知识图谱+向量数据库：打造更智能的RAG系统

Python_金钱豹 Python_金钱豹 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1.8k累计阅读 1.8k平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄5年
关注
原创 最新推荐文章于 2026-04-10 11:22:32 发布 1.8k 阅读 AI 写同款· GEO 优化 ›
GraphRAG：一种新型的RAG技术 微软前几天发布的 GraphRAG 架构非常厉害，但是具体的原理和内容可能不太好理解。Neo4j 的 CTO 写了一篇详细的文章《GraphRAG 宣言：为 GenAI 增加知识》，通俗易懂的介绍了 GraphRAG 的原理、与传统 RAG 的区别、GraphRAG的优势、知识图谱的创建和利用知识图谱工作。 阅读详情

在当今AI时代，检索增强生成(RAG)已成为提升大语言模型回答质量的关键技术。本文将探讨如何结合知识图谱和向量数据库构建更智能的图RAG系统，让AI回答更准确、更可靠。

图RAG是什么？为什么需要它？

想象一下，传统RAG就像是一个勤奋但视野有限的图书管理员，只能根据关键词匹配找到相关书籍。而图RAG则像是一位博学多才的专家，不仅知道每本书的内容，还了解它们之间错综复杂的关联。

传统RAG虽然能从海量文档中检索相关片段，但它就像戴着眼罩看世界—看到了内容，却看不到内容间的联系。图RAG通过引入知识图谱这把"魔法钥匙"，打开了数据关系的大门，让AI不仅理解"是什么"，还能理解"为什么"和"怎么样"，从而提供更全面、更深入的回答。

目前主要有三种实现图RAG的方式：

一是基于向量的检索，将知识图谱向量化存储在向量数据库中，通过相似度匹配检索。

二是相关实体提示查询检索使用LLM将自然语言转换为SPARQL或Cypher查询语句，直接查询知识图谱。

最后就是二者结合的混合方法，结合两者优势，先用向量搜索初步检索，再用知识图谱进行筛选优化。

图片

实验比较：三种方法的优劣

我们以电子商务产品推荐系统为例，对比三种方法在语义搜索、相似度计算和RAG方面的表现。

方法一：向量数据库检索

首先，我们将产品描述和用户评论向量化存入Milvus向量数据库：

# 定义数据模式 collection_name = "products" dim = 1536  # OpenAI embedding维度  # 创建集合 collection = Collection(name=collection_name) collection.create_field(FieldSchema("id", DataType.INT64, is_primary=True)) collection.create_field(FieldSchema("title", DataType.VARCHAR, max_length=200)) collection.create_field(FieldSchema("description", DataType.VARCHAR, max_length=2000)) collection.create_field(FieldSchema("embedding", DataType.FLOAT_VECTOR, dim=dim))  # 写入数据 with collection:       for index, row in df.iterrows():           embedding = get_embedding(row.title + " " + row.description)         collection.insert([             [index], [row.title], [row.description], [embedding]         ])

语义搜索测试：搜索"轻便防水运动鞋"时，返回相关产品：

《超轻透气跑步鞋》

《防水户外徒步鞋》

《多功能运动训练鞋》

这里向量数据库展现了良好的语义理解能力，能找到功能相关的产品，即

使它们的描述用词不完全一致。

当用户询问"推荐适合雨天跑步的鞋子"时，系统检索出相关产品并生成建议：

以下是几款适合雨天跑步的鞋子推荐： - 防水透气跑步鞋XYZ采用特殊橡胶外底，提供优异抓地力 - 全天候运动鞋ABC配备防泼水面料，轻量设计适合长跑 - 专业越野跑鞋DEF具有排水设计，即使踩水也能快速干燥

然而，我们发现一个问题：向量数据库可能会返回视觉上相似但功能不匹配的产品(如时尚休闲鞋)，这会导致"上下文污染"，使LLM生成的推荐不够精准。

方法二：知识图谱检索

接下来，我们将同样的数据构建成知识图谱：

# 创建实体和关系 g.add((product_uri, RDF.type, Product)) g.add((product_uri, name, Literal(row['title']))) g.add((product_uri, description, Literal(row['description'])))  # 添加产品属性和分类关系 for feature in features:       feature_uri = create_valid_uri("http://example.org/feature", feature)       g.add((feature_uri, RDF.type, Feature))      g.add((product_uri, hasFeature, feature_uri))

