sendoh24
sendoh24

CCKS笔记

2020年全国知识图谱与语义计算大会 CCKS

目录

  • 2020年全国知识图谱与语义计算大会 CCKS
    • 知识图谱研究进展至自然语言处理角度
    • 从语义网角度看待知识图谱的最新研究
      • 融合事实文本描述的知识库问答

##推语言模型的前沿研究(李航)

  1. 语言模型的发展史
    • 隐马尔可夫链
      • n-gram Language Model(n-1阶马尔科夫链)
    • Entropy and Cross Entropy
    • Chomsky hierarchy
      • Fine state Grammer
    • Neural Language Model
      • 神经网络的参数就是语言模型的参数
      • 稠密的相对低维的实向量来表示单词 Word Embedding
      • 每个单词与周围的n-1个参数相关
    • RNN Language Model
      • LSTM
    • Pre-Trained Language Model
      • Transformer
      • Fine-tuning
    • Pretrained Language Model：GPT 语言的生成
    • Pretrained Language Model：BERT 语言的理解
  2. 最近工作:Soft-Masked Bert 和 AMBERT(A Multi-Grained BERT)
    • Soft-Masked Bert
      • 一个模型用于中文错别字的纠错
      • 基于Bert的模型没有很好的检错能力有很好的的纠错能力
      • 此模型一个检错网络：双向的GRU 一个纠错网络：Bert模型
      • 检错网络计算每个字是否是错别字的概率，将这个概率传递给纠错网络，用于bert进行mask
    • AMBERT
      • 一个新的预训练模型的方法，用多颗粒度的词和字做语言模型
      • 字粒度和词粒度，使用两个BERT，一个是字粒度和词粒度，一起做训练，参数共享(能更好的看字和词)。然后进行模型好的拼接。
  3. 展望
    • 预训练语言模型的优缺点
      • 在模仿人怎么使用语言，在交叉熵的意义上更逼近人的语言
    • 两个方向
      • 语法的角度、词汇的角度
      • 多模态的方向，一个语言的形成是多模态的
    • [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-RxSCmbhC-1607505417541)(…/static/image/李航文献.PNG)]

知识图谱研究进展至自然语言处理角度

  1. 三大会
    • ACL
    • 关系、实体、知识图谱表示这方面工作的文章增加
  2. 实体相关的研究
    • 多模态NER
      • 图片的视觉信息和文本的信息进行统一的建模
      • 利用代码中含有的丰富的信息来加强StackOverFlow上帖子文本的命名实体识别
    • 低资源NER
      • 跨领域
        • 不用领域信息的共通性，实现知识迁移
        • 基于不同领域实体类型相对稳定(例如人名地名)的现象，提出了multi-cell composition LSTM结构
      • 跨语言
        • Teacher-Student Model
        • unlabeled data in target language
    • Weak Supervision 弱监督
      • No Labelled Data
      • Labelling functions
      • Label Aggregations
    • 数据集的自动构建
      • Entity Trigger: A group of words in a sentence that helps to explain why humans would recognize an entity in the sentence
    • 联合抽取
      • 联合抽取共享NER和RE的信息，信息的利用更充分
    • 开放抽取
      • 关系抽取只能抽取文本中的一小部分信息
      • Open IE 在处理科学文本时遇到长句子和复杂句子表现不佳
      • Ruben Kruiper 结合两种系统的输出，提出半开放的关系抽取
    • 文档级的抽取
      • 利用整篇文档中的上下文信息加强关系抽取
      • 需要捕获句子间实体的复杂交互
      • Latent Structure Refinement（LSR）模型动态的学习文档级结构，并以端到端方式预测
    • 低资源的抽取
      • 从半结构化文本提取信息的工作需要=依赖给定模板，模板需要通过手工标记或远程监督获得
      • Colin Lockard 提出了一种"Zeo-Shot"开放域关系抽取的解决方案，使用基于图神经网络的方法在网页上构建文本的丰富表示
        以及它们之间的关系，使其泛化成为新的模板
  3. 模型的可解释性
    • Wang et al. 提出了一种新的可解释的医学关系预测框架，以期为医学关系越策的合理化提出了参考
  4. 知识图谱的构建
    • 融合知识的预训练语言模型
      • ELMo：双向LSTM
      • GPT：单向Transformer
      • BERT：双向Transformer
      • XLNet，GPT3
    • 知识增强的预训练语言模型
      • K-BERT：知识支持的语言表示模型，可以合并特殊领域知识
      • 通过结合知识图谱，K-BERT不仅在特定领域上明显胜过BERT，而且在开放域也胜过BERT
  5. 知识与推理
    - 引入知识的多跳推理
    - 对话生成模型ConceptFLow，利用常识KG来显示地对对话流进行建模
    - 知识推理提高可解释性
  6. 融合知识的NLP任务
    • 基于知识的词义消歧
    • 基于知识的对话生成
    • 基于知识的文本生成
      • Knowledge Graph-Augemented Abstractive Summarization with Semantic Driven Cloze Reward
      • An Unsupervised Joint System for Text Generation from Knowledge Graphs and Semantic Parsing
    • 基于知识的阅读理解
      • Synonym Knowledge Enhanced Reader for Chinese Idiom Reading Comprehension
    • 基于知识的事件因果分析
