图谱专题
数据库遇上知识图谱、区块链、深度学习
参考资料： https://zhuanlan.zhihu.com/p/33381916 https://www.zuozuovera.com/archives/1062/ 东南大学D&Intel Lab相关ppt 数据库的核心概念——表示、存取、查询 有了数据库是干什么，大概实现的逻辑，特点，才能引申出对当今这些新技术的对比、适应和发展。 目的：研究数据表示、存取数据模型：表示数据的模型，通
jmeter压力测试，通过LLM利用RAG实现知识库问答，NEO4J部署，GraphRAG以知识图谱在查询时增强提示实现更准确的知识库问答（9/7）
前言 这周也是杂七杂八的一天（高情商：我是一块砖，哪里需要往哪里搬），首先是接触了jemter这个压力测试工具，然后帮公司的AIGC项目编写使用手册和问答手册的第一版，并通过这个平台的智能体实现知识库问答的功能展示，以及部分个人扩展和思考（NEO4J创建知识图谱的GraphRAG）。 Jmeter Jmeter是一个压力测试工具，一开始导师叫我熟悉的时候我还说
【数据应用案例】知识图谱技术与应用指南
案例来源：@机器之心 案例地址： https://mp.weixin.qq.com/s/fuI9U7aZpuk-WX6GQNtOuA 1. 知识图谱 1）包含实体与实体间关系 2）实体与关系可以有属性 3）学界常采用RDF三元组存储（如Jena），缺点是难以表达实体的属性；业界常用图存储数据库（如Neo4j、OrientDB、JanusGraph
【数据产品案例】如何将知识图谱特征学习应用到推荐系统？
案例来源：@AI科技大本营 案例地址： https://mp.weixin.qq.com/s/_LuF4d0X_oHKuweo7Bt1Wg 1. 知识图谱应用到推荐系统中的三种方式 1）依次学习：先训练知识图谱模型，得到实体和实体关系的向量表示；再将该向量作为推荐模型的输入 2）联合学习：将知识图谱和推荐系统的目标函数结合，使用端到端的方式训练
提升LLM结果：何时使用知识图谱RAG
通过知识图谱增强 RAG 可以帮助检索，使系统能够更深入地挖掘数据集以提供详细的响应。 有时，检索增强生成 (RAG) 系统无法深入文档集以找到所需的答案。我们可能会得到泛泛的或肤浅的回复，或者我们可能会得到回复，其中 RAG 系统检索到的细节很少，然后用不相关或不正确的信息填补空白——这被称为“幻觉”。 深度知识库和文档集可能包含我们用 RAG 提示回答问题所需的所有信息，但 RAG 系统
外泌体相关基因肝癌临床模型预测——2-3分纯生信文章复现——5.拷贝数变异及突变图谱（2）
内容如下： 1.外泌体和肝癌TCGA数据下载 2.数据格式整理 3.差异表达基因筛选 4.预后相关外泌体基因确定 5.拷贝数变异及突变图谱 6.外泌体基因功能注释 7.LASSO回归筛选外泌体预后模型 8.预后模型验证 9.预后模型鲁棒性分析 10.独立预后因素分析及与临床的相关性分析 11.列线图，ROC曲线，校准曲线，DCA曲线 12.外部数据集验证 13.外泌
计算机毕业设计Spark+PyTorch知识图谱房源推荐系统 房价预测系统 房源数据分析 房源可视化 房源大数据大屏 大数据毕业设计 机器学习
《Spark+PyTorch知识图谱房源推荐系统》开题报告 一、选题背景与意义 1.1 选题背景 随着互联网的快速发展和大数据技术的广泛应用，房地产行业特别是房屋租赁市场迎来了前所未有的变革。房源信息的海量增长使得用户在寻找合适的房源时面临巨大挑战。传统的房源推荐系统往往基于简单的规则或用户历史行为，难以提供精准、个性化的推荐服务。因此，如何利用大数据和人工智能技术提高房源推荐的准确性和个性
知识图谱（knowledge graph）——概述
