知识图谱_人工智能博客-专业IT技术发表平台

推荐付费专栏 VIP文章

安思派Anspire

从法律文档到知识图谱这里我们定义了两个 Pydantic 模型：Location 用于捕捉结构化的地址信息，包含可选的国家、州和地址字段；Party 用于表示合同参与方，包含必填的名称和可选的位置详情。字段描述通过告知 LLM 每个字段具体需要查找哪些信息，来辅助提取过程。"""包含结构化地址组件的位置信息。"""country: Optional[str] = Field(None, description="国家")

阅读 2.7k

21赞

多模态知识图谱赋能大学医疗AI精准教学研究（下）本文介绍了基于多模态知识图谱的医疗AI精准教学系统的开发与实验验证。系统采用Spring Boot、Neo4j、PyTorch等技术栈，实现知识图谱管理、个性化教学推送、VR技能训练等功能模块。通过16周的对照实验表明，该系统能显著提升医学生的知识掌握度（实验组85.67±6.32 vs 对照组76.43分）、临床技能水平和学习体验。研究验证了多模态知识图谱在医疗教育中的赋能作用，为AI辅助精准教学提供了实证支持。

阅读 1.2k

61赞

2025最新版微软GraphRAG 2.0.0本地部署教程：基于Ollama快速构建知识图谱微软近期发布了知识图谱工具，支持基于本地大模型（Ollama）快速构建知识图谱，显著提升了RAG（检索增强生成）的效果。本文手把手教你如何从零部署，并附踩坑记录和性能实测！GraphRAG 2.0.0大幅优化了知识图谱的构建效率，结合本地模型可实现隐私安全的行业级应用。若遇到部署问题，欢迎在评论区留言交流！相关资源GraphRAG GitHub仓库Ollama模型库原创声明：本文为作者原创，未经授权禁止转载。如需引用请联系作者。👍你的支持是我更新的最大动力！⚡。

阅读 1.3w

46赞

KG_LLM图谱增强大模型

［经典之作］大语言模型与知识图谱的融合：通往智能未来的路线图本文提出融合大语言模型(LLMs)与知识图谱(KGs)的三大框架：KG增强LLMs、LLM增强KGs及协同LLMs+KGs。LLMs擅长语言处理但缺乏事实性知识，KGs存储结构化知识但构建困难，两者优势互补。研究系统梳理了技术背景、集成方法及应用场景，并指出当前挑战与未来方向，包括神经符号融合、持续学习等。该路线图为构建下一代智能系统提供了系统性指导，推动人工智能向更高水平发展。

阅读 1.4k

30赞

多模态知识图谱赋能大学医疗AI精准教学研究（中）摘要本研究提出多模态医学知识图谱构建方法及医疗AI精准教学模型。知识图谱构建涵盖语音-文本对齐、行为轨迹融合等技术，通过实体消歧、关系冲突消解等规则实现知识融合，并采用TransE、GNN等算法优化图谱质量。系统架构分为数据层（多模态存储）、知识智能层（图谱推理）和教学应用层（个性化服务）。基于此构建的精准教学模型整合学习者画像、知识图谱与AI技术，形成“知识-学习-教学-评估”闭环，支持个性化病例推送、技能评分等应用，实现医学教育的智能化与精准化。

阅读 1.2k

42赞

大模型教程.

【必学收藏】GraphRAG完全指南：从零开始构建知识图谱增强的RAG系统，解锁大模型新能力【必学收藏】GraphRAG完全指南：从零开始构建知识图谱增强的RAG系统，解锁大模型新能力

阅读 1.8k

46赞

机器学习知识图谱——随机森林算法（Random Forest）随机森林是一种集成学习（Ensemble Learning）方法，它通过构建多个决策树，并将它们的结果进行投票（分类）或平均（回归），来提升预测的准确性和稳定性。本质：多个“弱分类器”（决策树）组合成一个“强分类器”。

阅读 2.3k

15赞

搜索问答技术概述：基于知识图谱与MRC的创新应用研究问答系统在各领域的需求类型，处理多样数据源和不同文本形态的能力。关键技术包括基于知识图谱的KBQA和基于深度学习的DeepQA。KBQA重点在结构化数据上，而DeepQA结合了搜索和机器阅读理解，适用于更广泛非结构化数据。探讨了短答案和长答案机器阅读理解，面对挑战如搜索结果噪声和常识性错误。文章旨在提供深入了解问答系统技术和应用领域的资源。

