一、简单介绍项目经历？
巴拉巴拉
二、gpt和bert的区别，前面我发的博客中有详细介绍
GPT（Generative Pre-trained Transformer）和BERT（Bidirectional Encoder Representations from Transformers）是当前自然语言处理领域的两个重要模型，它们的区别主要体现在以下几个方面：
1. 架构：
- GPT：GPT是一个单向的生成模型。它通过Transformer架构中的自注意力机制来建模上下文关系，并使用自回归的方式逐字生成下一个单词。GPT模型通常由多个Transformer编码器组成 BERT：BERT是一个双向的预训练模型。它同时考虑了上下文的信息，通过Transformer架构中的双向注意力机制来学习句子的表示。BERT模型通常由多个Transformer编码器层堆叠而成。
2. 预训练方式：
- GPT：GPT使用了大规模的无监督语言模型进行预训练。在预训练阶段，GPT通过自回归地预测下一个单词来学习语言的概率分布。预训练后，GPT模型可以通过给定的前缀生成连贯的文本。
- BERT：BERT使用了掩码语言模型和下一句预测任务进行预训练。在预训练阶段，BERT通过掩盖部分输入和预测被掩盖的内容来学习句子的表示。预训练后，BERT模型可以通过输入任意文本的句子对来计算它们之间的相似度。
3. 任务类型：
- GPT：由于GPT是一个生成模型，它主要用于生成型任务，如文本生成、对话系统、文章摘要等。GPT能够生成连贯的文本，但在理解和回答特定问题方面可能有一些局限性。
- BERT：由于BERT是一个双向的预训练模型，在理解型任务上表现出色。BERT可以应用于文本分类、问答系统、命名实体识别等任务，它能够学习到更丰富的语义表示，有助于更好地理解和处理文本。
4. 应用领域：
- GPT：由于GPT擅长生成连贯的文，它通常在生成型任务方面应用较多，如文本生成、对话系统、文章摘要等。
- BERT：由于BERT具有更好的理解能力，它在理解型任务方面应用广泛，如文本分类、问答系统、命名实体识别等。
需要注意的是，GPT和BERT只是自然语言处理领域中的两个模型，还有其他许多模型和技术可用于不同的任务和应用场景。选择适合特定任务的模型需要考虑任务的性质、数据集的规模、计算资源等因素。
三、手撕代码
def functions(nums:int,t) :
n = len(nums)
left = 0
right = n -1
while left <= right:
mid = (left + right) // 2
if nums[mid] == t:
return True
elif nums[mid] < t:
left = mid
else:
right = mid
return False
nums = [1,2,3,5,6]
t = 5
print(functions(nums,t))四、构建知识图谱的过程：
构建知识图谱的过程可以分为以下几个步骤：
1. 数据收集：收集与特定领域相关的结构化和非结构化数据，包括文本、图像、视频等。这可以通过爬虫技术、数据采集数据库查询等方式进行。
2. 数据预处理：对收集到的数据清洗和归一化处理，包括去除噪声、处理缺失值、标准化数据格式等。这可以借助自然语言处理技术、图像处理技术、数据清洗工具等进行。
3. 实体识别和关系抽取：通过文本挖掘和自然语言处理技术，识别出文本中的实体和关系。实体是指具有唯一标识的具体事物，如人物、地点、组织等；关系是指实体之间的相互关联，如作者和文章、公司和员工等。
4. 知识表示和存储：将识别出的实体和关系进行表示，并存储到知识图谱中。常用的知识表示方式包括三元组表示（主语-谓语-宾语）、图结构表示等。知识图谱可以使用图数据库或者关系数据库进行存储。
5. 知识推理和推断：基于已有的知识，进行推理和推断，获取新的知识。这可以借助逻辑推理、机器学习等算法进行。
6. 知识查询和检索：根据用户的需求，通过查询知识图谱获取相关的知识这可以通过图数据库的查询语言、自然语言问答系统等方式实现。
7. 知识更新和维护：随着时间推移，知识图谱需要进行更新和维护，包括添加新的知识、修正错误的知识等。
