知识图谱：大规模结构化知识库简介 知识图谱是一种结构化语义网络，以三元组（实体、关系、属性）为核心存储知识。其构建过程包括知识获取、融合、表示存储、推理和管理等环节，涉及从多源异构数据中抽取结构化知识。知识图谱分为通用型和领域专用型，广泛应用于智能搜索、问答系统、推荐引擎等场景。虽然面临知识获取困难、多源融合复杂等挑战，但随着图神经网络和大语言模型的发展，知识图谱作为连接数据与智能应用的桥梁，正成为AI实现认知能力的关键技术基础。

阅读 985

21赞

收藏 19
【DeepSeek实战】28、GraphRAG全解析：知识图谱驱动的代码结构分析与智能依赖追踪指南 文章摘要 现代软件开发面临代码规模激增和复杂依赖关系的挑战，传统代码分析工具因无法捕捉跨实体关联而逐渐失效。GraphRAG（基于知识图谱的检索增强生成）技术通过将代码实体转化为知识图谱节点、依赖关系转化为边，实现了深度代码分析。本文揭示了传统RAG在代码分析中的两大缺陷（关联断裂和相似度陷阱），详细解析了GraphRAG的四步核心架构（实体提取→图谱构建→图存储→关联推理），并通过Go语言项目示例展示了从代码描述提取到智能查询的完整实战流程。相比传统文本匹配方式，GraphRAG能有效识别"同义

阅读 1.1k

36赞

收藏 25
论文精读（五）：面向链接预测的知识图谱表示学习方法综述 知识图谱表示学习是链接预测的核心技术，通过将实体和关系转换为向量，实现了知识的可计算性。知识表示形式：从二元关系到多元关系再到超关系，演进趋势是更精准地刻画复杂知识，保留更多语义关联。建模方法：平移距离模型基于空间平移，张量分解模型基于矩阵分解，传统神经网络模型基于特征提取，图神经网络模型基于信息传播，四类模型各有优劣，图神经网络在复杂场景中表现最佳。实验结果表明，超关系表示形式结合图神经网络模型能取得最优预测效果，但模型的可解释性和可扩展性仍需提升。

阅读 3.2w

150赞

收藏 109
手把手教你python从零开始构建知识图谱 知识图谱就是一组节点和边构成的三元组。这里的节点A和节点B是两个不同的实体。这些节点由代表两个节点之间关系的边连接，也被称为一个三元组。例如头实体“普京”和尾实体“俄罗斯”的关系是“是总统”：还可以增加“普京在克格勃工作过”的三元组：还可以增加“俄罗斯是APEC组织成员”的三元组：识别实体和它们之间的关系对我们来说不是一项困难的任务，有监督的命名实体识别（NER）和关系抽取都有比较成熟的模型。但是标注一个大规模的实体和关系的数据集是需要巨大投入的。因此作为初学者，我们使用。

阅读 1.8k

13赞

收藏 36
检索增强生成RAG与知识图谱 现有的 ChatGPT的大语言模型中，虽然它本身的功能已经非常强悍了，但是它依然存在一些致命的问题:1.偏见：大语言模型没有分辨好坏的能力，所以在回答问题的时候，如果不做任何调整，可能会返回一些不好的内容，比如性别歧视，种族歧视。2.幻觉：大语言模型有时候并不那么靠谱，返回的内容会让人觉得驴唇不对马嘴。包括信息也无法完全可信。3.信息过时：因为没有联网能力，那么代表着从 2023年x月x日之后所有的信息，它都是不了解的。

阅读 2.7k

98赞

收藏 103
医疗AI问答系统实战：知识图谱+大模型的融合应用开发 医疗AI问答系统融合应用：知识图谱与大模型协同架构 本文探讨了医疗AI问答系统的开发实践，重点研究了知识图谱与大语言模型的融合应用。系统采用分层架构设计，包含知识图谱构建、大模型适配、多模态融合推理等核心模块。通过Neo4j图数据库实现医疗知识的结构化存储和高效检索，利用Prompt工程优化大模型的医疗领域表现，并设计融合算法实现两种技术的优势互补。系统特别注重医疗数据安全和隐私保护，采用数据脱敏等措施，同时通过多层缓存和容器化部署保证性能。该融合架构显著提升了问答系统的准确性、可解释性和响应速度，为医疗A

阅读 2.5k

54赞

收藏 54
使用 Virtuoso 本地挂载 Freebase 知识图谱 在复现论文 ToG 的过程中，需要本地部署 Freebase，在此记录下部署过程。

阅读 1.2k

19赞

收藏 17
用大模型（qwen）提取知识三元组并构建可视化知识图谱：从文本到图谱的完整实现 知识图谱作为一种结构化的知识表示方式，在智能问答、推荐系统、数据分析等领域有着广泛应用。在信息爆炸的时代，如何从非结构化文本中提取有价值的知识并进行结构化展示，是NLP领域的重要任务。知识三元组（Subject-Relation-Object）是知识图谱的基本组成单元，通过大模型强大的语义理解能力，我们可以自动化提取这些三元组，并构建可交互的知识图谱可视化界面。本文将介绍一个基于大模型的知识图谱构建工具，它能从文本中自动提取知识三元组（主体-关系-客体），并通过可视化工具生成交互式知识图谱。