      • KnowDis：Knowledge Enhanced Data Augmentation for Event Casually Detection via Distant Supervision

从语义网角度看待知识图谱的最新研究

  1. 2020年语义网领域三大会议：WWW、ISWC、ESWC
    • [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-OpC798M6-1607505417544)(…/static/image/热点分析.PNG)]
  2. 知识图谱表示学习
    • 多元关系
      • 多元关系知识库的链接预测
      • 定义：给定n元关系和(n-1)个相关实体，预测缺失的那个实体
      • 现有工作
        • 基于翻译距离的模型->表达能力弱
        • 基于神经网络的模型 ->复杂度高
      • 本文思路：泛化张量分解（2元->n元）
        • 一个n元关系知识库->(n+1)阶知识库张量
      • 具体做法：
        • 通过tucker分解来分解原始知识库张量
        • 将核心张量W重塑为k阶张量W弧
        • 通过Tucker Ring分解来分解重塑张量W弧
    • 新兴实体
      • 新兴实体
        • 与知识图谱中已有实体的关联非常稀疏
      • 一个归纳式的学习表示框架
        • 适合于拥有许多新兴实体的动态知识图谱
        • 保留了基于路径的模型的可解释性推理
      • 顶点表示归纳
        • Graph Transformer编码
          • 根据邻域信息与查询关系的相关性来聚合邻域信息
      • 可解释性推理
        • 强化学习编码
          • 使用策略梯度来解码得到通往答案实体的推理路径
    • 时序图谱
      • 大多是现有的知识图谱表示学习模型忽略了图谱中有用的时序信息
      • 知识感知的事实
      • ATiSE
        • 使用多维加性时间序列分解来刻画实体/关系额时间演变过程
          • 时间序列 = 趋势+周期+随机
        • 考虑实体/关系表示随着实际那原话的不确定性将时序知识图谱的表示映射到多为高斯分布的空间中
  3. 知识抽取和图谱构建
    • 开放关系抽取
      • 开放关系抽取：在无结构文本中发现实体之间的任意语义关联
      • LOREM
        • 特点：不依赖特定语言知识和外部的NLP工具
          • 利用语言一致的关系结构来提升多语言的性能
          • 使用多语言对齐的词嵌入作为关系抽取器的输入
        • 具体做法
          • 一个面向特定语言的模型
          • 一个面向多有语言的模型
          • 一个组合层
    • 低资源知识图谱补全
      • 知识图谱补全:通过连接预测和关系抽取来填补缺失的关联
        • 低资源环境：新添加的关系通常只有很少的训练样例
      • 主要思想：利用一个对抗过程来帮助把从高资源关系所学习的知识/特征适配到不同但相关的低资源网络
      • 具体做法：加权关系对抗网络
        • 对抗关系适配：寻找可以区分具有不同关系分布的样本的关系判别器
        • 加权关系适配：识别无关的源关系/样本并自动降低其重要性，已解决负迁移问题并鼓励正迁移
    • 长尾实体丰富
      -长尾实体
      - Freebase中约有210万个实体少于10个事实，而有7655个实体超过一千个事实
      - 幂律分布
      • 现有工作
        • 仅针对实体丰富的部分环节
        • 缺乏对长尾实体的特别处理
      • 本文思路
        • 借助相似的流行实体和广泛可用的Web数据
          • 要找出一个人缺少什么，就要看其他人拥有什么
          • 一些长尾实体知识在知识库中缺乏事实，而不是在真实世界中也缺乏实体
  4. 实体对齐
    • 多类型实体
      • 实体对齐：识别不同知识图谱中支撑真实世界相同对象的实体
      • 本文动机：
        • 针对不同实体类型的对齐策略可能不同
        • 当前的实体对齐模型不能通过单一模型来对齐多类型实体
      • 本文思想：集体决策
        • 精心设计的注意力机制：有效利用共享邻居信息作为正面证据，也不会忽略重要的负面证据
      • CG-MuAlign
        • Node-level cross-graph attention：相似邻居
        • Edge-level relation-aware self-attention ：负面证据
    • 短期区别和长期依赖
      • 主要思想：捕获周围实体和多跳实体中隐含的实体之间的一些高级交互
        • 短期区别和长期依赖
      • 具体做法
        • 长期依赖：随机游走+自注意力
        • 短期区别：GNN
    • 多上下文注意力
      • Entity matching with textual instances（数据库领域)
      • MCA(multi-context attention)
        • 主要思想：对于实体文本描述对齐，充分挖掘嵌入向量的语义上下文
        • 具体做法
          • self-attention
          • Pair-attention
          • Global-attention
          • Attribute-attention
  5. 搜索、摘要、对剑
    • 实体摘要
      • 面临挑战：当前实体摘要的质量无法满足用户的信息需求时，缺乏改进实体摘要的机制
      • DRESSED
        • 主要思想：将用户引入摘要过程，获得用户反馈
        • 交互过程："删除-替代"场景
          • 用户删除“删除项”，系统替换上“替代项”
    • 知识图谱增强推荐
      • 推荐中的冷启动问题
        • 知识图谱提供了物品之间的大量关系
          • 假设存在物品到知识图谱的映射
        • 更好的推荐很少与用户互动的全新物品
      • 本文思路：规则学习+图神经网络
        • 规则
          • user-(interacts)->Red-(singer)->Tailor Swift<-(singer)-Style
          • 捕获用户与商品的显示长程语义
        • 图神经网络
          • 保存各种关联，提供更丰富的信息
  6. 知识图谱问答