语义搜索测试：我们不仅搜索"防水"标签，还利用产品本体的层级关系，同时搜索相关概念如"防泼水"和"快干"：

# 获取防水的相关概念 related_concepts = get_all_related_concepts("WaterProof", depth=2) # 将所有概念转为URI进行查询 feature_terms = [convert_to_feature_uri(term) for term in flat_list]

结果返回：

《全天候防水徒步鞋》(标签：防水、耐磨、户外)

《速干涉水溯溪鞋》(标签：快干、防滑、水上运动)

《Gore-Tex专业跑鞋》(标签：防泼水、透气、专业跑步)

知识图谱的优势在于结果可解释性强，我们知道每个产品为什么被选中。

方法三：混合方法

最后，我们结合两种方法的优势：

将产品描述、评论和特性标签一起向量化：# 创建包含产品特性的向量表示 collection = Collection(name="products_with_features") collection.create_field(FieldSchema("id", DataType.INT64, is_primary=True)) collection.create_field(FieldSchema("title", DataType.VARCHAR, max_length=200)) collection.create_field(FieldSchema("description", DataType.VARCHAR, max_length=2000)) collection.create_field(FieldSchema("features", DataType.VARCHAR, max_length=500)) collection.create_field(FieldSchema("product_uri", DataType.VARCHAR, max_length=200)) collection.create_field(FieldSchema("embedding", DataType.FLOAT_VECTOR, dim=dim))先用向量搜索获取初步结果：# 搜索适合雨天跑步的鞋子 search_params = {     "metric_type": "COSINE",     "params": {"nprobe": 10} } results = collection.search(     [get_embedding("适合雨天跑步的鞋子")],     "embedding",     search_params,     limit=20,     output_fields=["title", "description", "features", "product_uri"] )再用知识图谱筛选和排序：# 筛选出真正具备防水和跑步功能的产品 query = """ SELECT ?product ?title ?description WHERE {   ?product hasFeature ?feature1.   ?product hasFeature ?feature2.   ?product name ?title.   ?product description ?description.   FILTER (?product IN (%s) && ?feature1 IN (%s) && ?feature2 IN (%s)) } """

这种混合方法解决了上下文污染问题，最终返回的都是真正适合雨天跑步的专业鞋款：

《GTX防水专业马拉松跑鞋》

《全天候防泼水竞速跑鞋》

《防滑防水越野跑步鞋》

结论与实践建议

从上面的对比，我们可以看到，向量数据库优势是部署简单快速，Milvus提供高性能向量检索，特别适合大规模产品库。缺点是结果不可解释，且存在上下文污染风险。

知识图谱优势，是结果高度可控和可解释，可以精确过滤无关内容。缺点是需要构建和维护知识图谱，查询编写复杂。

而对于混合方法，则利用Milvus的高效检索和知识图谱的精确性，既保证了检索速度，又提高了推荐质量。

在实际应用推荐上，比如做内容推荐，同时考虑主题相似性和内容关联性，避免推荐表面相似但实质不相关的内容，又或者对于客户服务，确保回答不仅相关，还能考虑到产品间的兼容性和搭配关系。

图RAG不仅是技术的组合，更是提升AI系统智能程度的飞跃。通过Milvus的高效向量检索和知识图谱的关系理解，我们的AI不再是简单的"关键词匹配机器"，而是真正理解用户需求的"智能顾问"。

写在最后

2025年的今天，AI创新已经喷井，几乎每天都有新的技术出现。作为亲历三次AI浪潮的技术人，我坚信AI不是替代人类，而是让我们从重复工作中解放出来，专注于更有创造性的事情！

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

在这里插入图片描述

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

  • 大模型 AI 能干什么？
  • 大模型是怎样获得「智能」的？
  • 用好 AI 的核心心法
  • 大模型应用业务架构
  • 大模型应用技术架构
  • 代码示例：向 GPT-3.5 灌入新知识
  • 提示工程的意义和核心思想
  • Prompt 典型构成
  • 指令调优方法论
  • 思维链和思维树
  • Prompt 攻击和防范
  • …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

