常用公开知识图谱的配置及查询

原创 已于 2025-11-13 22:09:22 修改 · 118 阅读 · 0 ·
CC 4.0 BY-SA版权
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。
文章标签：

#知识图谱 #人工智能 #python

于 2025-09-21 20:33:35 首次发布

最近在做一些知识图谱相关的工作，涉及Freebase、Wikidata及DBpedia等公开知识图谱。以下是一个相关工具仓库，整理了知识图谱配置方法，实体查询、三元组查询、SPARQL语句执行等函数。
目前已更新：Freebase和Wikidata（包括Wikipedia）的配置及查询。
后续将更新：DBpedia的配置及查询。
仓库：https://github.com/pvfeldt/KG-Tools

金融知识图谱的构建与应用
AI架构师小马
10-11 474
金融知识图谱旨在整合金融领域的各种数据，包括企业信息、市场数据、行业动态等，将这些离散的数据转化为结构化的知识网络，以支持更智能、高效的金融决策。其范围涵盖了银行、证券、保险等多个金融子行业，涉及到公司实体、金融产品、交易关系等多种类型的知识。本文的预期读者包括金融行业从业者，如分析师、投资经理、风控人员等，他们可以借助金融知识图谱提升业务分析和决策能力；计算机领域的开发者和研究人员，他们对知识图谱技术的实现和应用感兴趣；以及对金融科技发展有研究需求的学者和学生。本文首先介绍金融知识图谱的背景信息，包括目的
知识图谱de构建与应用（一）：知识图谱概述
u013250861的博客
07-16 1333
近年来，得益于大数据的发展和云服务算力的大幅提升，使得基于全网信息、结构化客观世界的海量知识成为可能；此外，大规模结构化的知识建设，能够大幅提高互联网获取信息的效率。具体到特定行业，数字化行业知识有助于实现业务决策自动化，同时能够使得业务决策做到全局优化。正是在技术进步和工业应用的双轮驱动下，知识图谱在工业界如火如荼地建设中。当下，从整个产业来看，知识图谱大致分为通用知识图谱和行业知识图谱两大类。建设知识图谱、使用知识图谱是一个系统化的工程，涉及自然语言处理、语义网、逻辑推理等学术前沿科研课题。......
知识图谱入门笔记
Moliay的博客
07-09 7053
知识图谱构建从最原始的数据（包括结构化、半结构化、非结构化数据）出发，采用一系列自动或半自动的技术手段，从原始数据库和第三方数据库中提取知识事实，并将其存入知识库的数据层和模式层，这一过程包含：信息抽取、知识表示、知识融合、知识推理四个过程，每一次更新迭代包含这四个阶段。图数据库是以图的方式来保存的，图数据库的优点在于查询和搜索的速度比较快 ，并且在图数据库中实体节点可以保留属性，这就意味着实体可以保留更多的信息，此外图数据库像其他的关系数据库一样有完整的查询语句，支持大多数的图挖掘算法。
知识图谱的构建及可视化
qq_45092476的博客
11-28 1万+
知识图谱**Knowledge Graph/Vault**，又称科学知识图谱，用各种不同的图形等可视化技术描述知识资源及其载体，挖掘、分析、构建、绘制和显示知识及它们之间的相互联系。采用图结构来描述知识，建模事物及事物间关系。提供了一种组织、管理和认知理解海量信息的能力。
知识图谱构建（概念，工具，实例调研）
热门推荐
AIGC Studio：分享AIGC前沿知识和好玩应用，公众号同名。
10-24 8万+
知识图谱（Knowledge graph）知识图谱是一种用图模型来描述知识和建模世界万物之间的关联关系的技术方法。知识图谱由节点和边组成。节点可以是实体，如一个人、一本书等，或是抽象的概念，如人工智能、知识图谱等。边可以是实体的属性，如姓名、书名或是实体之间的关系，如朋友、配偶。知识图谱的早期理念来自Semantic Web（语义网络），其最初理想是把基于文本链接的万维网落转化为基于实体链接的语义网络。
