全文总字数：7141字

1. 研究目的与意义（文献综述）

目的：

搜集整理领域数据，设计领域schema，构建领域知识图谱，实现可视化分析。

以深度学习为代表的感知智能，因为模型的不可解释性，也缺乏普通人类的常识，逐渐遇到瓶颈。未来人工智能的发展会更加注重机器的认知能力，对知识库更加依赖，包括通用知识库和领域知识库，而构建知识库的技术正是知识图谱构建技术。所以，实现特定领域的智能化，领域知识图谱构建是必要的。

2. 研究的基本内容与方案

目标：搜集整理领域相关的数据，通过设计schema合理整合数据，运用关联数据库和图数据库结合的方式存储数据，构建领域知识图谱，实现可视化分析。

研究的基本内容包括：（1）领域知识图谱数据的搜集和整理：从开源的数据库、专利库等数据源获取数据，并进行数据清洗，构建领域相关词表；（2）领域知识图谱schema的设计：根据领域知识的特点发掘领域知识间的关联，构建对应的schema；（3）知识图谱可视化：将领域知识图谱以合理的形式存储，并实现领域知识图谱的可视化。

拟采用的技术方案及措施：（1）python网络爬虫技术：领域数据获取具有一定的门槛，如电商领域的用户行为数据往往是公司内部数据，不予公开。本研究拟采用python爬虫技术对公开数据进行爬取和整合，如产业链中企业的工商信息，股东信息，竞品信息，投资信息，开庭公告，新闻舆情，专利信息，软件著作权，供应商信息，客户信息等；（2）拟采用基于bert和bilstm的命名实体识别模型对公司名、人名进行命名实体识别；（3）用基于半监督学习的deepdive筛选和构建结构化的数据。（4）拟采用图数据库和关系数据库结合的方式存储知识图谱数据，关系数据库主要作为数据处理过程中的过度，图数据库用于最终的可视化分析；（5）拟采用python的django框架开发b/s系统，可视化知识图谱，方便用户进行可视化分析。

3. 研究计划与安排

(1)2020/1/13—2020/2/28：确定选题，查阅文献，外文翻译和撰写开题报告；

(2)2020/3/1—2020/4/30：系统架构、程序设计与开发、系统测试与完善；

(3)2020/5/1—2020/5/25：撰写及修改毕业论文；

4. 参考文献（12篇以上）

[1]zhang, ce . "deepdive: a data management system for automatic knowledge base construction." dissertations 2013: 993-996.

[7]frank j r , kleiman-weiner m , roberts d a , et al. building an entity-centric stream filtering test collection for trec 2012[c]// text retrieval conference. 2012.

[8]ré, christopher, sadeghian a a , shan z , et al. feature engineering for knowledge base construction[j]. computer science, 2014.1-19.