    • 基于知识图谱问答
      • 实体链接
        • PNEL
          • 主要思想：使用指针网络解决端到端的实体链接
          • 具体做法：特征工程
            • 4 n-grams+top-L matches
            • 对每个候选，计算9个特征，拼接成1142维向量
    • 关系链接
      • 挑战：自然语义的歧义性、训练数据的缺乏
      • SLING
        • 主要思想：AMR、远程监督
        • 具体做法
          • 输入问题文本和AMR图
          • QMG 模块产生三种元数据
            • AMR三元组、知识库实体和类型、答案类型预测
          • RL模块包括两种远程监督模型和两种无监督模型
            • 整合每种模型的得分并排序
  7. 新数据集
    • [外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-FPF8g3rG-1607505417546)(…/static/image/新数据集.PNG)]

融合事实文本描述的知识库问答

  1. 研究现状
    • 基于深度学习的方法
      • Bordes 将深度学习的方法引入到知识库问答中
      • Dong等人提出东三个不同的维度生成三个不同的答案向量由于问题答案的匹配
      • Hao等人通过一种交叉注意机制，格努局不同的候选问答方面对问题进行编码
      • Huang等人提出了将问题的文本空间向量装花城知识库空间向量，包括实体向量和关系向量进行匹配
    • 挑战
      • 自然语言问题与知识库的三元组的语义鸿沟
    • 解决思路
      • 将三元组信息转换成文本信息
      • 利用BERT进行文本表示学习
  2. 方法模型
    • 事实文本模本模板
    • BERT进行表示学习
    • 通过余弦相似度计算
    • 主题实体识别模型：双向LSTM模型，将问题构建成三元组，与知识图谱的答案的三元的进行相似度匹配
    • 预训练模型是提高的主要部分

你可能感兴趣的:(知识图谱,知识图谱)

  • 构建知识图谱之二（知识图谱构建技术） tomlone 知识谱图知识图谱人工智能
    ArchitectureofKnowledgeGraphConstructionTechniques知识图谱构建技术论文链接：https://acadpubl.eu/jsi/2018-118-19/articles/19b/24.pdf1.为什么我们需要构建知识图谱？构建知识图谱对于保险行业的意义在于它能够将分散的、复杂的行业数据连接起来，促进智能化决策、增强风险控制能力、提高效率并优化客户体验。
  • 大模型prompt实例：知识库信息质量校验模块 写代码的中青年 大模型prompt人工智能python大模型LLM
    大模型相关目录大模型，包括部署微调prompt/Agent应用开发、知识库增强、数据库增强、知识图谱增强、自然语言处理、多模态等大模型应用开发内容从0起步，扬帆起航。大模型应用向开发路径：AI代理工作流大模型应用开发实用开源项目汇总大模型问答项目问答性能评估方法大模型数据侧总结大模型token等基本概念及参数和内存的关系大模型应用开发-华为大模型生态规划从零开始的LLaMA-Factory的指令增
  • DeepSeek与核货宝订货系统的协同进化：智能商业范式重构 多用户商城系统 订货系统源码deepseek人工智能核货宝订货系统
    数据处理与分析方面深度数据洞察：利用Deepseek强大的智能数据挖掘与分析能力，处理核货宝订货系统中的海量订单数据、客户数据、商品数据等。比如分析不同地区、不同时间、不同客户群体的订货偏好和趋势，为批发订货企业制定精准的采购、库存和销售策略提供依据。建立行业知识图谱：Deepseek可基于核货宝系统的数据及行业信息，构建批发行业知识图谱，清晰呈现企业、产品、客户、供应商等之间的关系和关联信息，帮
  • DeepSeek底层揭秘——知识图谱与语料库的联邦学习架构 9命怪猫 知识图谱架构人工智能
    目录1.知识图谱与语料库的联邦学习架构2.技术要素3.技术难点与挑战4.技术路径5.应用场景6.最新研究与技术进展7.未来趋势8.实际案例猫哥说1.知识图谱与语料库的联邦学习架构(1)定义“知识图谱与语料库的联邦学习架构”是一种结合知识图谱（KnowledgeGraph,KG）、语料库（Corpus）和联邦学习（FederatedLearning,FL）的分布式学习框架。其核心目标是通过联邦学习技
  • 基于neo4j知识图谱+flask的大数据医疗领域知识问答系统（完整源码+源码解析+开发文档+视频讲解等资料 2401_84185074 neo4j知识图谱flask
    1.classMedicalSpider::定义了一个名为MedicalSpider的类。2.def**init**(self)::这是类的构造函数，用于在创建类的实例时进行初始化。在初始化过程中，建立了与MongoDB数据库的连接，并选择了名为‘medical’的数据库和名为‘data’的集合。3.definsert\_data(self,data)::这是一个方法，用于插入数据到MongoDB
  • 职场人AI突围战：解密DeepSeek的36种反内耗姿势 小momomo 人工智能
    当你的周报被AI碾压，当同事用智能看板抢走升职机会，当00后实习生靠提示词工程赢得领导青睐——这个悄然降临的AI职场时代，正在重构我们的生存法则。**▍DeepSeek职场变形记**这不是你认知中的聊天机器人，而是一个会进化的数字同事：-**会议终结者**：自动生成带执行方案的会议纪要，智能识别7种无效讨论模型-**文档捕手**：跨平台抓取微信/钉钉/邮件文件，建立带知识图谱的智能档案馆-**数据
  • 优化GPT API接口链接的方法 IPdodo全球网络服务 gpt
    随着人工智能技术的飞速发展，GPT模型在自然语言处理领域中的应用越来越广泛。无论是在智能客服、自动化写作，还是在知识图谱的构建中，GPTAPI接口的高效调用和响应能力都成为了应用成功与否的关键。一、了解GPTAPI接口的基本工作原理在深入讨论优化策略之前，首先需要了解GPTAPI接口的基本工作原理。GPTAPI通过HTTP协议与用户系统进行通信，通常使用RESTfulAPI设计，客户端发送请求（如
  • AI知识库和全文检索的区别 xixingzhe2 AI人工智能
    1、AI知识库的作用AI知识库是基于人工智能技术构建的智能系统，能够理解、推理和生成信息。它的核心作用包括：1.1语义理解自然语言处理（NLP）：AI知识库能够理解用户查询的语义，而不仅仅是关键词匹配。上下文关联：能够结合上下文信息，提供更准确的答案。1.2知识推理逻辑推理：通过知识图谱或预训练模型，AI知识库可以进行逻辑推理，回答复杂问题。多跳推理：能够从多个数据源中提取信息，综合生成答案。1.
