Ecosyste.ms: Awesome
An open API service indexing awesome lists of open source software.
https://github.com/xianghuisun/Chinese_KGQA
该仓库目的是实现基于知识图谱的中文问答系统
https://github.com/xianghuisun/Chinese_KGQA
Last synced: about 1 month ago
JSON representation
该仓库目的是实现基于知识图谱的中文问答系统
- Host: GitHub
- URL: https://github.com/xianghuisun/Chinese_KGQA
- Owner: xianghuisun
- Created: 2021-12-05T03:32:35.000Z (about 3 years ago)
- Default Branch: main
- Last Pushed: 2021-12-22T11:12:22.000Z (almost 3 years ago)
- Last Synced: 2024-11-10T13:51:21.392Z (about 1 month ago)
- Language: Jupyter Notebook
- Size: 8.89 MB
- Stars: 50
- Watchers: 3
- Forks: 11
- Open Issues: 2
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
- StarryDivineSky - xianghuisun/Chinese_KGQA
README
# Chinese_KGQA
**该仓库目的是收集、整理基于知识图谱的中文问答系统的相关研究工作，实现一个基于知识图谱的中文问答系统**
- code文件夹下存放问答模型，每一个模型是一个文件夹，用模型的名称命名
- data文件夹下存放问答数据集
- kg文件夹下存放知识图谱
- png文件夹下存放所需要的图片
- result文件夹下记录code文件夹下的每一个模型在data文件夹下的每一个数据集上的实验结果
- notebook文件夹下存放问答模型，每一个模型是一个文件夹，用模型的名称命名。与code文件夹不同的是notebook文件夹下的代码以notebook展示，尽可能的展示问答模型的细节
- **kgclue文件夹存放[KgCLUE](https://github.com/CLUEbenchmark/KgCLUE)评测榜的代码和实验记录**
## kgclue文件夹
[KgCLUE](https://github.com/CLUEbenchmark/KgCLUE)是一个大规模中文开源知识图谱问答项目，提供了[评测榜](https://www.cluebenchmarks.com/kgclue.html)。
该文件夹下的子文件夹以实验模型的名称命名，对应的README文件介绍了每一个实验模型以及评测分数
## code文件夹
该文件夹下的子文件夹都是以模型名称命名，目前包括：
- [TransferNet](https://github.com/shijx12/TransferNet)
- [Embed-KGQA](https://github.com/malllabiisc/EmbedKGQA)
## data文件夹
该文件夹下的子文件夹都是以QA数据集名称命名，目前包括：
- WebQSP
- nlpcc2018(官网：http://tcci.ccf.org.cn/conference/2018/taskdata.php，选择task7，Open Domain Question Answering，即可下载数据集。数据集包含知识图谱和问答数据)
## kg文件夹
该文件夹下的子文件是以知识图谱的名称命名，目前包括：
- fbwq_full（来源https://drive.google.com/file/d/1uWaavrpKKllVSQ73TTuLWPc4aqVvrkpx/view?usp=sharing，也就是[Embed-KGQA](https://github.com/malllabiisc/EmbedKGQA)给出的整理好的知识图谱）
- nlpcc2018（来源就是官网http://tcci.ccf.org.cn/conference/2018/taskdata.php中下载的知识图谱）
- PKU（北大的中文百科知识图谱。链接：https://pan.baidu.com/s/1Br8eU60t2fV4crtC2HOlSg 提取码：tvv1）
## 相关工作和资源总结
### 博客
1. [开放知识图谱](https://blog.csdn.net/TgqDT3gGaMdkHasLZv)
### GitHub链接
#### 关于KGE
| 链接 | 说明 | 备注 |
| ---------------------------------------------------- | ------------------------------------------------ | ------------------------------------------------------------ |
| https://github.com/uma-pi1/kge/ | 专门用于KGE的仓库，实现了诸多KGE模型 | 代码看的有点懵 |
| https://github.com/Sujit-O/pykg2vec | 另一个专门用于KGE的仓库，实现了诸多KGE模型 | 目前还不清楚和上个kge仓库哪个好用 |