阅读 1.6k

31赞

收藏 32
D008 vue+django+neo4j基于知识图谱的政务服务搜索推荐系统 本文介绍了一个基于Vue.js+Django+Neo4j的政府一网通办知识图谱系统。系统采用前后端分离架构，具备游客和管理员双模式：游客可进行知识图谱搜索、可视化浏览、下载及词云分析；管理员支持增删改查等高级操作。通过Neo4j存储图数据，结合ECharts实现政务事项的多维度可视化分析。文章详细展示了系统架构、功能模块、界面效果及核心代码实现，包括知识图谱的查询、节点关系管理等Python代码示例。该系统为政务知识管理提供了直观高效的可视化解决方案。

阅读 1.1k

30赞

收藏 21
探寻AI Agent：开启知识图谱自动生成新篇章 同时课程详细介绍了。

阅读 867

7赞

收藏 12
《AI 效能：知识图谱赋能测试用例智能关联与追溯》 知识图谱将测试资产从“静态文档库”升级为“动态智能网络”。通过建立深度语义关联，它赋予测试团队透视系统预见风险精准决策的能力。未来，随着大规模语言模型（LLM）与图谱的融合，知识驱动式的自动化测试设计可能成为新常态——测试工程师只需输入业务目标，AI便基于图谱自动生成最优验证路径。知识图谱不是孤立工具，而将成为测试工程化的核心基础设施，推动软件质量保障体系向智能化、数据化全面演进。通向智能测试的道路上，知识图谱是那座架起数据孤岛的桥梁——连接过去，验证当下，更预见未来。

阅读 962

15赞

收藏 18
构建医疗知识图谱：Neo4j处理百万级医学术语关系，辅助临床决策 知识图谱（Knowledge Graph）是一种基于图结构的数据模型，它以实体（Entity）为节点，以关系（Relationship）为边，将海量信息组织成一个相互关联的知识网络。从数学角度看，知识图谱可以表示为一个有向图GVEG=(V,E)GVE，其中VVV是实体集合，EEE是关系集合。实体（Entities）：医疗领域中的核心概念，如疾病、症状、药物、检查、基因、蛋白质等关系（Relationships）：实体间的语义关联，如"导致"、“治疗”、“表现为”、"副作用"等。

阅读 769

19赞

收藏 25
助力科研创作 | 那些让人惊艳的文献计量分析知识图谱 知识图谱是显示知识发展进程与结构关系的一系列各种不同的图形，用可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系，在学术研究之中具有重要的辅助和启发作用。最近发现一个全方位知识图谱智能挖掘的在线平台，操作简单易于上手，能够帮助研究者快速从海量文献中找到并可视化呈现相关联的知识网络体系，帮助研究者更快理清知识网络关系和领域发展态势，更快锁定研究方向和参考文献，各种文献计量知识图谱让人惊叹。

阅读 768

10赞

收藏 0
知识图谱嵌入：TransE代码及解析（初学者也能看懂） 知识图谱嵌入的工作，思路和代码都比较简单。

阅读 1.1k

29赞

收藏 30
作者推荐
嘉羽很烦
慢慢慢慢，凡事平常心
关注
tangjunjun-owen
从事人工智能行业，已从事工业检测行业、智慧交通行业、智慧城市行业，已有如下经验： ARM/jetson部署、NVIDIA性能优化、道路感知2D、单目3D、点云3D、目标跟踪、深度估计、多模态大模型与语言大模型、lidar/radar/vison多传感融合、中间件ROS2开发、相机标定、工业2D检测/分类/分割、数据增强、attention、transformer、模型压缩加速 计算机技能：C++、Python、cuda、tensorrt、ros2
关注
飞机火车巴雷特
机器学习领域研究者
关注
大模型真好玩
公众号【大模型真好玩】，北京理工大学本硕，曾在字节阿里从事开发工作，目前在某大型国企研究人工智能大模型。分享最简洁最实用的人工智能大模型开发经验，看好未来世界人工智能大模型会和PC一样成为人手必备的工具，大家现在就动手玩起来吧
关注
极昆仑智慧
大模型、知识图谱等智能行业应用
关注
智见AGI
神州问学团队聚焦生成式AI领域，致力于构建专业的技术交流平台。我们汇聚开发者和行业伙伴，深入探讨前沿技术发展、实践案例与方法创新，以专业洞见与持续分享助力企业数字化进程。
关注
Open NLP
gzu se 大三
关注
初学者↑
精于基础，广于实现
关注
予非·睿知
予非·睿知，企业级AI知识引擎平台。我们致力于构建企业智慧中枢，释放数据要素价值，驱动智能时代产业升级。
关注
知识靠谱
深耕知识图谱，让知识更靠谱！
关注