知识图谱总结 概念技术链概括通用知识图谱和垂直领域知识图谱国内外开放知识图谱 技术链详解知识获取知识融合知识表示知识推理知识存储 知识图谱构建流程其他挑战跨语言知识抽取跨语言知识链接 思考参考 概念 知识图谱（Knowledge Graph）以结构化的形式描述客观世界中概念、实体及其关系。是融合了认知计算、知识表示与推理、信息检索与抽取、自然语言处理、Web技术、机器学习与大数据
知识图谱（knowledge graph）——RDF(Resource Description Framework)
RDF的基本单元是三元组(triple) 每个三元组是(主语 谓语 宾语) 这样的元组tuple。主谓宾的取值称为"资源"(Resource, 也就是RDF里的R) 资源可以是一个网址(URI)，一个字符串或数 字(严格来讲都是带类型的字符串，称为 literal)，或者一个“空节点”(blank node)。 有两种特殊类型的资源。rdfs:Class代表类。 rdf:Property代
protege构建子平知识图谱本体工程
1 引言 以前用java做了一个程序，写了很多年，根据条件来推断，入下面的代码。但这个代码并没有什么技术含量，体力活。于是想着能不能通过知识图谱的技术来做推断呢？能不能让传统的子平计算机程序再往前走一步。 @Service("日进角合")public class JinJiaoHeDayService extends AbstractXchhService {@Overrideprotect
事理图谱：事件演化的规律和模式
2016年7月，哈工大社会计算与信息检索研究中心（HIT-SCIR）开始启动事理图谱的研究工作。2017年10月，研究中心主任刘挺教授在中国计算机大会（CNCC）上正式提出事理图谱的概念。2018年9月，在研究中心丁效老师的主持下，研制出中文金融事理图谱1.0版本，2019年7月更新为2.0版。本文是对2016年7月以来工作的最新总结，敬请各位同行指正。 引言 事件是人类社会的核心概念之一，人
GMeLLo：结合知识图谱的 LLM 多跳问答技术，效果显著提升
1. GMeLLo 提出的背景 1.1 多跳问答 多跳问答的难度往往比较大，因为不仅要追溯事实，还要聚合与串联事实。 事实的来源可以是知识图谱、表格、自由格式文本，或者是这些来源的异构组合。 随着大型语言模型的发展，基于提示的方法搭配可选的检索模块已成为处理多跳问答的常用手段，但以往多数工作侧重于静态信息库。 1.2 知识编辑 知识编辑目前有两种主流方案：修改模型参数和保留模型参数。
【知识图谱】3、Python操作图数据库neo4j示例
今天突然想起上次知识图谱系列埋了一个坑（【知识图谱】1、Neo4j环境搭建入门指南:从零开始玩转图数据库），说后续写一篇关于Python操作neo4j的示例。趁着周六有充足时间，这里写个demo补上。 本文demo还是以面试的求职者、岗位要求技能 为例。建2个实例对象 1、求职者具备的技能 2、岗位要求的技能 本文默认已经安装好 neo4j desktop数据库，直接先上代码 from
【转】基于自研图数据库的知识图谱落地实践，赋能金融业务创新
基于自研图数据库的知识图谱落地实践，赋能金融业务创新 2021-09-09 16:24 基于自研图数据库的知识图谱落地实践，赋能金融业务创新 随着人工智能的迅猛发展,知识图谱(Knowledge Graph)落地和商用能力不断增强,越来越多的企业开始引入知识图谱技术,解决企业内部数据分析和挖掘问题,并取得了突出的成效。 在金融行业,企业内部大量的非结构化数据、半结构化数据如各种办公文件、
自然语言处理-应用场景-问答系统（知识图谱）【离线：命名实体识别（BiLSTM+CRF＞维特比算法预测）、命名实体审核（BERT+RNN）；在线：句子相关性判断（BERT+DNN）】【Flask部署】
