知识靠谱-优快云博客

转载【大模型】什么是大模型？一文读懂大模型的基本概念

大模型的定义大模型与小模型的区别大模型相关概念大模型的发展历程大模型的特点大模型的分类大模型的泛化与微调总结大模型是指具有大规模参数和复杂计算结构的机器学习模型。本文从大模型的基本概念出发，对大模型领域容易混淆的相关概念进行区分，并就大模型的发展历程、特点和分类、泛化与微调进行了详细解读，供大家在了解大模型基本知识的过程中起到一定参考作用。定义：大模型是具有大规模参数和复杂计算结构的机器学习模型，通常由深度神经网络构建，参数量可达数十亿甚至数千亿。目的。

2025-03-02 23:37:50 29

原创【大模型】Windows桌面版AnythingLLM安装与配置教程

通过上述步骤，你可以在 Windows 系统上快速安装和配置 AnythingLLM 桌面版，并结合 Ollama 使用 DeepSeek 等大模型，打造一个专属的智能知识库。希望这篇教程能帮助你更好地利用 AnythingLLM，提升工作和学习效率。如果你在安装或使用过程中遇到任何问题，欢迎在评论区留言，我会尽力为你解答。

2025-03-02 23:15:18 2143

原创【大模型】Ollama本地部署DeepSeek大模型：打造专属AI助手

Ollama是一个轻量级的本地AI模型运行框架，支持在Windows、Linux和MacOS上运行各种开源大语言模型。它提供了丰富的模型库，包括DeepSeek、Llama等1700+大语言模型。此外，Ollama还支持用户上传自己的模型，并允许通过编写配置文件来自定义模型的推理参数。通过以上步骤，我们可以在本地成功部署DeepSeek大模型，将其变成自己的私人AI助手。本地部署不仅提高了响应速度，还增强了隐私保护。希望这篇教程能帮助你更好地利用DeepSeek，提升工作和学习效率。

2025-03-02 23:07:44 832

翻译【大模型➕知识图谱】GraphEval：基于知识图谱的LLM虚构内容检测框架

随着知识图谱技术的持续发展，GraphEval在LLM虚构内容检测领域将发挥更大的作用，为推动LLM的可靠应用提供有力支持。具体操作是，针对检测出的存在虚构信息的三元组，GraphCorrect会重新生成正确的三元组，然后将其替换回原始的LLM输出内容中，从而达到纠正虚构内容的目的，使输出结果更加符合事实。GraphEval的独特之处在于，它将LLM生成的内容转化为知识图谱结构，然后借助NLI模型来检测图谱中的每个三元组与给定上下文是否一致，从而实现更精准的虚构内容检测，并能给出具有解释性的结果。

2025-02-28 23:28:47 19

原创【大模型➕知识图谱】大模型结合医疗知识图谱：解锁智能辅助诊疗系统新范式

本文成功构建的智能辅助诊疗系统，创新性地将大模型与医疗知识图谱深度融合。借助大模型强大的语义理解和意图识别能力，结合知识图谱结构化的医疗知识，实现了对医疗问题的精准、高效解答。从代码实现部分可以清晰看到，从知识图谱的构建、问题的解析，到结果的整合与输出，各个环节紧密协同，已初步搭建起一个完整且实用的系统框架。在系统优化与扩展方面，依托专家历史诊治病案构建知识图谱，使系统知识来源更贴近临床实际，数据更具权威性和实用性；

2025-02-28 18:02:58 284

原创【大模型】DeepSeek 本地化部署指南：硬件适配全解析

不同型号的 DeepSeek 模型在参数量、模型结构以及功能特性上存在显著差异，这也决定了它们各自适配的硬件环境和应用场景。下面我们将详细剖析各型号的特点、局限性以及硬件需求，同时深入探讨显存需求与量化技术，以 32B 模型为例展开分析。