  • 【华为OD机试真题】177、发现新词的数量 / 知识图谱新词挖掘 | 机试真题+思路参考+代码解析（C++、Java、Py） KJ.JK OJ+最新华为OD机试(C++JavaPy)华为od知识图谱c++python发现新词的数量知识图谱新词挖掘
    文章目录一、题目题目描述输入输出样例1样例2二、代码与思路参考C++语言思路C++代码Java语言思路Java代码Python语言思路Python代码作者：KJ.JK订阅本专栏后即可解锁在线OJ刷题权限个人博客首页：KJ.JK专栏介绍：2024年最新的华为OD机试真题B、C和D卷，使用C++、Java、Python语言进行解答，每个题目的思路分析都非常详细，支持在线OJ评测刷题！！！！订阅后获取权
  • 计算机毕业设计hadoop+spark+hive新能源汽车数据分析可视化大屏 汽车推荐系统 新能源汽车推荐系统 汽车爬虫 汽车大数据 机器学习 大数据毕业设计 深度学习 知识图谱 人工智能 qq+593186283 hadoop大数据人工智能
    （1）设计目的本次设计一个基于Hive的新能源汽车数据仓管理系统。企业管理员登录系统后可以在汽车保养时，根据这些汽车内置传感器传回的数据分析其故障原因，以便维修人员更加及时准确处理相关的故障问题。或者对这些数据分析之后向车主进行预警提示车主注意保养汽车，以提高汽车行驶的安全系数。（2）设计要求利用Flume进行分布式的日志数据采集，Kafka实现高吞吐量的数据传输，DateX进行数据清洗、转换和整
  • DeLLMa框架：优化复杂决策的新路径 XianxinMao 人工智能
    标题：DeLLMa框架：优化复杂决策的新路径文章信息摘要：DeLLMa框架通过整合大型语言模型（LLMs）和结构化数据，优化了在不确定性条件下的决策过程，特别是在处理复杂决策问题时，能够增强决策的严谨性和精确性。该框架利用LLMs处理非结构化文本数据的能力，结合结构化数据的定量分析，弥补了传统决策方法中的认知偏差和信息处理不足。通过引入知识图谱和定量分析技术，DeLLMa不仅提高了决策的透明度和可
  • 知识图谱智能应用系统：数据分析与挖掘技术文档 光芒再现0394 知识图谱数据分析人工智能
    一、概述在知识图谱智能应用系统中，数据分析与挖掘模块是实现知识发现和智能应用的核心环节。该模块负责处理和分析来自数据采集与预处理模块的结构化和半结构化数据，提取有价值的知识，并将其转化为可用于知识图谱构建和应用的三元组数据。本技术文档详细介绍了数据分析与挖掘模块中使用到的关键技术，包括SparkML、StanfordNLP、JNA、Jena、Python调用以及定时调度。二、技术栈介绍（一）Spa
  • DeepSeek：知识图谱与大模型参数化知识融合的创新架构 deepseek
    引言：AI领域的融合趋势在目前大模型与知识图谱作为两个重要的研究方向，各自展现出了强大的能力与潜力。大模型，凭借其在海量数据上的深度训练，拥有强大的语言理解与生成能力，能够处理多种自然语言处理任务，如文本生成、问答系统、机器翻译等，像GPT系列模型，一经推出便在全球范围内引起了广泛关注，展示了大模型在语言处理方面的卓越能力。知识图谱则以结构化的方式组织知识，清晰地展现了实体之间的关系，为智能应用提
  • 【轻量级推荐算法框架】‌ReChorus‌ 是一个高效、可扩展的轻量级推荐算法框架 繁华落尽，寻一世真情 推荐算法算法机器学习
    ‌ReChorus‌是一个高效、可扩展的轻量级推荐算法框架，基于PyTorch实现。该框架旨在解决推荐系统中算法实现细节、评价方式、数据集处理等方面的差异，帮助缓解可复现性问题。ReChorus实现了多种不同类型的推荐算法，包括常规推荐、序列推荐、引入知识图谱的推荐和引入时间动态性的推荐等，同时提供统一的预处理范式‌。主要特点和功能‌综合高效‌：ReChorus框架目前实现了13个不同的推荐算法，
  • LangGraph入门教程 xnuscd python
    LangGraph教程：在LangChain中集成知识图谱目录简介前置条件环境配置安装必要的库创建知识图谱集成LangChain与知识图谱定义工具构建Agent类自定义模板和输出解析运行示例扩展与优化常见问题与故障排除总结简介LangGraph是一个结合LangChain与知识图谱（KnowledgeGraph）的应用，旨在通过结构化的知识库增强语言模型的理解和响应能力。通过将知识图谱与LangC
  • 运维之专业术语（Professional Terminology for Pperation and Maintenance） Linux运维老纪 勇敢向前迎接运维开发之挑战运维开发云计算服务器大数据数据库网络网络安全
    运维之专业术语运维领域作为IT基础设施的中枢神经系统，其专业术语体系构成了一套完整的知识图谱。本文系统梳理了涵盖基础运维、云计算架构、自动化工程等领域的200个核心术语，为从业者构建完整的知识框架。一、基础设施层（30个）1.LVS（LinuxVirtualServer）：基于Linux内核的四层负载均衡解决方案2.Bonding（链路聚合）：物理网卡冗余与带宽叠加技术3.RHEL（RedHatE
  • 课程知识图谱生成系统设计与实现 编程千纸鹤 Java项目实战专栏人工智能大数据知识图谱人工智能课程知识图谱
    作者主页：编程千纸鹤作者简介：Java领域优质创作者、CSDN博客专家、CSDN内容合伙人、掘金特邀作者、阿里云博客专家、51CTO特邀作者、多年架构师设计经验、多年校企合作经验，被多个学校常年聘为校外企业导师，指导学生毕业设计并参与学生毕业答辩指导，有较为丰富的相关经验。期待与各位高校教师、企业讲师以及同行交流合作主要内容：Java项目、Python项目、前端项目、PHP、ASP.NET、人工智