关于AI人工智能的知识图谱简介
qq_28576837的博客
05-15 2138
神经网络是一种受生物神经元启发而设计的计算模型，由。
知识图谱构建过程
FREEDOM
05-07 3万+
在本文中，笔者主要想分享一下自底向上构建知识图谱的全过程，抛砖引玉，欢迎大家交流。 “The world is not made of strings , but is made of things.” ——辛格博士，from Google. 知识图谱，是结构化的语义知识库，用于迅速描述物理世界中的概念及其相互关系，通过将数据粒度从document级别降到data级别，聚合大量知识，从而实现...
构建知识图谱的详细步骤
syy1292的博客
07-22 1万+
记录学习，分享构建知识图谱的经验
一文打尽知识图谱
NLPlunwenjiedu的博客
03-01 1815
知识是人类在实践中认识客观世界的结晶。知识图谱（Knowledge Graph, KG）是知识工程的重要分支之一，它以符号形式结构化地描述了物理世界中的概念及其相互关系。
9.知识图谱和知识挖掘的了解
人生是一场修行
11-01 1501
知识图谱想做的，就是在不同数据（来自现实世界）之间建立联系，从而带给我们更有意义的搜索结果。比如：用 Google 搜索自然语言处理，右侧会显示研究领域和相关概念。点击这些知识点，又可以深入了解；再比如，搜索一个人名时，右侧会给出此人的生平、背景、居住位置、作品等信息。
【知识图谱】Neo4j的基本使用及思知1.4亿三元组数据构建知识图谱
Nieson2012的专栏
10-29 1万+
目录 0、前言 1、Neo4j的基本使用 1.1 下载和安装Neo4j 1.2 Neo4j配置 1.2.1 核心数据文件的位置 1.2.2 安全验证，默认是启用的 1.2.3 配置JAVA 堆内存的大小 1.3 网络连接配置 1.3.1 Neo4j支持三种网络协议（Protocol） 1.3.2 连接器的可选属性 1.3.3 设置默认的监听地址 1.3.4 分别设置各个网络...
知识图谱de构建与应用（六）：知识图谱的存储、服务与质量
u013250861的博客
07-16 1067
本章首先介绍知识图谱存储的数据模型、底层数据库的选型及其区别，然后结合搜索、推荐、业务智能、智能对话等应用介绍知识图谱的服务形式，最后介绍知识图谱的算法和数据质量保障方法。知识图谱的底层数据抽象模型从分类上来讲，可以认为是图（Graph），由点、边等元素构成；但是在具体的实现细节上又有一些差异。本小节主要介绍知识图谱的底层数据模型，主要包括RDF数据模型和属性图模型，并进行对比分析。1.RDF数据模型资源描述框架（RDF）是W3C标准化组织制定并推广的且主要在语义网领域使用的一项标准化的数据模型。RDF是一
【推荐系统】深度学习训练框架（五）：pyspark分布式TorchDistributor主从读取OSS文件认证机制
人工智能领域博客
11-28 1825
摘要： 本文详细解释了Spark Driver端与Worker端在OSS认证上的核心区别。Driver端通过Spark配置自动认证，而Worker端（独立Python进程）需显式提供认证信息。认证来源优先级为：1)Driver传递参数，2)环境变量，3)IAM角色。文章分析了架构差异导致的不同认证方式，并推荐从Driver传递认证信息的解决方案。当前实现已采用该方案，通过Spark配置或环境变量获取认证后传递给Worker进程，确保PyArrow能正确访问OSS数据。
信息检索13
2301_80828873的博客
11-26 2182
最近邻检索的方法，PQ，IVF,HNSW
向量嵌入：RAG系统背后的语义引擎
uncle_ll的博客
11-29 1172
