最近几年，例如YAGO和DBpedia等大规模知识库发展有了很大的进步。
知识库提供了大量的不同种类的实体信息，如人、国家、河流、城市大学等等，同时知识库包含了大量的在实体（entity）间的关系既事实（fact）。
当今的知识库包含的数据量是巨大的通常有百万个实体和上亿个描述实体间关系的事实数据。
虽然目前的知识库存在大量的实体和事实数据，但是这样大规模的数据仍然不完整。
目前构建知识库的方法主要有两种，一种是从大量的文本中抽取事实但这种方法必然会带来大量的噪声数据，第二是人工扩展，但这样的方法对于时间的开销是极大的。
如果确保一个知识库是完整的则必须花费很大的努力来抽取大量的事实，并检查事实的正确性，因为只有正确的事实加入到知识库中才是有意义的。
同时知识库的本身由于有足够的信息可以推理出更多的新的事实。
例如有这样一个例子，一个知识库包含一组事实是孩子c有一个妈妈m，这样可以推理得出孩子妈妈的丈夫f很可能是孩子的父亲。
该逻辑规则形式化的描述如下：motherof(m,c)∧marriedTo(m,f)⟹fatherof(f,c)挖掘这种规则可帮助做一下四种事情：1、利用这种规则来推理出新的事实，而这些被挖掘出的新的事实可以使知识库更完整。
2、这些规则可以检测出知识库潜在的错误例如一个陈述是一个与一个男孩无关的人是这个男孩的父亲，这样的陈述很可能是错误的。
3、有很多推理工具依赖其他工具提供规则，所以这些被挖掘出来的规则可以用于推理。
4、这些规则描述一个普遍的规律，这些规律可以帮我我们理解分析知识库中的数据，如找到一些国家通常与说同一种语言的国家交易。
或结婚是一个对称关系，或使用同一个乐器的音乐家通常互相影响等等。
AMIE的目标是从RDF格式的知识库中挖掘如上所述的逻辑规则，在语义网（SemanticWeb）中存在大量的RDF知识库如YAGO、Freebase和DBpedia等。
这些知识库使用RDF三元组（S,P,O）提供二元关系（binaryrelation）的描述。
由于知识库一般只包含正例而（S,P,O）没有反例（S,¬P,O），所以RDF这样的知识库中仅能通过正例来推理。
进一步来说在RDF知识库上的操作是基于开放世界假设（OWA）的。
在开放世界假设下，一个事实没有在知识库中存在那么我们不能说这个事实是错误的，只能说这个陈述是未知的。
这与标准的数据库在封闭世界假设的设定有本质上的区别。
例如在知识库中没有包含marry(a,b)，在封闭世界假设中我们可以得出这个a没有和b结婚而在开放世界假设下我们只能说a可能结婚了也可能单身。
压缩包内包含AMIE可运行源代码与相应文档资料，欢迎下载参考

稀疏矩阵的三元组程序，完全正确.稀疏矩阵的三元组存储

稀疏矩阵（矩阵零元素个数远大于非零元素），为节省存储空间，用三元组

1．两个串相等的充要条件是（）。
A．串长度相等B．串长度任意C．串中各位置字符任意D．串中各位置字符均对应相等2．对称矩阵的压缩存储：以行序为主序存储下三角中的元素，包括对角线上的元素。
二维下标为(i,j),存储空间的一维下标为k，给出k与i,j(i＜j)的关系k=（）（1＜=i,j＜=n,0＜=k＜n*(n+1)/2)。
A．i*(i-1)/2+j-1B．i*(i+1)/2+jC．j*(j-1)/2+i-1D．j*(j+1)/2+i3．二维数组A[7][8]以列序为主序的存储，计算数组元素A[5][3]的一维存储空间下标k=（）。
A．38B．43C．26D．294．已知一维数组A采用顺序存储结构，每个元素占用4个存储单元，第9个元素的地址为144，则第一个元素的地址是（）。
A．108B.180C.176D.1125.下面（）不属于特殊矩阵。
A．对角矩阵B.三角矩阵C.稀疏矩阵D.对称矩阵6.假设二维数组M[1..3,1..3]无论采用行优先还是列优先存储，其基地址相同，那么在两种存储方式下有相同地址的元素有（）个。
A.3B.2C.1D.07.若Tail(L)非空，Tail(Tail(L))为空，则非空广义表L的长度是（）。
(其中Tail表示取非空广义表的表尾)A.3B.2C.1D.08．串的长度是（）。
A．串中不同字母的个数B．串中不同字符的个数C．串中所含字符的个数，且大于0D．串中所含字符的个数9．已知广义表((),(a),(b,c,(d),((d,f))))，则以下说法正确的是（）。
A．表长为3，表头为空表，表尾为((a),(b,c,(d),((d,f))))B．表长为3，表头为空表，表尾为(b,c,(d),((d,f)))C．表长为4，表头为空表，表尾为((d,f))D．表长为3，表头为(())，表尾为((a),(b,c,(d),((d,f))))10．广义表A=(a,b,c,(d,(e,f)))，则Head(Tail(Tail(Tail(A))))的值为（）。
(Head与Tail分别是取表头和表尾的函数)A．(d,(e,f))B．dC．fD．(e,f)二、填空题（每空2分，共8分）。
1．一个广义表为F=(a,(a,b),d,e,(i,j),k)，则该广义表的长度为________________。
GetHead(GetTail(F))=_______________。
2．一个n*n的对称矩阵，如果以行或列为主序压缩存放入内存，则需要个存储单元。
3．有稀疏矩阵如下：005700-300040020它的三元组存储形式为:。
三、综合题（共22分）。
1．（共8分）稀疏矩阵如下图所示，描述其三元组的存储表示，以及转置后的三元组表示。
0-30004060000007015080转置前（4分）：转置后（4分）：2.（共14分）稀疏矩阵M的三元组表如下，请填写M的转置矩阵T的三元组表，并按要求完成算法。
（1）写出M矩阵转置后的三元组存储（6分）：M的三元组表：T的三元组表：ije2133244254