2025-02-28 13:46:14 2042

原创【大模型+知识图谱】大模型与知识图谱融合：技术演进、实践应用与未来挑战

大模型与知识图谱的融合不是简单拼接，而是认知智能的范式重构。当符号主义的精确性与连接主义的泛化能力深度交织，我们正站在通向可信AGI的关键路口。正如OpenKG技术委员会王昊奋教授所言：“2025年将是图模协同从技术探索走向规模落地的分水岭”。参考文献OpenKG 2024年度报告（同济大学王昊奋）大型语言模型与知识图谱协同研究综述（海豚实验室,2024）知识图谱与大模型结合方法概述（黄巍,2023）图模互补:知识图谱与大模型融合综述（优快云,2024）

2025-02-27 23:58:59 142

原创【大模型】Agentic RAG技术：从传统RAG到智能代理的演进与突破

Agentic RAG技术不仅是传统RAG的升级，更是AI系统从“信息搬运工”到“知识决策者”的质变。随着技术的不断演进，其在医疗诊断、法律文书生成、智能制造等领域的应用将持续深化。未来，Agentic RAG有望成为企业智能化转型的标配技术，推动人机协作进入更高效、更智能的新纪元。欢迎在评论区分享您的实践经验或技术疑问，共同探讨AI Agent的无限可能！

2025-02-27 09:08:17 217

原创【大模型】大模型推理能力深度剖析：从通用模型到专业优化

推理模型的出现为自然语言处理领域带来了新的突破。通过优化模型架构和训练方法，推理模型在复杂任务中展现出强大的能力。未来，随着技术的不断发展，推理模型将在更多领域发挥重要作用，为人工智能的发展注入新的动力。随着人工智能技术的不断进步，大模型的推理能力将成为衡量其性能的重要标准。推理模型的广泛应用和灵活部署将推动人工智能技术在更多领域实现突破，为人类社会的发展带来更多的可能性。

2025-02-27 08:31:54 1263

原创【大模型】DeepSeek-R1-70B 模型本地部署指南：显卡需求与优化策略

DeepSeek-R1-70B 模型的显卡需求需要根据量化精度、预算以及任务复杂度综合选择。高精度场景推荐使用专业级显卡（如 A100/H100），而性价比方案可以通过魔改显卡与量化技术实现。在部署过程中，需重点关注显存分配、通信效率以及散热设计。希望本文的分析和建议能够帮助开发者和企业更好地理解和部署 DeepSeek-R1-70B 模型。如果有更多问题，欢迎继续讨论！

2025-02-24 14:11:14 859

原创【大模型】DeepSeek-RAG 本地化部署与军事情报应用研究报告

探讨量子计算、通信、传感等技术在军事领域应用，如量子雷达用于目标探测、量子通信保障军事通信安全、量子计算机加速军事模拟和密码破解等，虽然与 DeepSeek 和 RAG 技术无直接关联，但从军事科技角度提供更广泛的军事技术发展视野，有助于分析未来军事情报技术发展趋势和潜在应用场景。随着人工智能技术的飞速发展，尤其是自然语言处理（NLP）和检索增强生成（RAG）技术的出现，为军事情报的分析和决策提供了新的可能性。：采用动态量化技术，将 GPU 需求从 16 张 A100 降至 4 张，实现国防级硬件适配。

2025-02-20 23:57:45 1084

原创【大模型】DeepSeek：AI浪潮中的破局者

DeepSeek 以其独特的技术架构、高效的训练方式和出色的性能表现，在人工智能领域中独树一帜，成为了行业内的佼佼者。它的出现，不仅为众多领域带来了创新的解决方案，推动了各行业的智能化进程，还在全球范围内引发了广泛的关注和讨论，为人工智能的发展注入了新的活力。在金融领域，DeepSeek 助力金融机构实现数字化转型，提升风险管控能力和工作效率；在城市治理、医疗、教育等行业，它也展现出了巨大的应用潜力，为解决实际问题提供了新的思路和方法。

2025-02-19 23:43:59 1079 1

原创【大模型】DeepSeek 的人工智能发展之路

它的出现，不仅提升了 DeepSeek 在技术领域的声誉，还极大地扩大了其市场影响力，让更多开发者和企业能够以较低成本使用高性能的大模型，推动了相关应用的开发与普及。它还支持多种语言，满足了全球不同地区用户的需求。通过在如此大规模且多样化的数据集上训练，DeepSeek LLM 具备了强大的语言理解和生成能力，能够处理各种复杂的自然语言任务，为 DeepSeek 后续模型的优化与改进提供了经验和数据基础，也让 DeepSeek 在大模型领域迈出了坚实的第一步，吸引了业界的目光，为公司树立了初步的技术形象。