一、背景介绍 什么是智能对话系统？ 随着人工智能技术的发展, 聊天机器人, 语音助手等应用在生活中随处可见, 比如百度的小度, 阿里的小蜜, 微软的小冰等等. 其目的在于通过人工智能技术让机器像人类一样能够进行智能回复, 解决现实中的各种问题. 从处理问题的角度来区分, 智能对话系统可分为: 任务导向型: 完成具有明确指向性的任务, 比如预定酒店咨询, 在线问诊等等.非任务导向型:
对话系统概述：问答型（直接根据用户的问题给出精准的答案，更接近一个信息检索的过程；单轮；上下文无关）、任务型（多轮对话、针对特定场景）、闲聊型（不解决问题；自然交互；多轮对话）、图谱型（基于图谱推理）
参考资料： 【笔记1-1】基于对话的问答系统CoQA (Conversational Question Answering) 了解人机对话—聊天、问答、多轮对话和推荐 幽澜资讯：如何区分智能机器人对话系统的单轮和多轮对话？ NLP领域中对话系统（Dialogue）和问答系统（question answer）做法有哪些异同点？ GitHub：基
知识图谱-知识融合工具（二）：Limes【实体匹配】
Limes是一个基于度量空间的实体匹配发现框架,适合于大规模数据链接,编程语言是Java。其整体框架如下图所示： 该整体流程用文字表述为： 给定源数据集S,目标数据集T,阈值 θ θ θ；样本选取: 从T中选取样本点E来代表T中数据，所谓样本点,也就是能代表距离空间的点。应该在距离空间上均匀分布,各个样本之间距离尽可能大。；过滤: 计算
【知识图谱】4、LLM大模型结合neo4j图数据库实现AI问答的功能
昨天写了一篇文章，使用fastapi直接操作neo4j图数据库插入数据的例子， 本文实现LLM大模型结合neo4j图数据库实现AI问答功能。 废话不多说，先上代码 import gradio as grfrom fastapi import FastAPI, HTTPException, Requestfrom pydantic import BaseModelfrom langchai
知识图谱04：知识图谱的存储与检索
公众号：数据挖掘与机器学习笔记 Web本体语言OWL是当前存储本体的主要形式.OWL也适用于知识图谱的存储, 但OWL文档不适用于大数据量的情况, 影响查询、修改和推理速度. 作为知识库的知识图谱, 其基本元素是海量的各种关系联系在一起的实体, 需要创新性的存储方式. 知识图谱可采用关系型数据库或图数据库存储, 也可采用混合的方式存储。 1.关系型数据库 将知识图谱存入关系型数据库,
知识图谱03：知识图谱的构建方法
公众号：数据挖掘与机器学习笔记 1.构建方法 知识图谱的构建方法有三种: 自底向上、自顶向下和二者混合的方法. 1.1 自底向上法 自底向上的构建方法, 从开放链接的数据源中提取实体、属性和关系, 加入到知识图谱的数据层；然后将这些知识要素进行归纳组织, 逐步往上抽象为概念, 最后形成模式层. 自底向上法的流程如图1所示. 知识抽取 知识抽取, 类似于本体学习, 采用机器学习
知识图谱02：知识图谱的应用
公众号：数据挖掘与机器学习笔记 知识图谱提供了一种更好的组织、管理和理解互联网信息的能力, 可用于语义搜索、智能问答、个性化推荐等, 在社交和电子商务等领域中实现价值. 基于知识图谱的应用是信息领域当前的研究热点, 也是促进人工智能发展的基础技术之一. 1.语义搜索 知识图谱是语义搜索的大脑[55]. 传统搜索引擎基于用户输入的关键词检索后台数据库中的Web网页,将包含搜索关键词的网页
知识图谱 Knowledge Graph
笔记链接： 【有道云笔记】Knowledge Graphhttps://note.youdao.com/s/KzaCxBPs无须登录即可直接查看，用于个人学习。 参考知乎用户@非洲的兔子