向量嵌入技术将高维语义信息压缩为低维向量，使相似概念在向量空间中聚集。作为RAG系统的核心，嵌入质量直接影响语义检索效果。从静态词嵌入到动态上下文嵌入，技术不断演进，解决了多义词等难题。现代嵌入模型基于Transformer架构，通过对比学习优化检索性能。选型需考虑MTEB排名、语言支持等维度，并结合业务测试。未来趋势包括多模态融合、知识图谱增强和轻量化部署。嵌入技术已成为NLP领域的关键支柱，其优化对提升RAG系统性能至关重要。
07_Spring AI 干货笔记之提示词
最新发布
在科技的浪潮中，我们寻找着创新的火种，在代码的海洋里，我们编织着智慧的网。腾飞开源，就是这样一个由技术精英汇聚而成的博客平台，我们致力于分享在Java、Python、IoT和人工智能等领域的最新研究成果和实战经验。 在腾飞开源的博客上，你会看到紧跟技术前
11-30 893
本文详细介绍了Spring AI中的提示词核心概念与API设计。提示词作为引导AI模型生成特定输出的关键输入，其结构从简单字符串演进为包含多角色消息的复杂形式。Spring AI通过Prompt和Message接口提供结构化提示词管理，支持系统、用户、助手等角色分配。PromptTemplate类实现动态内容渲染，并支持自定义模板引擎。文章还涵盖提示词工程的最佳实践与令牌机制，为开发者提供完整的提示词设计解决方案。
RAG信息检索全解析：从Embedding到Reranker的超详细教程1
Trb201013的博客
11-27 1398
文章介绍了RAG系统中信息检索环节的核心技术，包括文档段落嵌入和用户查询嵌入，将文本转换为向量表示；详细解释了相似度检索的多种方法，如Top-K检索、MMR策略和Reranker二次排序技术；强调了合理切分策略对嵌入效果的重要性，以及查询扩展技术对提高检索准确度的作用。指出RAG的本质是"开卷考试"，检索质量直接影响最终生成效果。
【LoRA（低秩适应）技术详解：原理、公式与实践】
m0_46882548的博客
11-26 1633
参数高效：可训练参数量通常仅为全量微调的0.01% - 3%，极大降低了计算和存储成本。内存友好：由于大部分原始权重被冻结，无需存储其优化器状态，显著减少了训练时的显存占用。无推理延迟：训练后可将LoRA权重合并回原模型，推理速度与原始模型一致。模块化与灵活性：一个基础模型可以搭配多个针对不同任务的、体积很小（几兆字节）的LoRA适配器，轻松切换任务。减轻灾难性遗忘：因为原始权重基本不动，模型在适应新任务时更不容易遗忘预训练时获得的通用知识。
【LLM】DeepSeekMath-V2模型
发现问题，并解决问题，批判性思维
11-29 782
研究问题：这篇文章要解决的问题是如何在大型语言模型（LLMs）中进行自我验证的数学推理。具体来说，现有的基于最终答案奖励的强化学习方法在数学推理中存在根本局限性，因为正确答案并不能保证推理的正确性，特别是在定理证明任务中。 研究难点：该问题的研究难点包括：如何在不依赖最终答案的情况下验证推理的正确性；如何在生成和验证之间建立有效的迭代改进循环；如何在没有已知解决方案的开放问题上扩展测试时计算。 相关工作：该问题的研究相关工作有：OpenAI的推理模型在定量推理竞赛中取得了显著进展；DeepMind的Deep
基于Vue和Neo4j的中药方剂推荐与知识图谱系统
Neo4j以其原生支持节点与边的特性，能够直观地将“药材—功效—疾病—药方—禁忌”等实体及其关联关系构建成一张大规模的知识图谱，从而实现语义层面的知识推理与路径查询。例如，当用户查询“治疗失眠的中药”时，...
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
 
红包 添加红包
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