本人的毕设题目是构建一个知识图谱，之前完全没有学过也没有了解过，信息抽取完成之后需要进行知识融合吗，如果需要的话是要做实体对齐还是实体匹配？求解求解！
看你用什么构建方法了，就你这么说没人可以给出一个确定的答复。
- 你可以看下这个问题的回答https://ask.csdn.net/questions/7786601
- 我还给你找了一篇非常好的博客，你可以看看是否有帮助，链接：在模型评估过程中，有哪些主要的验证方法，他们的优缺点是什么？在自助法的采样过程中，对Ｎ个样本进行Ｎ次自助采样，当Ｎ区域无穷大时最终有多少个数据从未被选择过？
- 除此之外, 这篇博客: 信息抽取（五）实体命名识别之嵌套实体识别哪家强，我做了一个简单的对比实验中的 实体矩阵构建框架 部分也许能够解决你的问题, 你可以仔细阅读以下内容或跳转源博客中阅读:
- 为了方便后续对比说明，这里定义几个同一的变量与符号，上文中NtesN_{tes}Ntes表示类行为ttt，起点为sss，结尾为eee的实体。在本实验中，我们均适用bert-base-chinese作为encoder，hih_ihi表示最后一层隐藏层中第iii个token的embedding，则hsh_shs和heh_ehe分别表示经过encoder之后实体Start和End token的embedding，则我们有公式Nt,e,s=p(hs,he,t)N_{t,e,s} = p(h_s,h_e,t)Nt,e,s=p(hs,he,t)，其中p(x)p(x)p(x)就表示我们所需要对比的实体矩阵构建头（姑且这么称呼）。
- 在对比实验中，除了不同实体矩阵构建头对应的batch_size，learning_rate不同，所使用的encoder、损失函数、评估方式以及训练轮次均保持一致。
- 本文选取了GlobalPointer、TPLinker（Muti-head selection)、Tencent Muti-head、Deep Biaffine（双仿射）共四种实体矩阵构建方法进行比较。
- 您还可以看一下 刘建萍老师的人工智能系列课程零基础讲解知识点和实例应用线性回归梯度下降逻辑回归课程中的 讲解机器学中会涉及到的有关数学方面的知识储备有哪些小节, 巩固相关知识点