  • 【kafka】kafka的动态配置管理使用和分析 石臻臻的杂货铺 Kafkakafka运维
    该文章可能已过期,已不做勘误并更新,请访问原文地址(持续更新)Kafka中的动态配置源码分析kafka知识图谱：Kafka知识图谱大全kafka管控平台推荐使用滴滴开源的Kafka运维管控平台(戳我呀)更符合国人的操作习惯、更强大的管控能力、更高效的问题定位能力、更便捷的集群运维能力、更专业的资源治理、更友好的运维生态、BliBli视频:石臻臻的杂货铺kafka的动态配置文章目录源码分析1.Bro
  • Unifying Large Language Models and Knowledge Graphs: A Roadmap综述笔记-入门-知识图谱KG-大模型LLM 笨cc KG读论文语言模型知识图谱笔记
    论文信息标题：UnifyingLargeLanguageModelsandKnowledgeGraphs:ARoadmap作者：ShiruiPan摘要LLMs，例如chatGPT和GPT4，由于其涌现能力和泛化性，对自然语言理解和人工智能领域产生了新的冲击。然而，LLMs是一个黑箱模型，往往缺乏捕获和获得事实知识。相反，知识图谱，例如维基百科等，是有结构模型。存储着丰富的事实知识。KGs可以通过提
  • 【知识图谱增强】大模型应用架构：融合智能与数据的新纪元！ 大模型入门教程 知识图谱架构人工智能语言模型大模型llamaAI大模型
    1.引言最近OpenAI连续12天进行12场直播，发布新品。其中第八天介绍了ChatGPT搜索功能项全体用户开放。搜索增强大模型值得OpenAI安排一天专门介绍，和o1、ChatGPTVision等功能同等待遇，说明其意义重大。ChatGPT的外部搜索能力，使其不仅限于预训练的数据，而是可以实时访问和检索互联网的最新信息。这就是典型的知识增强大模型应用，通过外部知识的增强能够扩展大模型的能力，让其
  • 知识图谱检索增强的GraphRAG(基于Neo4j代码实现） 大模型扬叔 知识图谱neo4j人工智能GraphRAG
    前言图检索增强生成（GraphRAG）正逐渐流行起来，成为传统向量搜索方法的有力补充。这种方法利用图数据库的结构化特性，将数据以节点和关系的形式组织起来，从而增强检索信息的深度和上下文关联性。图在表示和存储多样化且相互关联的信息方面具有天然优势，能够轻松捕捉不同数据类型间的复杂关系和属性。而向量数据库在处理这类结构化信息时则显得力不从心，它们更擅长通过高维向量处理非结构化数据。在RAG应用中，结合
  • NLP模型笔记2022-24：neo4j+py2neo 构建《中国优质电影及其演员》知识图谱 源代码杀手 自然语言处理笔记与知识图谱专栏知识图谱自然语言处理人工智能
    往前文章链接NLP模型笔记2022-25：neo4j+py2neo构建增值税电子普通发票知识图谱NLP模型笔记2022-24：neo4j+py2neo构建《中国优质电影及其演员》知识图谱NLP模型笔记2022-23：知识图谱neo4j可视化实体多关系属性【破案线索关系】NLP模型笔记2022-22：知识图谱neo4j批量可视化NLP模型笔记2022-21：知识图谱neo4j指定方向实体（头实体、尾
  • Qwen 模型自动构建知识图谱，生成病例 + 评价指标优化策略 2301_79306982 ai千问语言模型人工智能
    关于数据库和检索方式的选择AIMedicalConsultantforVisualQuestionAnswering(VQA)系统：更适合在前端使用向量数据库（如FAISS）结合关系型数据库来实现图像和文本的检索与存储。因为在VQA场景中，你需要对患者上传的图像或文本症状进行语义向量化，以便快速查找相似病例或相关医学图像内容；同时用关系型数据库维护患者基础信息和简单的交互记录即可。AI-Power
  • LLM的实时性：迈向毫秒级响应的AI AI大模型应用之禅 AI大模型与大数据javapythonjavascriptkotlingolang架构人工智能
    LargeLanguageModel(LLM),实时性,响应时间,微服务架构,并行处理,知识图谱,优化算法,延迟最小化1.背景介绍大型语言模型(LLM)在自然语言处理领域取得了令人瞩目的成就，展现出强大的文本生成、翻译、摘要和问答能力。然而，现有的LLM模型通常面临着响应时间较慢的问题，这限制了其在实时应用场景中的应用。例如，在聊天机器人、实时翻译和智能客服等领域，用户期望能够获得即时响应，而传统
  • 玩转大语言模型——使用GraphRAG+Ollama本地构建知识图谱（完全本地化，不依赖OpenAI） 艾醒(AiXing-w) 玩转大语言模型语言模型知识图谱人工智能
    系列文章目录玩转大语言模型——使用langchain和Ollama本地部署大语言模型玩转大语言模型——ollama导入huggingface下载的模型玩转大语言模型——langchain调用ollama视觉多模态语言模型玩转大语言模型——使用GraphRAG+Ollama构建知识图谱玩转大语言模型——完美解决GraphRAG构建的知识图谱全为英文的问题玩转大语言模型——配置图数据库Neo4j（含a
  • 知识图谱与大语言模型：构建智能问答系统 AGI大模型与大数据研究院 大数据AI人工智能计算大数据人工智能语言模型AI大模型LLMJavaPython架构设计AgentRPA
    1.背景介绍在当今的信息时代，数据的获取和处理已经成为了我们生活中不可或缺的一部分。然而，随着数据量的爆炸性增长，如何从海量的数据中提取有用的信息，进而为用户提供精准的服务，已经成为了一个重要的研究课题。在这个背景下，知识图谱和大语言模型应运而生，它们通过对数据的深度挖掘和智能处理，为构建智能问答系统提供了可能。2.核心概念与联系2.1知识图谱知识图谱是一种新型的数据结构，它以图的形式表示实体之间