2025-02-19 22:46:02 699

原创【深度学习】Transformer技术报告：架构与原理

Transformer 架构凭借其高效的并行计算能力和强大的长距离依赖建模能力，彻底改变了自然语言处理领域。它不仅在学术研究中取得了显著成果，还在工业界得到了广泛应用。未来，Transformer 架构有望在更多领域发挥重要作用，推动人工智能技术的发展。希望这份报告对你有帮助！如果你有任何问题或需要进一步补充 Transformer 在其他领域的应用实例、技术优化方向等内容，欢迎随时告诉我。

2025-02-18 23:49:45 866

原创【深度学习】Transformer入门：通俗易懂的介绍

Transformer是一种很厉害的技术，它通过“注意力机制”和“多头注意力”快速理解句子的意思，并且可以同时处理整个句子，而不是一个词一个词地处理。它的出现让计算机在处理语言任务时变得更聪明、更高效。希望这个介绍能帮你更好地理解Transformer！如果你对Transformer还有更多问题，欢迎留言讨论！😊希望这篇内容能帮助你在优快云上更好地分享和交流Transformer的知识！

2025-02-18 23:39:57 2083

原创【大模型实战】0代码搭建DeepSeek本地知识库，打造专属智能助手

0代码基于DeepSeek-R1搭建本地知识库，打造个人专属智能助手

2025-02-05 21:39:29 2159 2

原创【大模型】科普爽文_DeepSeek大模型技术路径（总体架构和技术突破）

DeepSeek大模型通过创新的训练方法、架构优化、训练效率与成本优化等技术突破，实现了高性能、低训练成本和强大的推理能力。其纯强化学习训练路径为AI模型的推理能力训练提供了新的思路，而高效的训练框架和混合精度训练技术则为大规模模型的训练提供了可行的解决方案。

2025-02-05 14:20:44 623 1

原创【知识图谱】Neo4j Desktop桌面版中国区被禁（无法打开）问题解决方法

Neo4jDesktop桌面版进程运行无法打开，UI界面无法显示问题解决办法

2025-01-19 18:57:33 2339 1

原创【大模型+知识图谱】哈工大版chinese-roberta-wwm-ext模型介绍、下载部署和GPU显卡配置

RoBERTa模型的一个重要改进版本，由阿里云的研究团队提出。而Chinese RoBERTa-wwm-ext则是针对中文文本的预训练模型，它在哈工大的研究团队手中进一步优化，特别适用于中文自然语言处理任务。

2025-01-06 09:26:57 251

原创【大模型实战】 Qwen2.5-7B大模型部署及使用推理教程（2025版最新最全教程安装）

Qwen2.5-7B 是阿里云发布的大型语言模型，属于 Qwen2.5 系列的一部分。Qwen2.5-7B 以 Apache 2.0 开源协议开源，可以完全免费商用。它在 Hugging Face 上有多个版本可供下载，包括基座版本和指令微调版本。技术规格内容模型类型因果语言模型训练阶段包括预训练和后训练参数总量7.61B（非嵌入层参数：6.53B）注意力头数28（Q）和 4（KV）

2025-01-04 13:58:31 1956

原创【大模型实战】 CUDA安装及Pytorch GPU版本安装教程（2025版最新最全教程安装）

CUDA安装教程及PyTorch配置安装教程

2025-01-04 01:34:12 1359

原创【问题笔记】镜像解决python环境中安装Torch时遇到超时问题

如果您在中国，可以尝试使用国内的 PyTorch 镜像源来加速下载。您可以在命令行中添加 -i https://pypi.tuna.tsinghua.edu.cn/simple 来指定清华大学提供的 PyTorch 镜像源。从提供的错误日志来看，在尝试使用 pip 命令安装 PyTorch 2.3.1 版本时遇到了超时错误。您需要确定是否已经安装了 pip 的最新版本。这通常是因为网络连接问题或者服务器响应时间过长导致的。确保您的网络连接是稳定的，并且没有任何中断。