以上是构建知识图谱的一般步骤，具体的实施方法和技术可以根据具体需求和场景进行选择和调整。
五、构建知识图谱遇到常见的问题
构建知识图谱时可能会遇到以下常见问题：
1. 数据收集问题：获取高量的数据是构建知识图谱的首要问题。但在实际应用中，数据可能分散在不同的来源和格式中，或者存在数据缺失、不一致等问题，因此需要解决数据收集和整合的难题。
2. 实体识别问题：在构建知识图谱时，需要识别文本中的实体，并将其映射到知识图谱中的节点。但实体识别可能受到文本表达的多样性、语义歧义等问题的影响，导致实体识别的准确性较低。
3. 关系抽取问题：构建知识图谱需要从文本中抽取实体之间的关系，并将其映射到知识图谱中的边。但关系抽取可能受到语义歧义、关系推理等问题的影响，导致关系抽取的准确性较低。
4. 知识融合问题：在构建知识图谱时，可能会遇到来自不同数据源的知识，需要解决知识融合的问题。知识融合涉及到实体对齐、关系对齐等任务，需要解决同一实体或关系的不一致性和冲突性问题。
5. 知识推理问题：知识推理是知识图谱的重要功能之一，但在实际应用中，可能会遇到推理效果不理想、推理过程复杂等问题。这可能是由于知识不完备、推理算法不准确等原因导致的。
6. 知识查询问题：构建知识图谱后，需要进行知识的查询和检索。但在实际应用中，可能会遇到查询效率低下、查询结果不准确等问题。这可能是由于查询语言限制、查询优化不足等原因导致的。
7. 知识更新问题：随着时间推移，知识图谱需要进行更新和维护。但在实际应用中，可能会遇到知识更新不及时、知识维护困难等问题。这可能是由于数据来源不稳定、知识更新机制不完善等原因导致的。
以上是构建知识图谱中常见的问题，解决这些问题需要依靠合适的技术和方法，以及有效的数据源和算法。
六、构建知识图谱如何知识推理
知识推理是知识图谱的重要功能之一，通过利用知识图谱中的实体和关系，进行推理和推断，从而得出新的知识。以下是构建知识图谱中的知识推理的一般步骤：
1. 实体和关系的扩展：首先，需要将已有的知识图谱中的实体和关系进行扩展，以便能够进行更深入的推理。这可以通过从多个数据源中收集数据、进行实体识别和关系抽取等方式来实现。
2. 规则的定义：在进行推理之前，需要定义一些规则，用于描述实体和关系之间的逻辑关系。这些规则可以是基于领域知识或经验得到的，也可以是从已有的知识图谱中学习得到的。
3. 推理规则的应用：根据定义的规则，对知识图谱中的实体和关系进行推理。这可以通过使用逻辑推理方法（如基于规则的推理、基于规则的前向推理、基于规则的后向推理等）来实现。
4. 推理过程的迭代：在推理过程中，可能会得到一些新的实体和关系，可以将这些新的实体和关系添加到知识图谱中，然后再次进行推理。通过迭代推理过程，可以不断丰富和完善知识图谱。
5. 推理结果的验证：对于推理得到的新的实体和关系，需要进行验证，确保其准确性和可靠性。可以使用其他数据源或领域专家的知识来进行验证。
需要注意的是，知识推理是一个相对复杂的过程，需要综合考虑多个因素，如规则的设计、推理算法的选择、推理结果的验证等。同时，推理过程中也可能会面临一些挑战，如数据不完整、规则不准确等。因此，在构建知识图谱并进行推理时，需要仔细设计和考虑各个环节，确保推理结果的正确性和可靠性。
七、举一个知识推理的例子
假设我们有一个汽车知识图谱，其中包含了汽车品牌、车型和零部件的信息。我们可以使用知识推理来推断出一些新的知识。
假设知识图谱中有以下事实：
1. 奔驰是一种汽车品牌。
2. GLE是奔驰的一种车型。
3. GLE使用了V6发动机。
4. V6发动机是一种内燃机。
根据这些事实，我们可以定义以下推理规则：
1. 如果A是B的一种车型，而B使用了C发动机，那么A也动机。
2. 如果A是B的一种车型，而B使用了C发动机，而C是一种内燃机，那么A也使用了内燃机。
然后，我们可以应用这些规则进行推理：
根据规则1和事实2，可以推断出GLE使用了V6发动机。
根据规则2和事实4，可以推断出GLE使用了内燃机。
通过这个例子，我们可以看到，通过应用推理规则，我们可以从已有的知识中得出新的知识。这样，我们可以不断丰富和完善知识图谱。当然，实际的知识推理过程可能更为复杂，需要考虑更多的规则和事实，以及推理结果的验证。
八、构建知识图谱如何进行关系抽取