阅读 10.7w

598赞

LightRAG 知识图谱实现与应用分析当同一个实体有几十个甚至上百个描述时，如果全部传给 LLM 进行合并，可能会超出 token 限制，或者 LLM 无法很好地处理这么多信息。Map-Reduce 策略借鉴了分布式计算的思想，将大问题分解成小问题，逐个解决，然后再合并结果。Map 阶段的关键是合理分割。LightRAG 不是简单地按数量分割，而是按照 token 大小分割，确保每个 chunk 都能被 LLM 完整处理。同时，它要求每个 chunk 至少包含 2 个描述，这样可以保证合并有意义。

阅读 838

27赞

openGauss DataVec向量数据库集成：面向AI应用的相似性搜索与知识图谱存储 openGauss DataVec作为openGauss的内核特性，提供了完整的向量数据库功能，允许用户使用熟悉的SQL语法操作向量数据，极大地降低了向量数据库的使用门槛。与独立的向量数据库不同，DataVec作为openGauss的扩展，能够无缝融合结构化数据和非结构化向量数据，为AI应用提供统一的数据平台。向量数据库应运而生，专门为高效存储和检索向量数据而设计。通过将向量计算能力深度集成到关系型数据库中，DataVec为AI应用提供了统一的数据平台，简化了系统架构，提高了数据一致性和查询效率。

阅读 8.3k

19赞

从0到1构建医学知识图谱，Python电子病历实体链接实战详解掌握医疗NLP的Python电子病历实体链接技术，实现从非结构化文本到医学知识图谱的精准映射。适用于临床诊断、病历结构化等场景，基于BERT和UMLS构建实体识别与链接 pipeline，提升数据利用效率。方法实用，代码可复现，值得收藏。

阅读 942

21赞

langchain如何判断neo4j知识图谱是否能回答问题由于neo4j图谱局限性，图谱不能回答所有问题，如电影图谱，可能回答不了天气、经济类问题。另外图谱自身并不能判断否则回答问题，这里尝试基于langchain判断图谱能否回答问题。实验所用代码参考和修改自网络资料。

阅读 1.0k

23赞

班歆韦Divine

KGCN深度解析：知识图谱推荐系统的终极指南在信息过载的时代，传统推荐系统面临着语义理解不足和冷启动问题的双重挑战。知识图谱推荐系统正是解决这些痛点的关键技术，而KGCN作为该领域的代表性实现，为我们展示了如何将图卷积网络的强大能力与知识图谱的丰富语义相结合，实现更精准的个性化推荐。本文将带您深入探索KGCN的技术精髓，从理论到实践全面解析这一创新框架。## 🔍 推荐系统面临的核心挑战当前推荐系统普遍存在以下问题：难以理解物品之间

阅读 825

17赞

用 Neo4j Aura+Streamlit+PyVis 绘制知识图谱（附完整代码 + 数据）本文为保姆级教程，详细讲解如何通过 Neo4j Aura 构建知识图谱并导出节点、边的 CSV 文件，再结合 Streamlit 与 PyVis 库实现知识图谱的本地交互式可视化，涵盖环境准备、全流程步骤、核心代码解析及自定义扩展方法，助力读者快速复现并适配自有数据。

阅读 1.2k

22赞

你知道我们在谈论什么

【基于协同过滤与知识图谱的智能图书推荐系统：从算法原理到项目实战】智能图书推荐系统采用分层架构设计，将系统划分为表现层、业务逻辑层、数据持久层和数据处理层，确保各模块职责清晰且耦合度低。核心架构组成表现层：基于Vue.js+Element UI构建响应式前端界面，支持PC端和移动端访问业务逻辑层：使用Spring Boot或Django框架提供RESTful API，处理核心业务逻辑数据持久层：MySQL存储结构化数据，Neo4j图数据库存储知识图谱关系，Redis缓存热点数据数据处理层：基于PySpark/Hadoop处理大规模用户行为数据，训练推荐模型。