2024-06-11 20:14:43 845

原创【知识图谱】基于Python+neo4j的传统戏剧知识图谱构建

使用Python语言，编写导入脚本。创建三个关系：type（非遗和类型之间的关系），location（非遗和所属地之间的关系），pro_org（非遗和保护组织之间的关系）。这份文件为我们提供了一个全面的视角，了解和认识到中国非物质文化遗产的丰富性和多样性，以及为保护和传承这些宝贵文化遗产所做的努力。对于每条数据，创建四个节点：node1（非遗），node2（类型），node3（所属地），node4（国家单位）。使用graph.merge方法将这些节点合并到数据库中，如果节点已存在，则不创建新的节点。

2024-05-26 09:55:50 1846 6

原创【大模型实战】使用Gensim训练中文维基百科数据词向量模型

以维基百科的中文网页作为语料库，进行word2vect模型训练

2024-05-25 14:31:47 784

原创【问题笔记】解决Gensim自带的corpora进行维基百科中文语料数据提取问题

如果你需要使用自定义词典，你需要在创建 WikiCorpus 对象后，手动处理文本。如果你想要获取文本，你需要使用 WikiCorpus 类的 get_texts 静态方法。解决2：使用 WikiCorpus 类的 get_texts 静态方法，用WikiCorpus.get_texts(wiki)替换wiki.get_texts()lemmatize 参数：如果你在创建 WikiCorpus 实例时使用了 lemmatize 参数，你需要移除它，因为该参数已不再支持。

2024-05-23 12:56:30 551

原创【知识图谱】基于neo4j的数字逻辑课程知识图谱构建

知识图谱覆盖了从基础的代数概念到复杂的电路设计，旨在帮助学习者全面理解数字逻辑的各方面。除了理论知识点，这份数据还包含了逻辑门的真值表、逻辑表达式的计算题以及逻辑电路的分析题，这些题目旨在加深学习者对数字逻辑应用的理解。此外，数据中还包含了实体之间的关系，如逻辑运算包括与运算、或运算等，以及逻辑门包括与门、或门等，这些关系有助于构建起知识点之间的联系，形成完整的知识结构。整体来看，这份数据为数字逻辑的学习者提供了一个结构化和系统化的学习资源，有助于从基础概念到复杂应用逐步建立起扎实的数字逻辑知识基础。

2024-05-17 13:28:21 1370 1

原创【知识图谱】医疗知识图谱可视化及问答系统设计与实现（2024年最全教程）

基于知识图谱+flask的KBQA医疗可视化查询及问答系统，以neo4j作为存储，基于python+pycharm进行系统开发，前端HTML+JavaScript+CSS，利用echarts进行图谱可视化展示。使用爬虫算法和MongoDB数据库进行数据获取处理。

2024-05-15 21:27:06 4040 1

原创【知识图谱】医疗保健知识图谱问题思考

由于知识图谱三元组表示形式的直观、灵活性，基于知识图谱的推理不仅局限于以逻辑与规则为主的传统知识推理，还支持多样化的推理方法，如基于逻辑规则、基于表示学习、基于神经网络和基于图神经网络的推理方法等。区别于传统的知识库，知识图谱通过结构化、语义化的处理将信息转化为知识，并利用图数据结构对知识进行数据表示，能够非常清晰、直观的展现数据间的复杂关系，提高机器认知能力、发现隐含知识，被广泛应用于智能搜索、问答和推理等人工智能领域。在关系查询时需进行大量外连接操作，效率低，耗时长。

2024-05-12 17:02:09 399

原创【Django】解决Django项目遇到的ImportError: cannot import name ‘url‘ from ‘django.conf.urls‘

Django项目中的ImportError: cannot import name ‘url’ from ‘django.conf.urls’错误通常意味着在项目的配置或代码中存在一些问题。这个问题可能是由于Django版本升级、错误的导入语句或项目配置错误引起的。确保在代码中正确导入了url函数。同理，涉及path，include同样方法解决。

2024-05-04 11:52:50 1035

原创【知识图谱】基于neo4j构建医疗领域知识图谱

根据字典形式的数据创建结点，以疾病为中心定义关系形成三元组表示的知识，将结点和关系导入neo4j数据库形成知识图谱，通过运行build_medicalgraph.py脚本构建图谱。