  • 为什么要做 RAG
  • 搭建一个简单的 ChatPDF
  • 检索的基础概念
  • 什么是向量表示（Embeddings）
  • 向量数据库与向量检索
  • 基于向量检索的 RAG
  • 搭建 RAG 系统的扩展知识
  • 混合检索与 RAG-Fusion 简介
  • 向量模型本地部署
  • …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

  • 为什么要做 RAG
  • 什么是模型
  • 什么是模型训练
  • 求解器 & 损失函数简介
  • 小实验2：手写一个简单的神经网络并训练它
  • 什么是训练/预训练/微调/轻量化微调
  • Transformer结构简介
  • 轻量化微调
  • 实验数据集的构建
  • …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

  • 硬件选型
  • 带你了解全球大模型
  • 使用国产大模型服务
  • 搭建 OpenAI 代理
  • 热身：基于阿里云 PAI 部署 Stable Diffusion
  • 在本地计算机运行大模型
  • 大模型的私有化部署
  • 基于 vLLM 部署大模型
  • 案例：如何优雅地在阿里云私有部署开源大模型
  • 部署一套开源 LLM 项目
  • 内容安全
  • 互联网信息服务算法备案
  • …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传优快云，朋友们如果需要可以微信扫描下方优快云官方认证二维码免费领取【保证100%免费】

在这里插入图片描述

标签
#知识图谱 #数据库 #人工智能 #机器人 #windows
#embedding #langchain
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
更强的RAG：向量数据库和知识图谱的结合 传统 RAG 的局限性 经典的 RAG 架构以向量数据库(VectorDB)为核心来检索语义相似性上下文，让大语言模型(LLM)不需要重新训练就能够获取最新的知识，其工作流如下图所示： 这一架构目前广泛应用于各类 AI 业务场景中，例如问答机器人、智能客服、私域知识库检索等等。虽然 RAG 通过知识增强一定程度上缓解了 LLM 幻觉问题，但是依然面临准确度不高的问题，它受限于信息检索流程固有的... 阅读详情

相关推荐

《向量数据库指南》实战篇：打造高效RAG系统，助力AI升级

通过以上的步骤，你就可以使用Mlivus Cloud搭建一个基础的RAG系统了。当然，这只是一个起点，RAG系统还有很大的发展空间和潜力。未来，我们可以进一步探索如何将RAG系统与其他AI技术相结合，如知识图谱、强化学习等，以构建更加智能、高效的AI系统。最后，我想再次强调一下《向量数据库指南》的重要性。这本书不仅为你提供了向量数据库和RAG系统的理论知识，还提供了大量的实战案例和代码示例。如果你想要深入了解向量数据库和RAG系统的搭建方法，那么这本书绝对是你的首选。

实战AI智能体 1292

你想要的GraphRAG的内容都在这了

如上图所示，GraphRAG包括两个处理阶段，分别是：索引阶段和查询阶段。索引阶段利用LLM来自动化构建知识图谱，提取出对应的节点（如实体）、边（如关系）和协变量（如主张，claim），然后利用社区发现技术（如Leiden算法）对整个知识图谱进行子图划分，然后自底而上对子图利用LLM进行摘要、总结。针对特定查询，“全局答案（Global Search）”汇总所有与之相关的社区摘要最后汇总生成答案。通过LLM对文档中的实体、关系、主张进行提取，本质上是对文档的一种抽象式摘要。

lqfarmer的博客 1731

图数据库 NebulaGraph 发布了业界首个基于知识图谱的 RAG：基于知识图谱的检索增强生成

在信息过载的时代，通过梳理海量数据以提供引人入胜且易于理解的准确搜索结果已经成为一场艰难的战斗。传统的搜索增强技术往往在处理复杂查询和聊天 GPT 等尖端技术带来的高需求时表现不佳。这就是图 RAG 进入的地方——这是由 NebulaGraph 制造的一个改变游戏规则的概念，它承诺彻底改革该领域。“图RAG” 是一个由 Neo4j 领先的概念。这项技术利用知识图谱与大语言模型（LLMs）相结合，为搜索引擎提供更全面的上下文理解能力。它可以帮助用户以更低的成本获得更智能、更精确的搜索结果。