关系抽取是构建知识图谱的重要步骤，它涉及从文本中提取出实体之间的关系。以下是一些常用的方法和技术，可以用于进行关系抽取：
1. 基于规则的方法：这种方法使用已知的语法规则、词汇规则或模式来抽取关系。例如，可以定义一些模式，如"A是B的一种"、"A使用了B"，然后通过匹配文本中符合这些模式的实例来抽取关系。
2. 基于机器学习的方法：这种方法使用机器学习算法来训练模型，从文本中自动学习关系抽取规则。通常，需要标记一些已知关系的文本作为训练数据，然后使用分类或序列标注模型进行学习和预测。常用的机器学习算法包括条件随机场（CRF）、支持向量机（SVM）和深度学习模型（如循环神经网络和卷积神经网络）。
3. 基于模式匹配的方法：这种方法通过定义一些模式或模板，来匹配文本中的关系实例。可以使用正则表达式、通配符或依存句法树等方法来定义模式。例如，可以定义一个模式，如"A使用了B"，其中A和B分别表示实体，然后通过匹配文本中符合这个模式的片段，来抽取关系。
4. 基于统计的方法：这种方法使用统计模型来分析文本中的语言规律和频率，从而抽取关系。常用的统计模型包括共现统计、词向量模型和聚类分析等。例如，可以分析一段文本中两个实体的共现频率，如果它们经常出现在一起，可能存在某种关系。
除了上述，还可以结合多种方法进行关系抽取，以提高抽取准确度和覆盖率。关系抽取是一个复杂的任务，需要考虑语义的歧义、上下文的影响以及多样化的文本形式。因此，通常需要进行实验和评估，以选择最适合特定任务和数据的方法和技术。
九、构建知识图谱如何进行知识融合
知识融合是指将多个不同来源的知识进行整合和合并，以构建一个更完整、一致和全面的知识图谱。以下是一些常用的方法和技术，可以用于进行知识融合：
1. 实体对齐：实体对齐是将不同来源的知识图谱中的相似实体进行匹和对齐的过程。通过比较实体的属性、关系和上下文信息，可以判断两个实体是否表示同一个概念或实体。实体对齐可以基于规则、机器学习或深度学习等方法。
2. 关系融合：关系融合是将不同来源的知识图谱中的相似关系进行合并的过程。通过比较关系的语义和上下文信息，可以判断两个关系是否表示同一种关系或含义。关系融合可以基于规则、机器学习或深度学习等方法。
3. 语义一致性检：语义一致性检测是判断不同来源的知识图谱中的实体和关系是否具有一致的语义表示和含义的过程。可以使用语义相似度计算、词向量模型或语义角色标注等方法来进行语义一致性检测。
4. 冲突解决：当不同来源的知识图谱中存在冲突的实体或关系时，需要进行冲突解决。可以基于一些规则或优先级，选择一个合适的实体或关系作为最终的融合结果。
5. 更新和维护：知识图谱是一个动态的结构，需要不断更新和维护。当有新的知源加入或原有的知识源发生变化时，需要更新和调整知识融合的算法和策略。
需要注意的是，知识融合是一个复杂而具有挑战性的任务，需要考虑知识的质量、可靠性、覆盖范围和一致性等因素。因此，通常需要进行实验和评估，以选择最适合特定任务和数据的方法和技术。
十、构建知识图谱如何解决词的嵌套关系
构建知识图谱时，可以通过以下方法来解决词的嵌套关系：
1. 词的分词和词性标注：首先，将文本中的句子进行分词，将句子拆分成独立的词语。然后，对每个词语进行词性标注，确定其在句子中的语法角色。
2. 依存句法分析：使用依存句法分析技术，可以识别句子中词语之间的依存关系。依存关系描述了词语之间的语法依赖和句法关系，如主谓关系、动宾关系等。通过分析句子的依存结构，可以获得词语之间的嵌套关系。
3. 命名实体识别：在文本中，有一些词语表示特定的实体，如人名、地名、组织名等。通过命名实体识别技术，可以识别文本中的命名实体，并将其作为独立的节点加入到知识图谱中。这样，可以将包含嵌套关系的实体表示为独立的节点，从而解决词的嵌套关系。
4. 实体关系抽取：在文本中，有一些词语之间存在着具体的关系，如"is、"part-of"关系等。通过实体关系抽取技术，可以识别并抽取文本中的实体关系。将实体和关系作为知识图谱的边，可以建立实体之间的关联关系，包括嵌套关系。
通过以上方法，可以将文本中的词语、实体和关系构建为一个知识图谱，从而充分利用和表示词的嵌套关系。这样，可以更好地理解文本的语义信息，支持更复杂的问题回答和知识推理。