2024-04-30 16:54:42 2316 2

原创【知识图谱】医疗领域知识图谱的数据获取（medical.json）

爬取疾病相关的信息，并将数据存储到MongoDB数据库中。一系列方法，用于实现不同类型的数据采集。融合处理生成medical.json结构化数据

2024-04-30 15:57:08 4045 2

原创 MongoDB数据库安装教程（2024年最全教程）

本文使用版本为mongodb-windows-x86_64-5.0.14-signed.msi文件。MongoDB官方下载地址：https://www.mongodb.com/try。MongoDB的环境配置：在变量Path里加入E:\MongoDB\bin。打开终端（cmd）输入mongo，显示如下图即为安装成功。打开下载好的MongoDB，如下图所示，点击next。数据库服务安装，如下图所示，点击next。同意安装协议，点击next，如下图所示。选择安装路径，点击next，如下图所示。

2024-04-30 08:31:21 2085 2

原创知识图谱构建实战neo4j（带数据）--基于推特用户支持率的美共和党竞选知识图谱构建

基于推特用户支持率的美共和党竞选知识图谱构建neo4j,主要包含总统候选人、是否支持、支持率、用户名、评论内容和所处位置等，如下图所示。资源链接:（如遇问题或合作咨询欢迎联系Wechat：zskp1012）

2024-04-28 00:45:48 1545 2

原创【知识图谱】dump文件导入neo4j图数据库桌面版

本文主要介绍neo4j图数据库桌面版如何实现dump文件导入。

2024-04-21 21:10:03 1722 2

原创【知识图谱】neo4j桌面版安装与配置-解决无法启功问题（2025年最新最全教程）

桌面版安装，附带无法启动解决方法

2024-03-15 13:33:30 15935 40

原创【知识图谱】neo4j安装与配置_社区版_2025（附完整安装软件包）

对neo4j社区版3.5.14、4.4.18、5.8.0、5.15.0等版本以及桌面版1.5.6等的使用，整理完成neo4j社区版安装步骤，分享大家使用！！

2024-01-31 14:08:42 16451 17

AI交互革新：Agentic RAG技术从传统RAG到智能代理的技术演变与突破及其应用场景

内容概要：本文探讨了 Agentic RAG 技术的发展及其在多领域的应用。Agentic RAG 通过智能代理增强了传统检索增强生成（RAG）的能力，在面对复杂查询时表现出更高的灵活性、准确性和智能水平。文章指出传统 RAG 在复杂问题面前受限于单一静态检索方式、缺少推理能力和流程僵化的问题，并详细介绍 Agentic RAG 如何通过引入动态决策引擎、记忆管理、工具调用以及自我反馈机制来解决这些问题。此外，还展示了 Agentic RAG 在智能客服、金融科技、教育培训等方面的成功案例和技术指标优势。同时对未来发展趋势做出了展望，涉及轻重不同的实施路径选择和技术发展方向预测。适合人群：有兴趣了解 AI 和自然语言处理领域的研发人员、技术人员、科研工作者。使用场景及目标：帮助理解当前 RAG 技术面临的挑战，掌握新一代 Agentic RAG 的核心技术点及其应用场景；辅助企业在智能化转型过程做出明智决策；提供给研究人员作为深入探索的基础资料。其他说明：文中附有详细的流程图解和实验证明了技术效能，为读者提供了直观的认识工具，便于学习研究和项目实践中借鉴引用。同时针对不同层次的需