洛阳泰山的博客 2025

从传统 RAG 到图 RAG，赋予大型语言模型更强大的知识力量

大型语言模型 (LLMs) 在固定数据集上进行训练，其知识在最后一次训练更新时就已固定。ChatGPT 的常规用户可能已经注意到其众所周知的局限性：“这种局限性会导致模型产生不准确或过时的响应，因为它们会“”信息。在不重新训练或微调的情况下，用新信息更新模型或增强其上下文理解能力，在资源和人力方面都极具挑战。

2401_85378759的博客 1580

从本地到全局：基于图的RAG方法进行查询聚焦原理摘要

使用检索增强生成（RAG）从外部知识源检索相关信息，使大型语言模型（LLMs）能够回答有关私有和/或以前未见过的文档集合的问题。然而，当针对整个文本文档库提出全局问题时，例如“数据集中的主要主题是什么？”，RAG 会失败，因为这本质上是一个查询聚焦摘要（QFS）任务，而不是明确的检索任务。与此同时，之前的 QFS 方法无法扩展到典型 RAG 系统索引的大量文本。

洛阳泰山的博客 1185

目标检测: 一文读懂 YOLOX

论文：YOLOX: Exceeding YOLO Series in 2021 论文链接：https://arxiv.org/pdf/2107.08430.pdf 代码链接：https://github.com/Megvii-BaseDetection/YOLOX. 文章目录1 为什么提出YOLOX2 YOLOX 网络架构3 YOLOX 实施细节3.1 backbone3.2 neck3.3 Head3.3.1 Decoupled Head3.3.2 Anchor-free3.4 如何计算Loss3.5 如

weixin_46142822的博客 3万+

基于知识图谱 + 向量数据库：打造更智能的 RAG 系统，超详细看这一篇就够了！

在如今的人工智能时代，检索增强生成（RAG）已成为提高大语言模型回答质量的核心技术。本文将探究如何把知识图谱和向量数据库相结合，打造出更智能的图RAG系统，让人工智能的回答更加精准、可靠。

AI大模型的博客 1427

Multisim 14.0实战：从零搭建可调幅多波形信号发生器（附仿真文件）

本文详细介绍了如何在Multisim 14.0中从零搭建一个可调幅多波形信号发生器，涵盖方波、三角波和正弦波的生成原理与实现步骤。通过核心电路架构解析、关键参数设计及Multisim实战操作，帮助电子工程学习者和硬件工程师掌握信号发生器的设计与调试技巧，并提供仿真文件供实践验证。

nokia的博客 1074

知识图谱+向量数据库：打造更智能的RAG系统，大模型入门到精通，收藏这篇就足够了！

在当今AI时代，检索增强生成(RAG)已成为提升大语言模型回答质量的关键技术。本文将探讨如何结合知识图谱和向量数据库构建更智能的图RAG系统，让AI回答更准确、更可靠。

2301_81888214的博客 1037

SCI论文Discussion写作：如何用AI工具三步打造审稿人认可的深度逻辑框架

本文针对SCI论文Discussion写作的痛点，提出利用AI工具三步构建深度逻辑框架的方法。首先，使用Claude等工具搭建个性化提纲，解决“浅显病”与“混乱症”；其次，高效整合文献与结果，填充证据；最后，优化逻辑衔接与学术语言，打造审稿人认可的流畅论证。该方法强调研究者主导，AI辅助，显著提升写作效率与深度。

weixin_28235513的博客 236

高效敏感词检测API平台对比与选型指南

本文为开发者提供了高效敏感词检测API平台的选型指南。文章对比了专业API平台、头部云厂商、新兴AI服务商及开源方案，从检测能力、集成易用性、成本、稳定性及扩展性五大维度进行分析，并给出实战选型建议，帮助团队根据业务场景快速选择最合适的敏感词检测服务。

weixin_29325955的博客 348

向量数据库+知识图谱构建高效 RAG 系统

比如说，如果我们知道某本 AI 大模型书籍的向量，我们可以在数据库中找到与它非常相似的其他书籍的向量，就像在图书馆中找到相似主题的书籍一样。这种数据库的好处在于，它能够高效地处理大量的数据，并且支持复杂的查询，比如：找到与某个文本内容或图片非常相似的其他数据（如下图）。知识图谱的强大之处在于，它不仅能帮助我们理解单个概念，还能揭示概念之间的关系。例如，如果你想了解“太阳系是如何形成的”，知识图谱可以帮你找到与这个问题相关的各种知识点，如恒星的形成、行星的演化等，并将这些知识点以易于理解的方式呈现给你。