  • 知识图谱技术剖析 ♢.＊ 人工智能知识图谱大数据
    亲爱的小伙伴们，在求知的漫漫旅途中，若你对深度学习的奥秘、Java与Python的奇妙世界，亦或是读研论文的撰写攻略有所探寻，那不妨给我一个小小的关注吧。我会精心筹备，在未来的日子里不定期地为大家呈上这些领域的知识宝藏与实用经验分享。每一个点赞，都如同春日里的一缕阳光，给予我满满的动力与温暖，让我们在学习成长的道路上相伴而行，共同进步✨。期待你的关注与点赞哟！一、引言在当今数字化信息爆炸的时代，如
  • 大模型问答机器人的智能化程度 AI大模型应用之禅 AI大模型与大数据javapythonjavascriptkotlingolang架构人工智能
    大模型、问答机器人、智能化程度、自然语言处理、深度学习、Transformer模型、知识图谱、推理能力、对话系统1.背景介绍近年来，人工智能技术取得了飞速发展，特别是深度学习的兴起，为自然语言处理（NLP）领域带来了革命性的变革。其中，大模型问答机器人作为一种新型的智能交互系统，凭借其强大的语言理解和生成能力，在客服、教育、娱乐等领域展现出广阔的应用前景。问答机器人是指能够理解用户自然语言问题并给
  • 知识图谱自动构建工具有哪些 Nate Hillick 知识图谱neo4j人工智能
    知识图谱的自动构建工具有很多，常见的包括:Neo4j:基于图数据库的知识图谱构建工具Protégé:开源的知识图谱开发平台GoogleKnowledgeGraph:Google搜索引擎的知识图谱构建工具TopBraidComposer:基于SemanticWeb技术的知识图谱构建工具AllegroGraph:高性能图数据库，可用于构建知识图谱这仅仅是其中一部分工具，在市场上还有更多类似的工具。
  • 用 Neo4j GraphRAG 工具开启你的智能应用之旅 步子哥 AGI通用人工智能neo4j人工智能
    在这个人工智能飞速发展的时代，Neo4j带来了一项令人激动的创新——GraphRAG生态系统工具。这组开源工具为开发人员提供了一个全新的途径，以构建基于知识图谱的智能应用，让机器更好地理解和回应我们的查询。接下来，让我们一起探索这些工具如何帮助我们构建更智能、更准确的应用。什么是GraphRAG?GraphRAG是一种结合了检索增强生成（RAG）技术和知识图谱的解决方案。它不仅解决了大型语言模型常
  • Dom 周华华 JavaScripthtml
    <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> <html xmlns="http://www.w3.org/1999/xhtml&q
  • 【Spark九十六】RDD API之combineByKey bit1129 spark
    1. combineByKey函数的运行机制   RDD提供了很多针对元素类型为(K,V)的API，这些API封装在PairRDDFunctions类中，通过Scala隐式转换使用。这些API实现上是借助于combineByKey实现的。combineByKey函数本身也是RDD开放给Spark开发人员使用的API之一   首先看一下combineByKey的方法说明：
  • msyql设置密码报错：ERROR 1372 (HY000): 解决方法详解 daizj mysql设置密码
    MySql给用户设置权限同时指定访问密码时，会提示如下错误： ERROR 1372 (HY000): Password hash should be a 41-digit hexadecimal number；   问题原因：你输入的密码是明文。不允许这么输入。   解决办法：用select password('你想输入的密码');查询出你的密码对应的字符串， 然后
  • 路漫漫其修远兮 吾将上下而求索 周凡杨 学习 思索
    王国维在他的《人间词话》中曾经概括了为学的三种境界古今之成大事业、大学问者，罔不经过三种之境界。“昨夜西风凋碧树。独上高楼，望尽天涯路。”此第一境界也。“衣带渐宽终不悔，为伊消得人憔悴。”此第二境界也。“众里寻他千百度，蓦然回首，那人却在灯火阑珊处。”此第三境界也。学习技术，这也是你必须经历的三种境界。第一层境界是说，学习的路是漫漫的，你必须做好充分的思想准备，如果半途而废还不如不要开始。这里，注
  • Hadoop(二)对话单的操作 朱辉辉33 hadoop
    Debug： 1、 A = LOAD '/user/hue/task.txt' USING PigStorage(' ') AS (col1,col2,col3); DUMP A; //输出结果前几行示例： (>ggsnPDPRecord(21),,) (-->recordType(0),,) (-->networkInitiation(1),,)
  • web报表工具FineReport常用函数的用法总结（日期和时间函数） 老A不折腾 finereport报表工具web开发
    web报表工具FineReport常用函数的用法总结（日期和时间函数）   说明：凡函数中以日期作为参数因子的，其中日期的形式都必须是yy/mm/dd。而且必须用英文环境下双引号(" ")引用。   DATE DATE(year,month,day):返回一个表示某一特定日期的系列数。 Year:代表年，可为一到四位数。 Month:代表月份。
  • c++ 宏定义中的##操作符 墙头上一根草 C++
    #与##在宏定义中的--宏展开 #include <stdio.h> #define f(a,b) a##b #define g(a)   #a #define h(a) g(a) int main() {       &nbs
