【从零搭建本地知识图谱】

最新推荐文章于 2025-05-19 21:34:58 发布

原创最新推荐文章于 2025-05-19 21:34:58 发布 · 326 阅读

7 ·

CC 4.0 BY-SA版权

文章标签：

#知识图谱 #人工智能

从零搭建本地知识图谱

conda 环境

conda create -n graph_neo python=3.10
conda activate graph_neo
pip install

本文章复现论文[github]
(https://github.com/CodeDuoGun/QASystemOnMedicalGraph)
我的是macbook pro M1 ，比较垃圾。这里就附一下安装步骤，大家参考哈

下载neo4j

这里我用的是镜像哈下载地址添加链接描述

docker pull neo4j
# 下面是启动neo4j服务命令
docker run  --user $(id -u):$(id -g) \
    --publish=7474:7474 --publish=7687:7687 \
    --volume=$HOME/neo4j/data:/data \
    neo4j

执行成功的话，你会看到如下这个画面。
在这里插入图片描述

连接数据库

ok，接下来就是连接数据库。

这里我使用的是py2neo我的代码如下
在这里插入图片描述
注意使用的协议、ip和端口哈
ok，连接结束

导入知识图谱数据，可以参考网上有个例子

导入数据到知识图谱例子

数据库增删改查+可视化（后续补充）

关注博主即可阅读全文

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

我有2只猫

关注关注

3
点赞
踩
7

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

一文速学-知识图谱从零开始构建实战:知识图谱搭建构架实践-信息抽取

master_hunter的博客

10-18

1548

根据系列上篇文章，我们已经了解了知识图谱的基本概念，以及现在知识图谱发展状况，与前沿AI结合方向。现在就差真正实践构建知识图谱这临门一脚，基本上就会对知识图谱这一产品有更加清晰的认识。那么工欲善其事必先利其器，就像我们对编程语言的掌握程度，更高级的用法和熟练度能更进一步提高我们做出项目产品的质量，在本篇文章将从开发环境部署写到初级知识图谱搭建实践，完成从无到有的知识图谱构建过程。

deepseek r1从零搭建本地知识库10：嵌入模型和知识库建设

数据饕餮

02-16

3136

嵌入模型是一种将文本、图像、音频等非结构化数据转化为**低维稠密向量（Dense Vector）**的算法模型，这些向量（通常几百到几千维）能够捕捉数据的语义信息。核心目标：将抽象内容转化为计算机可理解的数值形式，同时保留其语义关联性

参与评论您还未登录，请先登录后发表或查看评论

第四章基于本地部署的大语言模型OLlama&Neo4j图数据库的知识图谱搭建

有朋自远方来，不亦乐乎。

01-31

2116

下载Ollama安装Ollama到本地安装完毕，打开命令行输入`ollama --help`检查是否安装成功。选择合适的模型，并使用命令行指令`ollama run llama3.2:3b`进行本地安装（由于设备受限，我选择了参数大小为3b的llama3.2模型，本地存储占用2GB.）安装完成后即可在本地进行对话对话时只要输入运行相应模型的指令“ollama run 模型名称”即可。

知识图谱落地！纯本地接入大模型+RAG框架中！

最新发布

2401_85390073的博客

05-19

925

本文详细介绍了如何在本地部署知识图谱，并将其接入开发环境。主要内容包括：配置本地大语言模型（LLM）和中文文本嵌入模型，连接NebulaGraph数据库并创建图空间，使用llama_index加载本地文档并构建图索引，将知识图谱数据存储到NebulaGraph中，并通过可视化工具生成HTML格式的知识图谱。此外，文章还对比了常规向量语义查询和知识图谱查询的结果，展示了知识图谱在提高回答准确性方面的优势。最后，提供了完整的代码文件、环境配置和操作说明，方便用户直接运行和部署。

###好好好好好###如何从零开始搭建知识图谱？

木东的博客

02-28

1639

1. 概论随着移动互联网的发展，万物互联成为了可能，这种互联所产生的数据也在爆发式地增长，而且这些数据恰好可以作为分析关系的有效原料。如果说以往的智能分析专注在每一个个体上，在移动互联网时代则除了个体，这种个体之间的关系也必然成为我们需要深入分析的很重要一部分。在一项任务中，只要有关系分析的需求，知识图谱就“有可能”派的上用场。 2. 知识抽取 知识图谱的构建是后续应用的基础，而且构...