深入Java世界：探索编程之美与技术深度 3522

博途S7-1200与昆仑通态MCGS纯仿真联调实战指南

本文详细介绍了博途S7-1200与昆仑通态MCGS纯仿真联调的实战指南，包括环境搭建、配置步骤、通信桥接及故障排除。通过TIA Portal和MCGS Pro搭建的仿真环境，可实现80%以上的基础功能验证，适用于工业自动化学习和开发，大幅降低硬件投入成本。

weixin_26834815的博客 441

《向量数据库指南》——向量数据库专家解读 KG-RAG 的新突破

向量数据库指南》中详细介绍了向量数据库的原理、应用和实战经验，对于想要深入了解向量数据库和 KG-RAG 的读者来说，是一本不可多得的好书。通过利用向量存储和少量的 LLM 开销，我们能够在不依赖复杂图算法的情况下，处理复杂的多跳 KG-RAG 场景，实现最先进的性能。相信在未来的发展中，我们的方法将在更多的领域得到应用，为人工智能的发展做出更大的贡献。利用 KG 的丰富关系性数据，RAG 不仅能更精准地定位相关知识，还能更好地处理复杂的问答场景，如对比实体间的关系或回答多跳问题。

实战AI智能体 1127

2025海外代理IP深度横评：Bright Data、IPFoxy、SmartProxy等六大服务商实战对比

本文深度横评2025年六大海外代理IP服务商（Bright Data、IPFoxy、SmartProxy、IPIPGO、Kookeey及青果网络），基于实战测试数据，从IP池质量、速度稳定性、性价比等维度进行对比。针对跨境电商、数据爬虫、社交媒体管理等不同业务场景，提供精准的选购指南与避坑建议，帮助企业用户根据自身需求选择最合适的代理IP解决方案。

weixin_29196891的博客 436

Polyworks脚本开发学习笔记(十五)-用Python连接Polyworks的COM组件

Polyworks脚本开发学习笔记(十五)-利用Python连接Polyworks的COM组件

qq_43662503的博客 2507

RAG 技术三范式：图谱 RAG（KG-RAG）实战指南 —— 该用啥场景？怎么落地？

RAG 技术三范式：图谱 RAG（KG-RAG）实战指南 —— 该用啥场景？怎么落地？

优快云_224022的博客 1695

从苏宁电器到卡巴斯基（第二部）第14篇：我在卡巴的日子 XIV

目录 WannaCry 我的感慨 邻里矛盾 WannaCry 如果大家对于科技互联网圈子的新闻比较感兴趣的话，相信会对2017年5月的“WannaCry勒索病毒”事件记忆犹新，因为这个病毒在当时的全世界范围内掀起了极大的波澜，众多的企事业单位深受其害，造成的金钱和数据损失难以估量，从某种意义上来说，它甚至引领了勒索病毒新一轮的爆发浪潮。而通过这样的一次爆发，也让我对于卡巴斯基的技术实力有了更进一步的了解。 我记得很清楚，爆发的那天是周六，没记错的话Seth那天有事，就请假没来，只有我自己在公司值

Gleam的专栏 4921

从基础 RAG 到 Agent RAG：知识图谱赋能检索生成（KG-RAG）的完整指南与实证发现

从基础 RAG 到 Agent RAG：知识图谱赋能检索生成（KG-RAG）的完整指南与实证发现

weixin_72959097的博客 1796

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

OV9734 DATASHEET，完整规格书

OV9734完整规格书，包括电气参数，尺寸规格，寄存器配置表等

RAG技术的三种范式之图谱RAG（KG-RAG）：如何用、何时用？

为了解决这些问题，研究者们开始探索将知识图谱（KGs）融入检索增强生成（RAG）框架，形成了所谓的“KG-RAG”方法。这种结合不仅有望减少模型的“幻觉”，还能提升其推理能力和准确性。