  • 分析Spring源代码之，DI的实现 aijuans springDI现源代码
    (转) 分析Spring源代码之，DI的实现 2012/1/3 by tony                 接着上次的讲，以下这个sample [java]  view plain copy print
  • for循环的进化 alxw4616 JavaScript
    // for循环的进化 // 菜鸟 for (var i = 0; i < Things.length ; i++) { // Things[i] } // 老鸟 for (var i = 0, len = Things.length; i < len; i++) { // Things[i] } // 大师 for (var i = Things.le
  • 网络编程Socket和ServerSocket简单的使用 百合不是茶 网络编程基础IP地址端口
      网络编程;TCP/IP协议   网络:实现计算机之间的信息共享,数据资源的交换   协议:数据交换需要遵守的一种协议,按照约定的数据格式等写出去   端口:用于计算机之间的通信      每运行一个程序，系统会分配一个编号给该程序，作为和外界交换数据的唯一标识 0~65535   查看被使用的
  • JDK1.5 生产消费者 bijian1013 javathread生产消费者java多线程
    ArrayBlockingQueue：        一个由数组支持的有界阻塞队列。此队列按 FIFO（先进先出）原则对元素进行排序。队列的头部 是在队列中存在时间最长的元素。队列的尾部 是在队列中存在时间最短的元素。新元素插入到队列的尾部，队列检索操作则是从队列头部开始获得元素。 ArrayBlockingQueue的常用方法：
  • JAVA版身份证获取性别、出生日期及年龄 bijian1013 java性别出生日期年龄
            工作中需要根据身份证获取性别、出生日期及年龄，且要还要支持15位长度的身份证号码，网上搜索了一下，经过测试好像多少存在点问题，干脆自已写一个。 CertificateNo.java package com.bijian.study; import java.util.Calendar; import
  • 【Java范型六】范型与枚举 bit1129 java
    首先，枚举类型的定义不能带有类型参数，所以，不能把枚举类型定义为范型枚举类，例如下面的枚举类定义是有编译错的   public enum EnumGenerics<T> { //编译错，提示枚举不能带有范型参数 OK, ERROR; public <T> T get(T type) { return null;
  • 【Nginx五】Nginx常用日志格式含义 bit1129 nginx
    1. log_format 1.1 log_format指令用于指定日志的格式，格式：   log_format name(格式名称) type(格式样式)   1.2 如下是一个常用的Nginx日志格式：   log_format main '[$time_local]|$request_time|$status|$body_bytes
  • Lua 语言 15 分钟快速入门 ronin47 lua 基础
    - - 单行注释 - - [[      [多行注释] - - ]]   - - - - - - - - - - - 1. 变量 & 控制流 - - - - - - - - - - num = 23 - - 数字都是双精度 str = 'aspythonstring'
  • java-35.求一个矩阵中最大的二维矩阵 ( 元素和最大 ) bylijinnan java
    the idea is from: http://blog.csdn.net/zhanxinhang/article/details/6731134 public class MaxSubMatrix { /**see http://blog.csdn.net/zhanxinhang/article/details/6731134 * Q35 求一个矩阵中最大的二维
  • mongoDB文档型数据库特点 开窍的石头 mongoDB文档型数据库特点
    MongoDD: 文档型数据库存储的是Bson文档-->json的二进制 特点：内部是执行引擎是js解释器，把文档转成Bson结构，在查询时转换成js对象。 mongoDB传统型数据库对比    传统类型数据库：结构化数据，定好了表结构后每一个内容符合表结构的。也就是说每一行每一列的数据都是一样的    文档型数据库：不用定好数据结构，
  • [毕业季节]欢迎广大毕业生加入JAVA程序员的行列 comsci java
        一年一度的毕业季来临了。。。。。。。。      正在投简历的学弟学妹们。。。如果觉得学校推荐的单位和公司不适合自己的兴趣和专业，可以考虑来我们软件行业，做一名职业程序员。。。      软件行业的开发工具中，对初学者最友好的就是JAVA语言了，网络上不仅仅有大量的
  • PHP操作Excel – PHPExcel 基本用法详解 cuiyadll PHPExcel
    导出excel属性设置//Include classrequire_once('Classes/PHPExcel.php');require_once('Classes/PHPExcel/Writer/Excel2007.php');$objPHPExcel = new PHPExcel();//Set properties 设置文件属性$objPHPExcel->getProperties