2025-02-27

【医疗知识图谱专用】医疗数据集：综合科室医疗信息

资源描述该资源是一套专为个人用户设计的医疗数据集，旨在支持构建个人医疗知识图谱。数据集覆盖了传染病、儿科、妇产科、急诊科、内科、皮肤性病、体检保健科、外科、中西医结合科和肿瘤科等关键医疗领域。每个文件都详细记录了疾病名称、别名、发病部位、传染性、多发人群、早期症状、晚期症状、并发症、就诊科室、临床检查和常用药物等信息。适用人群：医疗健康领域的研究人员个人健康管理爱好者医学院校的学生和教师医疗应用开发者使用场景及目标：个人健康管理：利用数据集构建个人医疗知识图谱，帮助用户更好地理解自身健康状况，进行疾病预防和自我诊断。医学研究：为研究人员提供丰富的医疗数据，支持疾病模式识别、病因分析和治疗效果评估。教育与学习：医学生和教师可以利用这些数据集进行案例研究，提高临床诊断和治疗技能。医疗应用开发：为开发者提供数据支持，开发智能诊断、健康咨询等医疗应用。其他说明：该数据集不仅适用于个人用户构建知识图谱，还可以作为医疗健康领域研究和应用开发的基础数据资源。通过这些数据，用户可以更深入地了解各种疾病的相关知识，从而在健康管理、疾病预防和治疗方面做出更明智的决策。

2025-02-16

python小红书关键词爬取网络数据.zip

2025-02-16

DeepSeek大模型技术路径总体架构、技术创新及其在Transformer与MoE架构的应用与改进

内容概要：本文详细介绍了DeepSeek大模型的关键技术进展。首先基于 Transformer 架构，DeepSeek 对自注意力机制进行了创新性的优化，加入了自适应权重分配算法以增强不同任务的理解和处理精度。与此同时，通过融合 MoE 架构和多样的技术，如多头潜在注意力机制（MLA）、辅助损失无关的负载均衡策略以及多Token预测训练目标（MTP），DeepSeek 显著提高了计算效率，同时维持高推理效能。文中还提到几种创新的训练方式，例如纯强化学习、多阶段渐进训练以及模型蒸馏，强调了这些策略如何改善了 DeepSeek 的学习能力和最终输出的质量。最后，高效训练框架 HAI-LLM 以及FP8混合精度训练，极大地提升了训练速度，降低成本的同时确保了模型的表现力。适用人群：适合对大规模语言模型有兴趣的研究员、工程师和学生，尤其是关注模型架构创新、优化及训练效率的人群。使用场景及目标：本文适用于想要深入了解现代语言模型内部运作、期望借鉴先进技术和策略应用于自身研究或工程项目的人士。目标是从中获取灵感和技术手段以改进现有的 NLP 工具或开发全新的产品和服务。

2025-02-15

OpenCC-1.1.6-windows版本

OpenCC是一个开源的中文简繁转换库，它支持简体中文和繁体中文之间的转换。版本1.1.6是该库的一个特定版本。如果你需要使用OpenCC进行简繁转换，你可以下载这个版本的库，并根据其文档进行编程，以实现所需的转换功能。

2024-05-29

非物质文化遗产-传统戏剧知识图谱数据

这份文件列出了中国各地区丰富的非物质文化遗产（非遗）项目及其相关信息。每个项目都包括了名称、所属类别、所属地区、保护单位等关键信息。这份文件为我们提供了一个全面的视角，了解和认识到中国非物质文化遗产的丰富性和多样性，以及为保护和传承这些宝贵文化遗产所做的努力。民间文学：包括各种传说、神话、民间故事等，如《苗族古歌》、《白蛇传传说》、《梁祝传说》等。传统舞蹈：涵盖了各民族的传统舞蹈，例如《陈塘夏尔巴歌舞》、《巴当舞》、《安昭》等。传统戏剧：包括了多种地方戏曲，如《昆曲》、《梨园戏》、《莆仙戏》、《潮剧》等。传统美术包括绘画、雕塑等视觉艺术，如《杨柳青木版年画》、《武强木版年画》等。传统技艺各种手工艺和传统制作技艺，如《景德镇手工制瓷技艺》、《南京云锦木机保护单位每个非遗项目都有指定的保护单位，这些单位负责项目的保护、传承和推广工作。保护单位多为各地的文化馆、艺术研究院、行业协会等。所属地区非遗项目遍布中国各省份、自治区、直辖市，体现了中国丰富多样的文化特色。项目类别非遗项目被分为多个类别，每个类别下有多个具体的项目，显示了中国非物质文化遗产的多样性和深度。

2024-05-26

维基百科中文语料txt格式文本

以维基百科的中文网页作为语料库，将xml格式的zhwiki-latest-pages-articles.xml.bz转换为txt格式，共446709行文本，每行对应一个网页。咨询vx：zskp1012

