# 加载Freebase 知识图谱数据def load_graph_data(): with open('freebase_data.json') as f: data = json.load(f) graph
58520编辑于 2024-09-21 - 来自专栏python3
Python学习之进程和并发
IP_LIST=['google.com', 'yahoo.com', 'yelp.com', 'amazone.com', 'freebase.com yelp.com Mon Aug 11 15:01:58 2014 DOING PING FOR amazone.com Mon Aug 11 15:01:58 2014 DOING PING FOR freebase.com FOR amazone.com Mon Aug 11 15:02:12 2014 amazone.com RETURNED 1 Mon Aug 11 15:02:12 2014 WAITING FOR freebase.com Mon Aug 11 15:02:12 2014 freebase.com RETURNED 0 Mon Aug 11 15:02:12 2014 WAITING FOR baidu.com Mon
97320发布于 2020-01-08 - 来自专栏AI科技大本营的专栏
AI技术讲座精选：NLP 模型到底选 RNN 还是 CNN？
本文将对 CNN、GRU 和 LSTM 在很多门类的 NLP 任务上进行系统的对比，诸如：情感/关系分类、文本含义、答案选择、在 Freebase 上做问题关系匹配、 Freebase 上的答疑路径以及词性标注
1.8K40发布于 2018-04-26 - 来自专栏机器之心
资源 | 清华大学开源OpenKE：知识表示学习平台
OpenKE 平台，整合了 TransE、TransH、TransR、TransD、RESCAL、DistMult、HolE、ComplEx 等算法的统一接口高效实现，以及面向 WikiData 和 Freebase Wikidata：http://openke.thunlp.org/download/wikidata Freebase：http://openke.thunlp.org/download/freebase
2.6K110发布于 2018-05-10 - 来自专栏相约机器人
可高效训练超大规模图模型，PyTorch BigGraph是如何做到的？
此外，PBG 还使用 Freebase 知识图谱进行了基准测试，该知识图谱包含超过 1.2 亿个节点和 27 亿条边。 另外还使用 Freebase 的一个小子集 FB15k 进行了测试，FB15k 包含 15000 个节点和 600000 条边，常被用作多关系嵌入方法的基准。 但是，当在完整的 Freebase 数据集上评估时，PBG 的内存消耗得到了 88% 的改善。 ? PBG 是首个可扩展的、能训练和处理包含数十亿节点和数万亿边的图数据的方法。
1.2K20发布于 2020-09-28 - 来自专栏专知
【论文推荐】最新5篇知识图谱相关论文—强化学习、习知识图谱的表示、词义消除歧义、并行翻译嵌入、图数据库
proposed method outperforms a path-ranking based algorithm and knowledge graph embedding methods on Freebase Our experiments on benchmark knowledge graphs including DBpedia, YAGO, and Freebase show that using the
1.7K40发布于 2018-04-12
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号