简介gAnswer系统的主要思想，是将自然语言问题转化为语义查询图，再和RDF图做子图匹配。在转换成查询图的第一步就是确定查询图的节点，即节点提取（NodeExtraction,NE）。查询图中的节点由实体（entity）、类型（type）和通配符（wild-cards）构成，因此节点提取的主要工作就是提取问题中的实体和类型的提及（mention），以及给出在知识库中对应的候选。具体而言，节点提取

PART1简介目前基于知识图谱的问答模式有两种，一种是基于信息检索的方式，一种是基于语义分析的方式。前者较之于后者，没有真正关心语义，主要是ranker算法，擅于处理简单问题，后者则是从语义的角度将用户的自然语言问题转化为逻辑形式，再在KG中执行查询。gAnswer就是基于语义分析的方法，区别于传统的语义解析的方法，它是一种新颖的面向知识图谱的自然语言问答系统，以图数据驱动的视角回答RDF知识库上

对于非结构化数据进行数据抽取时需要用到实体识别、关系抽取、属性抽取等众多信息抽取算法。gBuilder在非结构化抽取功能中提供了一系列算法和算子，可通过拖拽的方式进行抽取流程流水线设计。但在实际业务场景中，gBuilder内置的信息抽取模型并不能满足业务的需要，或者使用者本身具有较强研发能力，能够设计准确度更高的算法和模型。因此gBuilder提供了模型标注和训练功能，能够对现在平台已经提供的算法

1.1简介本章主要介绍gStore事务的MVCC实现和事务管理两部分，前者介绍了在事务模式下数据的存储方法，后者介绍了事务的处理流程。请注意，本章的代码省略了磁盘IO的相关操作。1.2MVCC实现gStore的事务实现选择了MVCC(多版本并发控制)，保证了读写间的有限并发性，实现了READ_COMMITTED(读已提交)、SNAPSHOT(快照隔离)、SERIALIZABLE(可串行化)三种隔离

上一个weekly中已经详细讲解了schema的设计，在schema设计好了之后，gBuilder支持将结构化和非结构化数据转化为RDF图数据。其中结构化数据支持数据的无损转化。1.技术介绍gBuilder的结构化数据抽取采用D2RQ技术实现。DR2Q是一个能够将关系数据库中的内容转换成RDF三元组的工具，由于知识图谱中储存的数据通常为三元组格式，而知识图谱构建模块的数据大多储存在关系数据库中，以

自2019年12月发现新冠肺炎以来，对我们的日常生活造成了很大改变，日常佩戴口罩，勤洗手，勤消毒，人员密集地区保持一米间距等，新冠肺炎也成为日常讨论的热点。虽然对于新冠的出现在大量政府部门、医护人员和人民群众众志成城支持下，对新冠肺炎做到快速响应、及时处置、有效管控，但新冠肺炎当前呈现全球大流行和不断快速变异的趋势，局部地区受到境外地区疫情的冲击以及不断变异的新冠病毒考验。如何借助智能化手段对疫情