2024-05-25

数字逻辑课程知识图谱导入数据

这是一份关于数字逻辑课程知识图谱数据，详细地列出数字逻辑领域的各个知识点，并对每个知识点进行了定义、描述和分类。知识图谱覆盖了从基础的代数概念到复杂的电路设计，旨在帮助学习者全面理解数字逻辑的各方面。知识图谱的内容被组织成多个知识体系和知识集。例如，代数基础部分包括布尔代数、进制、符号数值等知识点，而电路基础部分则涵盖了逻辑门、逻辑电路、触发器等主题。每个知识点都有其定义、表示、特点、输入输出功能以及难易程度的描述，使学习者能够根据自己的掌握程度有针对性地进行学习。除了理论知识点，这份数据还包含了逻辑门的真值表、逻辑表达式的计算题以及逻辑电路的分析题，这些题目旨在加深学习者对数字逻辑应用的理解。题目涵盖从简单到中等难度，适合不同层次的学习者进行练习和测试。此外，数据中还包含了实体之间的关系，如逻辑运算包括与运算、或运算等，以及逻辑门包括与门、或门等，这些关系有助于构建起知识点之间的联系，形成完整的知识结构。整体来看，这份数据为数字逻辑的学习者提供了一个结构化和系统化的学习资源，有助于从基础概念到复杂应用逐步建立起扎实的数字逻辑知识基础。

2024-05-17

医疗知识图谱可视化查询及问答系统介绍（带登录注册）

医疗知识图谱可视化查询及问答系统介绍（带登录注册）基于知识图谱+flask的KBQA医疗问答系统基于医疗方面知识的问答，使用python和pycharm环境开发，neo4j图数据库存储，前端HTML+JavaScript+CSS，eschart进行图谱可视化展示。

2024-05-15

中式菜谱知识图谱可视化查询及问答系统

中式菜谱知识图谱，可以实现知识图谱可视化和知识库智能问答系统本项目开发的系统名称为**AI Food Time**，中文名为**爱食光**。如需体验可视化功能可直接访问通过收集网上完全公开的有关中式菜谱的数据，经过**数据清洗和分析**，转换为**知识图谱的存储结构**，并提供**可视化展示与搜索**和**智能问答**等功能，为热爱美食与烹饪的人们提供方便快捷的中式菜谱服务，并以知识图谱的形式直观显示出不同菜品的关系及所用原料，在生活中具有很大的实际应用需求，包括： + 一类菜品的不同具体做法，例如水煮鱼包括麻辣水煮鱼、小清新版水煮鱼和家常版水煮鱼等； + 通过菜品与食材的关联关系，可以查询家中现有食材可以烹饪哪些菜品； + 可以直接显示出每种菜品所需主料，辅料，配料及其具体数量和烹饪方法，与网上的一些菜谱网页相比更加简单直观； + 可视化能够对各种菜品及关联关系有一个全局的认识，并能够显示每种菜品对应的图片； + 智能问答系统可采用自然语言进行提问，系统反馈答案结果。 ## 功能使用 ### 1. 可视化展示及搜索 ### 2. 智能问答系统（KBQA）

2024-05-13

基于知识图谱的英文歌曲推荐系统数据集

基于知识图谱的英文歌曲推荐系统数据集，可用与构建英文歌曲知识图谱，并实现推荐系统的设计与实现。包含113999条数据，内容主要有track_id artists album_name track_name popularity duration_ms explicit danceability energy key loudness mode speechiness acousticness instrumentalness liveness valence tempo time_signature track_genre等

2024-05-12

医疗领域知识图谱json格式结构化数据

Python语言下使用爬虫工具从求医问药网爬取、解析相应的数据内容，经处理融合后生成结构化数据文件。以此文件可构建起以疾病为中心的医疗知识图谱，实体规模4.4万，实体关系规模30万。医药领域知识图谱，主要包含实体约4.4万个，其中包括Check，诊断检查项目，3353；Department，医疗科目，54；Disease，疾病，8807；Drug，药品，3828；Food，食物， 4870；Producer，在售药品，17201；Symptom，疾病症状，5,998。关系总计约30万条，主要包括属于、疾病常用药品、疾病宜吃食物、药品在售药品、疾病所需检查、疾病忌吃食物、疾病推荐药品、疾病推荐食谱、疾病症状、疾病并发疾病等。属性包含疾病名称、疾病简介、疾病病因、预防措施、治疗周期、治疗方式、治愈概率、疾病易感人群等

