知识图谱标签_魔乐社区

知识图谱

计算机毕业设计hadoop+spark+hive漫画推荐系统动漫视频推荐系统漫画分析可视化大屏漫画爬虫漫画推荐系统漫画爬虫知识图谱大数据

计算机毕业设计hadoop+spark+hive漫画推荐系统动漫视频推荐系统漫画分析可视化大屏漫画爬虫漫画推荐系统漫画爬虫知识图谱大数据

 haochengxu2022
2024-06-15 00:00:00

 530

 6

#hadoop #spark #hive +3
网络智能运维下的知识图谱

网络故障知识不仅需要图查询、图计算，也需要理解语义、承载故障问题的答案，因而最理想的图数据库是即能并行化部署、支撑关系存储、支持图计算，又能有效存储RDF形式的知识，支撑语义理解所需的词典表、三元组、符号化知识表示，目前受限于实体名单的限制，我们只能在合规的开源图数据库和自研图数据库中做选择，这也催生了我们对自研图数据库的一些关键诉求——多能力融合，当满足该需求的版本正式发布后，相信对开发者来说是

 顺其自然~
2023-06-26 08:52:52

 1078

#知识图谱 #网络 #运维
MCP架构实战：用智能体破电商库存管理的世纪难题

《AI库存管理的痛点与MCP架构解决方案》摘要：针对传统库存管理系统存在的接口适配复杂、权限漏洞、性能低下等问题，本文提出基于MCP架构的智能解决方案。该架构通过三大核心组件（主机、客户端、服务器）实现多系统协同，支持动态服务发现和混合传输模式。文章详解五步实施路径：环境搭建、系统接入、权限配置、模型训练及灰度发布，并分享制造业、零售业等场景的成功案例。关键技术包括联邦学习保障数据隐私、区块链

 码力金矿
2025-05-29 14:48:55

 1015

 18

#架构 #人工智能 #知识图谱 +3
前端界面实现知识图谱节点与关系信息修改

修改完成后，将修改信息与当前修改节点的 id 合并，这里其实可以直接提取节点的所有信息再传输，省略掉信息合并的一步，但感觉这样加大后续的时间耗费而且可以排除没有修改直接点保存的情况。在 pinia 中更新图谱数据与发送修改请求, 因为一次只修改一个节点，所以等服务器返回修改成功后，直接修改前端数据存储的对应的节点，不用每次都重新加载图谱。注：后续修改节点和修改关系的语句不同，这里要传输修改的类型是

 甲乙今天会编程了嘛
2024-05-12 15:41:17

 2337

 18

#前端 #知识图谱 #人工智能
算法工程师当前选哪个方向好？

单从就业来说，个人强烈建议方向。风控基本上是金融口的需求，技术门槛低，业务要求高，面比较窄。推荐呢，也是非常偏业务和经验，技术已经非常非常卷了，而且不同的厂子，业务各异，互相还保密。所以这两个方向首先是完全不建议的。而NLP和CV呢，业务场景方面就丰富了太多。就NLP来说，无论对应自媒体的标题理解，还是学术论文查重，亦或电商的商品理解，都可以无缝落地。而随着自动驾驶、等领域被资本的火热追捧，CV的

 网安李李
2024-06-24 09:30:26

 2805

 28

#知识图谱 #人工智能 #算法 +2
neo4j数据导出为json文件

ps：折磨了一天，查了好多资料说是要下载社区版，然而却卡在了配置环境变量的操作上，最后发现桌面版就能导出，不用下载apoc等插件，总算解决上述问题，哭。使用d3库将neo4j存储的知识图谱在网页端可视化需要将数据导出为json文件。切换到table模式点击右上方下载箭头选择导出格式即可导出。本人使用的是neo4j桌面版。

yuyuzhang1
2023-03-30 22:40:24

 3358

 2

#neo4j #知识图谱 #java
智能交互革命：论UI-TARS技术突破与未来图景

在数字技术重构人类社会的进程中，人机交互始终是技术演进的核心命题。字节跳动最新开源的UI-TATS系统，以其突破性的视觉认知架构，不仅颠覆了传统自动化技术的实现路径，更昭示着人工智能向具身化智能迈进的重大转折。这场以视觉理解为核心的人机交互革命，正在重塑自动化技术的底层逻辑，为数字化转型开辟全新可能。

