金融机器智能社区

不牺牲多跳事实推理精度的情况下，原生支持摘要生成任务。在 CSQA 数据集上，全面性、多样性、赋权性等指标弱于 LightRAG （-1.2/10），事实性指标优于 LightRAG（+0.1/10）；在 hotpotqa, twowiki, musique 等多跳问答数据集上，鉴于 LightRAG、GraphRAG 均未提供事实问答的测评入口，使用默认入口测试 EM 指标接近 0。KAG 量化评测结果，可参考 KAG 代码仓库 examples/csqa/READEME.md 按步骤复现。

KAG 是一个以创建和操作知识图谱为核心的框架。知识图谱是数据之间相互关联的可视化和结构化表示，对于搜索引擎、推荐系统和机器学习等应用至关重要。KAG 的目标是提供一个强大的平台，使开发者能够：轻松构建图谱；通过增强算法丰富数据；集成人工智能，以进行更精确的推理。通过理解 KAG，可以明显看出，这个框架旨在帮助从初学者到专业开发者，在项目中创造更优的解决方案。它在简便性和集成方面的优势，使其成为下一代基于数据的应用程序的前景工具。

开发深度学习训练的相关算法，让训练更高效、智能，例如优化器。为此，DLRover 开源了训练故障自愈技术，通过快速的节点状态检测、弹性扩缩容、动态组网和Flash Checkpoint 等技术，最大程度地降低故障导致的算力浪费。DLRover 提供的 Flash Checkpoint 还对大模型训练与微调的常用框架提供支持，如 Megatron-LM、DeepSpeed、FSDP、HuggingFace Transformers 中的 Trainer 等，算法开发人员都可以实现“开箱即用”。

OneKE 主要聚焦基于 Schema 的可泛化信息抽取，采用了基于 Schema 的轮询指令构造技术，专门针对提升大模型在结构化信息抽取的泛化能力进行了优化，旨在通过提供中英双语、可泛化的大模型知识抽取，OneKE 在一定程度上具备统一、通用、可泛化的知识抽取能力。同时，配套开源 OpenSPG 及 DeepKE 开源框架的支持，支持开箱即用。帮助研究人员和开发者更好地处理信息抽取、数据结构化、知识图谱构建等问题。OneKE 支撑了蚂蚁知识图谱构建能力的建设，并在多个内部业务领域应用。

为了解决这些限制，作者提出了 Think-on-Graph (ToG)，这是一个新颖的框架，它利用知识图谱来增强 LLM 的深度和负责任的推理能力。

本文中，我们将继续讲解多元关系架构场景中的知识建模实践。如果你的图谱，涉及对带有时空信息的行为事件的表达，或建模场景下的业务规则、专家经验，需要对所定义“概念”的内涵和外延有计算机可处理可计算的逻辑语义解释，高阶篇中有你所需知道的一切。

图谱技术积极拥抱新一代AI技术体系，如大模型(Large Language Model, LLM)，实现二者的双驱动增强，定义融合互通的技术范式和关键问题，借助LLM强大的语言理解能力，为基于非/半结构化数据的图谱构建提效，同时在用户问答中，语言要素和语义结构的理解也会更加精准。

本文中，我们将分基础篇、进阶篇，针对不同业务场景的建模需求，由浅及深讲解基于SPG的知识建模的方法和案例，并涉及术语的解释。

结合当前产业应用和研究进展，本文梳理总结了LLM、KG 在企业数字化中的可能应用。

本文我们结合蚂蚁域内的多个业务场景，举例说明结合SPG规范的结构与语义解耦的知识建模及schema设计方法。

OpenSPG 新版发布，支持大模型增强的图谱构建，仅需 3 个步骤快速搭建专属知识图谱。