NebulaGraph实战
文章平均质量分 95
NebulaGraph实战
NLP工程化
NLP工程师
展开
-
Nebula Siwi:基于图数据库的智能问答助手思路分析
本文重点分析 Nebula Siwi 智能问答思路,具体代码可参考[2],使用的数据集为 Basketballplayer[3]。原创 2024-02-04 00:03:34 · 983 阅读 · 0 评论 -
NebulaGraph实战:3-信息抽取构建知识图谱
自动信息抽取发展了几十年,虽然模型很多,但是泛化能力很难用满意来形容,直到LLM的诞生。虽然最终信息抽取质量部分还是需要专家审核,但是已经极大的提高了信息抽取的效率。因为传统方法需要大量时间来完成数据清洗、标注和训练,然后来实体抽取、实体属性抽取、实体关系抽取、事件抽取、实体链接和指代消解等等。现在有了LLM,可以实现Zero/One/Few-Shot信息抽取构建知识图谱。原创 2023-09-26 00:10:35 · 679 阅读 · 0 评论 -
NebulaGraph实战:2-NebulaGraph手工和Python操作
图数据库是专门存储庞大的图形网络并从中检索信息的数据库。它可以将图中的数据高效存储为点(Vertex)和边(Edge),还可以将属性(Property)附加到点和边上。本文以示例数据集basketballplayer为例,通过nGQL操作和Python脚本两种方式构建图谱。数据[10]和代码[9]详见参考文献。原创 2023-09-24 20:49:33 · 1473 阅读 · 0 评论 -
NebulaGraph实战:1-NebulaGraph安装和基础操作
1]连接数据库:https://docs.nebula-graph.com.cn/3.6.0/nebula-studio/deploy-connect/st-ug-connect/[6]Graph RAG:知识图谱结合LLM的检索增强:https://www.nebula-graph.com.cn/posts/graph-rag-llm。[8]关于LLM和图、图数据库的那些事:https://www.nebula-graph.com.cn/posts/llm-database。原创 2023-09-24 20:47:38 · 487 阅读 · 0 评论