AI大模型的博客 1213

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过，这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后，重新检测通过。

基于图谱RAG（KG-RAG）：如何用、何时用？

在特定领域任务中，KG-RAG能够显著增强开源LLM（如Llama2-7B）的表现，使其在某些场景下甚至可以与商业LLM相媲美。在开放域问答中，KG-RAG的提升效果相对有限。这可能是因为开放域任务需要更广泛的知识覆盖，而当前的KG-RAG方法在知识广度上仍有不足。查询增强方法：没有一种通用的查询增强方法适用于所有任务。最佳策略取决于任务的具体性质。例如，短问题更适合查询扩展，而长问题更适合查询分解。检索形式的选择：检索形式（如事实、路径、子图）对性能的影响并不确定。

Python_cocola的博客 1010

老版QQ原生表情gif动态

这是老版的QQ表情，不过全是动态的的，Windows照片查看器是不会动的，可以右击用浏览器打开查看，再说一遍是老版的，只是分享给宁愿用老版也要动态的人。

RAG技术的三种范式之图谱RAG（KG-RAG）：如何用、何时用？（非常详细）从零基础到精通，收藏这篇就够了!

在特定领域任务中，KG-RAG能够显著增强开源LLM（如Llama2-7B）的表现，使其在某些场景下甚至可以与商业LLM相媲美。在开放域问答中，KG-RAG的提升效果相对有限。这可能是因为开放域任务需要更广泛的知识覆盖，而当前的KG-RAG方法在知识广度上仍有不足。

Libra1313的博客 1551

下一代知识图谱增强的检索增强生成（KG-RAG）：掌握2025年图增强检索技术

检索增强生成（RAG）通过弥合预训练知识与实时、特定领域信息之间的差距，彻底改变了大型语言模型（LLM）领域。然而，早期依赖纯向量检索的RAG在处理复杂关系映射和多跳推理任务时存在固有局限性。传统向量检索将文本转换为稠密向量嵌入，并基于相似度指标检索相关信息，但难以捕捉实体间的显式语义关系——例如，区分“A是B的父母”和“A是B的同事”——且无法有效执行多步骤推理，如“锂离子电池发明者创办的公司名称是什么？在此背景下，知识图谱增强的检索增强生成（KG-RAG）应运而生，成为一种变革性解决方案。

wddxwdwl的博客 831

GenAI时代的企业智能升级：知识图谱与RAG的完美结合

摘要： 本文探讨知识图谱（KG）、检索增强生成（RAG）与大型语言模型（LLM）的协同应用，以优化企业智能化工具。KG通过结构化数据增强上下文理解，RAG结合文档检索提升回答准确性，二者结合可减少LLM的模型幻觉，支持复杂查询与多跳推理。案例显示，KG-RAG方案在客户支持、个性化推荐等场景中显著提升响应速度与准确性，同时赋能员工高效协作。未来，三者融合将进一步释放企业智能化潜力，实现精准决策与用户体验升级。 关键词：#知识图谱 #RAG #LLM #企业智能化

1227

图谱RAG（KG-RAG）使用全指南：如何高效运用，何时发挥最大效能？

在特定领域任务中，KG-RAG能够显著增强开源LLM（如Llama2-7B）的表现，使其在某些场景下甚至可以与商业LLM相媲美。在开放域问答中，KG-RAG的提升效果相对有限。这可能是因为开放域任务需要更广泛的知识覆盖，而当前的KG-RAG方法在知识广度上仍有不足。查询增强方法：没有一种通用的查询增强方法适用于所有任务。最佳策略取决于任务的具体性质。例如，短问题更适合查询扩展，而长问题更适合查询分解。检索形式的选择：检索形式（如事实、路径、子图）对性能的影响并不确定。

m0_65555479的博客 1268
上一篇： 阿里Qwen3技术报告核心要点解读！
下一篇： 深度对比流行开源智能体 Agent 框架：选择适合你的解决方案
点赞 22
评论 0
书签 书签 26
Python_金钱豹
Python_金钱豹
博客等级 码龄5年 1万+粉丝 2841原创
+ 关注
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值