| https://github.com/facebookresearch/PyTorch-BigGraph | 专门针对超大规模知识图谱嵌入、存储以及应用的仓库 | |
| https://github.com/facebookresearch/kbc | BigGraph中的一个子模块，专门实现了ComplEx模型 | 代码量简洁，很方便的实现ComplEx模型在FB15k和其他数据集的实验 |
#### 关于KGQA
| 链接 | 说明 | 备注 |
| ----------------------------------------- | ------------------------------ | ---- |
| https://github.com/malllabiisc/EmbedKGQA/ | ACL2020论文EmbedKGQA的源码 | |
| https://github.com/shijx12/TransferNet | EMNLP2021论文TransferNet的源码 | |
#### 其它
| 链接 | 说明 | 备注 |
| --------------------------------------------- | ------------------------------------------------------------ | ------------------------------------------ |
| https://github.com/BDBC-KG-NLP/QA-Survey | 北航某个团队的项目，对问答系统的总结，包括各种任务问答（文本、图谱等）。 | 总结的相当全面，包括学术界和工业界 |
| https://github.com/liuhuanyong/QAonMilitaryKG | 360某个NLP专家的代码，军事领域知识图谱问答系统。 | 这个专家的GitHub仓库很多都是关于知识图谱的 |
| https://github.com/BshoterJ/awesome-kgqa | 该仓库主要记录了关于KGQA的一些资源，包括论文、比赛等 | |
### 论文
#### 综述
- [Knowledge Graph Embedding: A Survey of Approaches and Applications](https://persagen.com/files/misc/Wang2017Knowledge.pdf)
- [A survey of embedding models of entities and relationships for knowledge graph completion](https://arxiv.org/pdf/1703.08098.pdf)
#### KGQA
- [Improving Multi-hop Question Answering over Knowledge Graphs using Knowledge Base Embeddings](https://aclanthology.org/2020.acl-main.412.pdf)
- [TransferNet: An Effective and Transparent Framework for Multi-hop Question Answering over Relation Graph](https://arxiv.org/abs/2104.07302)
#### KGE
### 中文开放域知识图谱
- PKU（北大的中文百科知识图谱。链接：https://pan.baidu.com/s/1Br8eU60t2fV4crtC2HOlSg 提取码：tvv1）
- nlpcc2018(官网：http://tcci.ccf.org.cn/conference/2018/taskdata.php 选择task7 Open Domain Question Answering，即可下载数据集。数据集包含知识图谱和问答数据)
- 思知知识图谱（地址：https://www.ownthink.com/docs/kg/）
- KgCLUE（地址：https://github.com/CLUEbenchmark/KgCLUE）
这四个是比较大的开放域知识图谱，此外还有一些垂类领域如军事、医学、法律等领域的知识图谱，这里不再介绍。
### 中文问答数据（基于开放域知识图谱）
- ccks（https://github.com/pkumod/CKBQA/tree/master/data）
- nlpcc2018 (官网：http://tcci.ccf.org.cn/conference/2018/taskdata.php 选择task7 Open Domain Question Answering，即可下载数据集。数据集包含知识图谱和问答数据)
- KgCLUE（地址：https://github.com/CLUEbenchmark/KgCLUE）
### 个人总结的博客
尽量按照所列顺序阅读
1. [简要总结一篇知识图谱嵌入综述](https://blog.csdn.net/m0_45478865/article/details/121304792)
2. [简单实现几篇知识图谱嵌入(Knowledge Graph Embedding，KGE)模型](https://blog.csdn.net/m0_45478865/article/details/121195480)
3. [KGQA概览](https://blog.csdn.net/m0_45478865/article/details/121104817)
4. [EmbedKGQA论文简要解读](https://blog.csdn.net/m0_45478865/article/details/121203874)