  • IBM Webshpere MQ Client User Issue (MCAUSER) darrenzhu IBMjmsuserMQMCAUSER
    IBM MQ JMS Client去连接远端MQ Server的时候，需要提供User和Password吗？ 答案是根据情况而定，取决于所定义的Channel里面的属性Message channel agent user identifier (MCAUSER)的设置。 http://stackoverflow.com/questions/20209429/how-mca-user-i
  • 网线的接法 dcj3sjt126com
    一、PC连HUB (直连线)A端：（标准568B）：白橙，橙，白绿，蓝，白蓝，绿，白棕，棕。 B端：（标准568B）：白橙，橙，白绿，蓝，白蓝，绿，白棕，棕。 二、PC连PC （交叉线）A端：(568A)： 白绿，绿，白橙，蓝，白蓝，橙，白棕，棕； B端：（标准568B）：白橙，橙，白绿，蓝，白蓝，绿，白棕，棕。 三、HUB连HUB&nb
  • Vimium插件让键盘党像操作Vim一样操作Chrome dcj3sjt126com chromevim
    什么是键盘党？ 键盘党是指尽可能将所有电脑操作用键盘来完成，而不去动鼠标的人。鼠标应该说是新手们的最爱，很直观，指哪点哪，很听话！不过常常使用电脑的人，如果一直使用鼠标的话，手会发酸，因为操作鼠标的时候，手臂不是在一个自然的状态，臂肌会处于绷紧状态。而使用键盘则双手是放松状态，只有手指在动。而且尽量少的从鼠标移动到键盘来回操作，也省不少事。 在chrome里安装 vimium 插件
  • MongoDB查询（2）——数组查询[六] eksliang mongodbMongoDB查询数组
    MongoDB查询数组 转载请出自出处：http://eksliang.iteye.com/blog/2177292 一、概述  MongoDB查询数组与查询标量值是一样的，例如，有一个水果列表，如下所示： > db.food.find() { "_id" : "001", "fruits" : [ "苹
  • cordova读写文件（1） gundumw100 JavaScriptCordova
    使用cordova可以很方便的在手机sdcard中读写文件。 首先需要安装cordova插件：file 命令为： cordova plugin add org.apache.cordova.file 然后就可以读写文件了，这里我先是写入一个文件，具体的JS代码为： var datas=null;//datas need write var directory=&
  • HTML5 FormData 进行文件jquery ajax 上传 到又拍云 ileson jqueryAjaxhtml5FormData
    html5 新东西：FormData  可以提交二进制数据。 页面test.html <!DOCTYPE> <html> <head> <title> formdata file jquery ajax upload</title> </head> <body> <
  • swift appearanceWhenContainedIn:(version1.2 xcode6.4) 啸笑天 version
      swift1.2中没有oc中对应的方法： + (instancetype)appearanceWhenContainedIn:(Class <UIAppearanceContainer>)ContainerClass, ... NS_REQUIRES_NIL_TERMINATION;  解决方法： 在swift项目中新建oc类如下： #import &
  • java实现SMTP邮件服务器 macroli java编程
    电子邮件传递可以由多种协议来实现。目前，在Internet 网上最流行的三种电子邮件协议是SMTP、POP3 和 IMAP，下面分别简单介绍。 　　◆ SMTP 协议 　　简单邮件传输协议(Simple Mail Transfer Protocol,SMTP)是一个运行在TCP/IP之上的协议，用它发送和接收电子邮件。SMTP 服务器在默认端口25上监听。SMTP客户使用一组简单的、基于文本的
  • mongodb group by having where 查询sql qiaolevip 每天进步一点点学习永无止境mongo纵观千象
    SELECT cust_id, SUM(price) as total FROM orders WHERE status = 'A' GROUP BY cust_id HAVING total > 250 db.orders.aggregate( [ { $match: { status: 'A' } }, { $group: {
  • Struts2 Pojo（六） Luob. POJOstrust2
    注意：附件中有完整案例 1.采用POJO对象的方法进行赋值和传值 2.web配置 <?xml version="1.0" encoding="UTF-8"?> <web-app version="2.5" xmlns="http://java.sun.com/xml/ns/javaee&q
  • struts2步骤 wuai struts
    1、添加jar包 2、在web.xml中配置过滤器 <filter>        <filter-name>struts2</filter-name>        <filter-class>org.apache.st
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他