B树的删除.swfB树的生长过程.swf三元组表的转置.swf中序线索化二叉树.swf串的顺序存储.swf二分查找.swf二叉排序树的删除.swf二叉排序树的生成.swf二叉树的建立.swf克鲁斯卡尔算法构造最小生成树.swf冒泡排序.swf分块查找.swf单链表结点的删除.swf单链表结点的插入.swf图的深度优先遍历.swf基数排序.swf堆排序.swf头插法建单链表.swf寻找中序线索化二叉树指定结点的前驱.swf寻找中序线索化二叉树指定结点的后继.swf尾插法建表.swf希儿排序.swf开放定址法建立散列表.swf循环队列操作演示.swf快速排序.swf拉链法创建散列表.swf拓扑排序.swf最短路径.swf朴素串匹配算法过程示意.swf构造哈夫曼树的算法模拟.swf构造哈夫曼树过程.swf栈与递归.swf树、森林和二叉树的转换.swf桶式排序法.swf直接插入排序.swf直接选择排序.swf规并排序.swf邻接表表示的图的广度优先遍历.swf邻接表表示的图的深度优先遍历.swf顺序查找.swf顺序栈（4个存储空间）.swf顺序栈（8个存储空间）.swf顺序表的删除运算.swf顺序表的插入.swf顺序队列操作.swf

利用pandas将excel中数据抽取，以三元组形式加载到neo4j数据库中构建相关知识图谱

采用三元组表示稀疏矩阵，并定义矩阵的加、减、乘运算正交链表表示稀疏矩阵

lz算法实现：输入字符串，根据lz算法，输出三元组。
代码可运行，算法实现具体，c语言实现。

17.稀疏矩阵和三元组稀疏矩阵压缩算法.ppt

可参看博客：https://blog.csdn.net/luolan9611/article/details/88578720视觉问题回答（VQA）需要联合图像和自然语言问题，其中许多问题不能直接或清楚地从视觉内容中得到，而是需要从结构化人类知识推理并从视觉内容中得到证实。
该论文提出了视觉知识记忆网络（VKMN）来解决这个问题，它将结构化的人类知识和深层视觉特征无缝融入端到端学习框架中的记忆网络中。
与现有的利用外部知识支持VQA的方法相比，本文更多地强调了两种缺失的机制。
首先是将视觉内容与知识事实相结合的机制。
VKMN通过将知识三元组（主体，关系，目标）和深层视觉特征联合嵌入到视觉知识特征中来处理这个问题。
其次是处理从问题和答案对中扩展出多个知识事实的机制。
VKMN使用键值对结构在记忆网络中存储联合嵌入，以便易于处理多个事实。
实验表明，该方法在VQAv1.0和v2.0基准测试中取得了可喜的成果，同时在知识推理相关问题上优于最先进的方法。

在日常工作中，钉钉打卡成了我生活中不可或缺的一部分。然而，有时候这个看似简单的任务却给我带来了不少烦恼。 每天早晚，我总是得牢记打开钉钉应用，点击"工作台"，再找到"考勤打卡"进行签到。有时候因为工作忙碌，会忘记打卡，导致考勤异常，影响当月的工作评价。而且，由于我使用的是苹果手机，有时候系统更新后，钉钉的某些功能会出现异常，使得打卡变得更加麻烦。 另外，我的家人使用的是安卓手机，他们也经常抱怨钉钉打卡的繁琐。尤其是对于那些不太熟悉手机操作的长辈来说，每次打卡都是一次挑战。他们总是担心自己会操作失误，导致打卡失败。 为了解决这些烦恼，我开始思考是否可以通过编写一个全自动化脚本来实现钉钉打卡。经过一段时间的摸索和学习，我终于成功编写出了一个适用于苹果和安卓系统的钉钉打卡脚本。