【视频裂变】 1.增加了视频裂变转场特效，可大幅度提高视频原创度 2.增加了自动截取视频封面功能 3.导出标题支持用歌曲名称用《》相加，效果如下：《巴巴贝 - 侧脸 (片段)》《安和桥（Cover 宋冬野） - 宇西》《张羽清 - 理想三旬》《巴哥bart - 来自天堂的魔鬼 (英文版)》《小洲 - 后来 (片段)》 4.歌词设置：支持添加krc和lrc格式的歌词（歌词名称需要和歌曲名称完全一致），lrc歌词不支持卡拉ok效果字幕 5.歌词设置：支持添加视频歌单字幕，并自定义显示时长 【图转视频】 1.可以批量将jpg、png格式的图片转换为视频，支持6种视频转换效果，用图片转的视频当做视频素材，可以大幅度提高视频原创度！ 【视频裁剪】 1.可以批量裁剪视频大小，并强制导出为设置的分辨率大小，将视频素材裁剪小一些，也可以提高视频原创度。 【总结】 先把图片批量转换成视频素材，然后做MV视频，可以大幅度提高视频原创度，建议参考同类账号，比如30分钟的女声DJ、车载DJ、古风音乐等。

LOCTriples 中国城市信息知识图谱，包含中国所有县级以上城市三元组信息，共18534个三元组 格式如下所示： 以丰台区为例 丰台区#区人大主任#李昌安 丰台区#所属地区#中国北京市 丰台区#地理位置#北京市中心城区的南部 丰台区#车牌代码#京 丰台区#行政代码#110106 丰台区#机场#北京南苑机场，北京新机场等 丰台区#气候条件#暖温带半湿润季风型气候 丰台区#区委书记#汪先永 丰台区#火车站#北京南站、北京西站等 丰台区#行政区类别#市辖区 丰台区#下辖地区#丰台街道、卢沟桥乡、南苑街道等 丰台区#区政协主席#刘宇 丰台区#电话区号#010 丰台区#面积#305.87平方千米 丰台区#人口#225.5万（2016年） 丰台区#区长#冀岩 丰台区#著名景点#卢沟桥、宛平城、北京园博园、世界花卉大观园、北宫国家森林公园 丰台区#GDP#1262.6亿元（2016年） 丰台区#方言

家庭背景的知识图谱三元组数据， entities.txt facts.txt relations.txt test.txt train.txt valid.txt

小型金融知识图谱构建流程 小型金融知识图谱构流程示范 小型金融知识图谱构流程示范 1 知识图谱存储方式 2 图数据库neo4j 2.1 下载 2.2 启动 2.2.1 打开 http://localhost:7474 2.2.2 初始账户和密码均为neo4j（host类型选择bolt） 2.2.3 输入旧密码并输入新密码 2.2.3 登录 3. 知识图谱数据准备 3.1 数据接口 3.2 数据获取 3.2.1 股票基本信息 3.2.2 股票持有股东信息 3.2.3 股票概念信息 3.2.4 股票公告信息 3.2.5 财经新闻信息 3.2.6 概念信息 3.2.7 沪股通和深股通成分信息 3.2.8 股票价格信息 3.2.9 tushare免费接口获取股票数据 3.3 数据预处理 3.3.1 统计股票的交易日量众数 3.3.2 计算股票对数收益 3.3.3 股票间对数收益率相关性 4 搭建金融知识图谱 4.1 连接 4.2 读取数据 4.3 填充和去重 4.4 创建实体 4.5 创建关系 5 数据可视化查询（以平安银行为例） 5.1 查看关联

在知识图谱的嵌入模型中利用本体图式信息 概述 该包包含以下所有源代码和数据集： 基于能量的知识图模型的有效训练。 在学习期间利用架构信息（在RDF架构中表示）。 此包中实现的模型扩展了以下工作中提出的模型： 翻译嵌入(TransE) - Bordes 等人，NIPS 2013。 语义匹配能量(SME) - Bordes 等人，MLJ 2013。 结构化嵌入(SE) - Bordes 等人，AAAI 2011。 包装内容： learn_parameters.py ：处理主要的学习过程。 data/ ：包含所有数据集，即 FB13、FB15k、WN11、WN18、DBpedia 2014、YAGO3。 FB13、FB15k、WN11和WN18用于文献中的相关作品； DBpedia 2014 和 YAGO3 是来自语义 Web 文献的另外两个大型数据集。 energy/ ：包

知识图谱构建代码，python

一个完整的知识图谱构建方法及流程，其中详细说明了信息抽取的研究历史和所用算法，如：基于规则和统计学方法等。

实践了下怎么建一个简单的知识图谱，两个版本，一个从0开始（startfromscratch），一个在CN-DBpedia基础上补充，把MySQL，PostgreSQL，Neo4j数据库都尝试了下。自己跌跌撞撞摸索可能踩坑了都不知道，欢迎讨论。知识库可以分为两种类型，一种是以Freebase，Yago2为代表的CuratedKBs，主要从维基百科和WordNet等知识库中抽取大量的实体及实体关系，像是一种结构化的维基百科。另一种是以StanfordOpenIE，和我们学校Never-EndingLanguageLearning(NELL)为代表的ExtractedKBs，直接从上亿个非结构化网页

市场趋势预测 这是一个构建知识图谱课程的项目。 该项目利用历史股票价格，并整合了来自客户的社交媒体，以预测道琼斯工业平均指数（DJIA）的市场趋势。 数据周期：2016年8月1日至2017年10月31日。DJIA数据范围：2016年8月1日至2017年11月30日。数据来源：Business Insider（记录号：2,017），Reddit finance（4,383），facebook（11,528） ），雅虎财经（10,478），Twitter（24,271）结构数据：Facebook，Twritter。 预测结果 请。 请引用。 T+1 Prediction

基于深度学习的作物病虫害可视化知识图谱构建.pdf