下面的文章是本人的实际开发工作中的真实的总结，如果转载请说明出处。

原理要做深度学习，肯定不能离开TensorFlow, MXNet之类的。 spark-deep-learning也是如此，尝试和Tensorflow进行整合。那么如何进行整合呢？ 我们知道Tensorflow其实是C++开发的，平时训练啥的我们主要使用python API。Spark要和TensorFlow 进行整合，那么有三种方式：走Tensorflow的Java API走Tensorfl...

1.spark的核心抽象：RDD为什么要做RDD这样的抽象呢？主要是因为它的一致性、高效并行、容错机制，RDD屏蔽了分布式的复杂性，使开发程序时简单如写单机程序。RDD也提供了一些操作，如transform和action，通过对RDD操作业务的封装以及计算逻辑，我们就会形成一个大的DAG计算图（参考下图右）。2.spark的大数据生态：这部分是讲spark的数据生态，包括它支持的组件库、...

知识图谱数据写入与构建在这里 如何自动化构建知识图谱本人提供一个基本思路：a,将需要抽取的数据从库里面读出、关系的提取模型、三元组数据的写入的代码全部整合封装成一个类函数（class NEO4J）。b,然后只要输入一个位置数字即从xx位置开始读取数据，数据读取后自动进入关系提取模型得到三元组，将得到的三元组自动同时写入mongodb和neo4j中，存入mongodb是为了备份。c,至于代码...

主要的有：1，词向量的表示学习方法2, skip_gram模型的算法逻辑3，随机梯度下降法4，矩阵分解和高斯模型嵌入5，图谱推理技术与skip_gram和词向量结合法-图谱向量化表示下面是学习笔记拍摄成图片：...

1.spark的核心抽象：RDD为什么要做RDD这样的抽象呢？主要是因为它的一致性、高效并行、容错机制，RDD屏蔽了分布式的复杂性，使开发程序时简单如写单机程序。RDD也提供了一些操作，如transform和action，通过对RDD操作业务的封装以及计算逻辑，我们就会形成一个大的DAG计算图（参考下图右）。2.spark的大数据生态：这部分是讲spark的数据生态，包括它支持的组件库、...

主要的有：1，词向量的表示学习方法2, skip_gram模型的算法逻辑3，随机梯度下降法4，矩阵分解和高斯模型嵌入5，图谱推理技术与skip_gram和词向量结合法-图谱向量化表示下面是学习笔记拍摄成图片：...

1.spark的核心抽象：RDD为什么要做RDD这样的抽象呢？主要是因为它的一致性、高效并行、容错机制，RDD屏蔽了分布式的复杂性，使开发程序时简单如写单机程序。RDD也提供了一些操作，如transform和action，通过对RDD操作业务的封装以及计算逻辑，我们就会形成一个大的DAG计算图（参考下图右）。2.spark的大数据生态：这部分是讲spark的数据生态，包括它支持的组件库、...

主要的有：1，词向量的表示学习方法2, skip_gram模型的算法逻辑3，随机梯度下降法4，矩阵分解和高斯模型嵌入5，图谱推理技术与skip_gram和词向量结合法-图谱向量化表示下面是学习笔记拍摄成图片：...

知识图谱分为模式层和数据层两部分：其中模式层是是知识图谱的核心，在模式层存储的是经过提炼的知识；数据层存储的是具体数据信息。图谱模式层和数据层定义如下：（一）模式层：模式层使用mysql数据库来存储，设计方式如下：1，类层次结构：有些知识图谱采用的是树状的类结构，每个子类继承其祖先节点的属性。图谱采用的是简单的两层类层次结构，object_object类是根节点，其他所有类是其子节点。2...