2024-04-30

mongodb-windows-x86-64-5.0.14-signed

mongodb数据库Windows版本64位。MongoDB是一个基于分布式文件存储 [1]的数据库。由C++语言编写。旨在为WEB应用提供可扩展的高性能数据存储解决方案。 MongoDB是一个介于关系数据库和非关系数据库之间的产品，是非关系数据库当中功能最丰富，最像关系数据库的。它支持的数据结构非常松散，是类似json的bson格式，因此可以存储比较复杂的数据类型。Mongo最大的特点是它支持的查询语言非常强大，其语法有点类似于面向对象的查询语言，几乎可以实现类似关系数据库单表查询的绝大部分功能，而且还支持对数据建立索引。

2024-04-30

知识图谱构建实战数据neo4j-基于推特用户评论的美共和党总统竞选知识图谱构建

利用neo4j图数据库，基于推特用户支持率的美共和党竞选知识图谱构建，基于美共和党总统竞选的推特用户评论内容数据，主要包含总统候选人、是否支持、支持率、用户名、评论内容和所处位置等。导入教程：https://editor.youkuaiyun.com/md/?articleId=138261021

2024-04-28

基于neo4j搭建旅游环境知识图谱

基于neo4j搭建旅游环境知识图谱，包含图谱例图及相关数据。

2024-04-27

基于neo4j制作的医药领域-疾病诊断知识图谱dump文件

以垂直网站为数据来源，构建起以疾病为中心的医疗知识图谱，实体规模4.4万，实体关系规模30万。医药领域知识图谱，主要包含实体约4.4万个，其中包括Check，诊断检查项目，3353；Department，医疗科目，54；Disease，疾病，8807；Drug，药品，3828；Food，食物， 4870；Producer，在售药品，17201；Symptom，疾病症状，5,998。关系总计约30万条，主要包括属于、疾病常用药品、疾病宜吃食物、药品在售药品、疾病所需检查、疾病忌吃食物、疾病推荐药品、疾病推荐食谱、疾病症状、疾病并发疾病等。属性包含疾病名称、疾病简介、疾病病因、预防措施、治疗周期、治疗方式、治愈概率、疾病易感人群等

2024-04-24

neo4j社区版安装与配置文件（附完整安装教程）

内容摘要：neo4j社区版安装与配置文件，包含neo4j-community-5.15.0-windows以及jdk-17.0.7_windows-x64_bin。安装教程：https://zskp1012.blog.youkuaiyun.com/article/details/135931544 适用人群：neo4j新手

2024-04-17

neo4j桌面版安装与配置文件

内容摘要：neo4j桌面版安装与配置文件，包含Neo4j Desktop Setup 1.5.6以及jdk-17.0.7_windows-x64_bin。安装教程：https://zskp1012.blog.youkuaiyun.com/article/details/136736760 适用人群：neo4j新手。

2024-04-17

农业病虫害图谱数据及图谱可视化构建

基于包含疾病名称、别名、症状、防治方法、发病条件、传播途径以及分布、危害部位、形态特征、生活习性等农业病虫害数据，主要为utf-8格式的csv表格，使用neo4j图数据库构建农业病农害知识图谱，实现图谱可视化和基于cypher语言的信息检索查询，为农业病虫害领域信息化、智能化应用和发展提供数据支撑。

2024-04-12

心理疾病咨询知识图谱智能问答系统

基于neo4j+python开发的心理疾病咨询知识图谱智能问答系统，实现了前后端的开发设计。知识图谱包含disease、alternate_name、pathogenic_site、department、symptom 、check、susceptible_crowd等实体类型和disease_alternate_nam、disease_pathogenic_site 、disease_symptom、disease_check、disease_department、disease_complication、disease_confusable、disease_crowd等关系类型，共7类1462个实体和3927条关系，实现针对心理疾病咨询的智能问答。

2024-04-08

TA关注的人