TensorFlow相关组件的安装

AAI666666的博客

01-11

2935

TensorFlow相关组件的安装

利用LlamaIndex和本地PDF文档，轻松打造知识图谱GraphRAG

m0_59164520的博客

08-06

2326

检索增强生成（RAG）技术通过引入外部知识源，增强了大型语言模型的回答准确性和上下文契合度。尽管RAG在处理复杂异构信息时可能会忽略实体间的结构和联系，例如，向量数据库可能错误地将“员工”与“雇主”关联得更紧密，而非“信息”。知识图谱的引入有效解决了这一局限。它采用节点和边的三元组结构，如“雇主 — 提交 — 索赔”，清晰地表达了实体间的关系。这种结构化的方法让知识图谱在处理复杂数据搜索时更为精确和高效。 LlamaIndex：一个简单、灵活的数据框架，用于将自定义数据源连接到LLMsSimpleDir

本地搭建Agriculture_KnowledgeGraph农业知识图谱环境时遇到的问题及解决办法

weixin_50994283的博客

12-09

1710

项目地址：https://github.com/qq547276542/Agriculture_KnowledgeGraphhttps://github.com/qq547276542/Agriculture_KnowledgeGraph 1、python点击run或者debug的时候出现Type ‘manage.py help ＜subcommand＞‘ for help on a specific subcommand. Type 'manage.py help <subcommand&gt

从零开始使用Neo4j构建知识图谱（一）

Always-Learning

01-31

5520

一、安装Neo4j 下面是官方文档：https://neo4j.com/download/ 通过上述网址下载后，记住弹出的key，后续软件的激活需要使用到这个key。二、基础使用方法新建项目 2.更改项目名建立本地数据库或者远程数据库启动本地数据库通过Neo4j Broswer进行操作节点操作创建节点 create(:大学{name:"西安电子科技大学"}) 查看构建好的节点图调整节点显示字体的大小获取所有节点 match(n) retu

一文速学-知识图谱从零开始构建实战:知识图谱搭建构架实践-知识展示

master_hunter的博客

11-05

1622

系列文章的上一篇我们已经进行了UIE抽取，非结构化知识抽取整理，转化。但是目前仅在于通过分词提取实体、属性、关系，还没有通过大模型来进一步高效率高精准度来提取这些关键字段，因此后续我们都整个流程优化空间都很大，最终我们的目标就是集成数据库以及大模型，对非结构化知识(包含图片，PDF等通过OCR算法识别)自动化抽取，再落库分发接口展示。目前我们需要进一步认识知识存储数据库，这里使用Neo4j进行讲解演示。如觉得项目有用请不吝支持。Neo4j 是一个开源的图数据库管理。

DeepSeek 系列教程之如何在本地电脑上使用 DeepSeek从头构建知识图谱 ，将数据转换为知识图谱

iCloudEnd的博客

02-14

577

在本节中，我们创建一个自定义流程，其中 LLM 根据数据集自动生成节点定义、关系和 Cypher 查询。此方法可用于其他 Dataframes 并自动识别模式。但是，请考虑它不会与现代解决方案（如 LangChain 的 LLMGraphTransformer）的性能相匹配，我们将在下一节中介绍它。相反，使用本节来了解可能的“从头开始”的工作流程，发挥创意，然后设计自己的。事实上，如果当前SOTA（最先进Graph-Builder）方法有一个主要限制，那就是对数据的性质和模式高度敏感。

【工具推荐】个人本地 markdown 知识图谱软件 Obsidian

Code Metaverse

06-09

1万+

Obsidian 是基于本地文件夹的个人知识图谱软件。和一般的编辑器不一样的是，它的侧重点是知识库（knowledge base）。那么，如何理解知识库呢？下图是官网首页给出的图。右侧的阅读视图就是它与众不同的地方，Obsidian 通过两个纬度，标签和反向链接，让本地文件夹内的md文件，像图一样相互关联，就像我们大脑中的知识一样，从各种纬度相互关联。如果你不喜欢注册很多账户的话，Obsidian 还是不错的，它基于本地管理，如果不做发布和同步数据，软件在本地运行就可以，也不需要同步。当然，同步可以通过其他

利用AI大模型，将任何文本语料转化为知识图谱，可本地运行！

xxue345678的博客

05-24

1605

几个月前，基于知识的问答（KBQA）还是一个新奇事物。现在，对于任何AI爱好者来说，带检索增强生成（RAG）的KBQA就像小菜一碟。看到自然语言处理（NLP）的可能性领域由于大型语言模型（LLMs）的发展而如此迅速扩展，真是令人着迷。而且，它每天都在变得更好。在我上一篇文章中，我分享了一种递归RAG方法，用于实现具有多跳推理的问答，以回答基于大量文本语料库的复杂查询。很多人尝试了这种方法并发送了他们的反馈。自那以后，我整理了这些反馈，并对代码进行了一些改进，以解决原始实现的问题。

项目实战：如何构建知识图谱