阅读 995

21赞

程序员阿龙

计算机组成原理课程知识图谱网站的设计与实现（源码+定制+开发）【摘要】本文介绍了Java技术专家阿龙的博客内容，涵盖Java技术栈、MySQL数据库、SpringBoot框架、Vue.js等核心技术。文章详细解析了Java跨平台特性、MySQL关系型数据库管理、SpringBoot的简化开发优势，以及Vue.js渐进式框架特点。同时介绍了B/S架构优势和推荐算法原理，并提供了SpringBoot项目代码示例和用户管理控制器的实现。最后展示了用户登录/注册测试用例，强调博主提供源码讲解服务，可通过文末联系方式获取项目案例和演示视频。

阅读 905

33赞

飞行家贞贞

知识图谱入门知识图谱是一种结构化语义网络，通过实体（人、地点、事件）、关系和属性三元组形式组织知识。其构建包括知识抽取（从文本提取三元组）、融合（解决歧义与冲突）、存储（图数据库或RDF）和动态更新四个关键环节。典型应用涵盖搜索引擎增强（如谷歌知识面板）、智能推荐、问答系统、金融风控和医疗辅助诊断等领域。知识图谱通过语义关联和多源数据整合，显著提升了机器对复杂信息的理解能力，为人工智能应用提供可靠的知识支撑。

阅读 844

16赞

AI大模型_学习君

【值得收藏】2025最新：知识图谱缓解RAG冲突+多模态文档表格处理技术详解本文深入解析了知识图谱如何有效缓解大模型RAG系统中的内外部知识冲突，以及多模态文档处理中表格识别的前沿技术。通过结构化知识图谱筛选可靠信息和创新的表格处理方法，帮助开发者提升大模型应用的准确性和可靠性。无论您是RAG系统开发者还是文档处理研究者，这些技术思路都将为您的项目提供实用参考。本文来源于网络，由于如有侵权，请联系删除。今天是2025年11月14日，星期五，北京，天气晴继续回到RAG和文档智能方向。来看基于知识图谱缓解大模型RAG内外部冲突思路，

阅读 1.3k

22赞

孔祯拓Belinda

SiYuan数据库功能详解：用SQL查询构建你的知识图谱在信息爆炸的时代，如何将碎片化的笔记转化为结构化的知识图谱是个人知识管理的核心挑战。SiYuan作为一款注重隐私与开源的个人知识管理软件，创新性地引入了SQLite数据库支持，允许用户通过SQL查询直接操作知识数据。本文将详细介绍SiYuan的数据库架构、SQL查询能力以及如何利用这些功能构建个性化知识图谱。## 数据库架构解析SiYuan采用SQLite作为底层存储引擎，通过精心设计的表结...

阅读 957

10赞

DeepKE知识抽取工具实战指南：从零构建知识图谱的5个关键步骤在人工智能快速发展的今天，知识图谱作为结构化知识的重要载体，已成为众多智能应用的核心基础设施。然而，传统的手动构建知识图谱方式效率低下且成本高昂，如何快速、准确地从海量文本中提取结构化知识成为行业痛点。DeepKE作为一款基于深度学习的开源知识抽取工具，为这一难题提供了优雅的解决方案。它支持命名实体识别、关系抽取和属性抽取三大核心功能，涵盖标准全监督、低资源少样本、文档级和多模态等多种场景，是

阅读 1.0k

17赞

作者推荐

不相通_: 只争今天

关注

魔王阿卡纳兹: 喜欢烟雨江南的书!

关注

龙腾亚太-人工智能技术咨询与培训: 人工智能算法工程师人才培养vv==longteng-hr

关注

浪子小院: 10后的一枚小傻子，没啥特长……平常就写写代码，刷刷题

关注

Debroon: 寻找今天的新价值！

关注

中国人工智能培训网: 人工智能算法工程师、人工智能应用工程师、计算机视觉设计开发工程师、大数据、数字孪生、边缘计算等数字化、智能化专项培训，VX:13401149170 GZH：人工智能技术与咨询

关注

美人鱼战士爱学习: 一只弱弱科研狗的频道~力争说人话，有深度！

关注

applepie_max: AI应用落地开发学习，欢迎大家交流。

关注

EngineerHuang: 灵魂算法工程师

关注

一的万次方: 985博士生在读，研究方向为大语言模型、智能体、知识图谱与推理及智能图计算。文章同步更新在同名今日头条号“一的万次方”

关注