智识世界Intelligence
2025-01-24 22:24:51

 2109

 35

#生成对抗网络 #自然语言处理 #知识图谱 +1
Deepwalk(深度游走)算法简介

深度游走：一种社交表示的在线学习算法主要思想Deepwalk算法参考文献主要思想Deepwalk是一种将随机游走(random walk)和word2vec两种算法相结合的图结构数据挖掘算法。该算法能够学习网络的隐藏信息，能够将图中的节点表示为一个包含潜在信息的向量，如图1-2所示。图1 输入: 图信号图2 输出: 图节点嵌入Deepwalk算法该算法主要分为...

Mr.Cheng1996
2019-09-11 19:33:51

 3.3w

 31

#知识图谱
【GNN】第一章：知识体系架构概览

的PyTorch的扩展库，几何深度学习指的是应用于图和其他不规则、非结构化数据的深度学习。是非常随意的，它不像MLP、CNN、RNN、Transformer那样，必须要数据规整、要resize、要截断填补等，图神经网络要求的数据只要有点有边就行，至于几个点几条边都随意。然而在真实世界中，并不是所有的事物都可以用结构化数据来表示，比如社交网络、知识图谱、电商购物、复杂的文件系统、蛋白质相互作用关系、

宝贝儿好
2025-03-03 11:46:24

 1030

 25

#人工智能 #深度学习 #知识图谱 +2
训练集/验证集/测试集的区别

四个维度展开说明。

壮壮的爸爸
2025-07-07 11:25:20

 5362

 11

#知识图谱
标注工具label studio关系抽取json转换

数据标注工具label studio的基本使用，关系抽取标注的操作与json数据转换方法

 suddenrainy
2023-03-02 17:45:24

 8050

 13

#知识图谱 #数据挖掘
vue3+ehcarts关系图实现知识图谱

需求原本是根据neo4j实现知识图谱，但是数据来源不需要通过neo4j.driver去调用，而是通过接口获取数据，实现效果如下：1. 实现对节点的增删改查和对关系的增删改查。2.实现画布的缩放和对图谱的下载。主要代码如下：index.vue（知识图谱数据获取和逻辑处理）neo-graph.vue（知识图谱展示）toolBox.vue（上方的放大缩小下载工具栏）nodeDetails.vue（详情展

 单走一个666
2025-05-26 11:01:59

 930

 3

#知识图谱 #人工智能
知识图谱的架构

知识图谱的架构知识图谱的架构包括自身的逻辑结构以及构建知识图谱所采用的技术（体系）架构。知识图谱的逻辑结构知识图谱在逻辑上可分为模式层与数据层两个层次，数据层主要是由一系列的事实组成，而知识将以事实为单位进行存储。如果用(实体1，关系，实体2)、(实体、属性，属性值)这样的三元组来表达事实，可选择图数据库作为存储介质，例如开源的Neo4j、Twitter的FlockDB、sones的GraphDB

Tina Tang
2020-05-14 11:26:02

 6801

 3

#知识图谱
IT运维知识图谱

IT运维知识图谱

 yolo2016
2021-11-14 08:43:15

 1w

 5

#运维 #知识图谱
vue实现关系图（组织机构图谱）

这是一个非常简单易用，而且功能强大的Vue关系图谱组件，不仅是开源的，而且有很多非常直观的在线demo，还提供一个可以在线配置参数UI工具：github项目地址是：https://github.com/seeksdream/relation-graph官网API文档：http://relation-graph.com/#/docs1，这个组件可以直接使用cnpm安装relation-graph：c

seeksdream
2020-10-13 13:03:57

 1.3w

 8

#数据可视化 #知识图谱
CCF-CSP考试复习准备资料汇总（同样适用于所有算法比赛，程序设计竞赛），超级详细，超级全面！容器篇（文章包含所有常见容器及其常用函数）

csp-ccf考前复习知识点汇总复习。同样适用于任何其他算法考试，对有一定基础的同学巩固知识点帮助很大。

没有瓤的绿瓜皮
2024-06-05 15:43:19

 1.1w

 107

#c++#算法 #数据结构 +2
vosviewer入门-分析web of science

vosviewer入门-分析web of science文章目录vosviewer入门-分析web of science1.web of science检索文献2.vosviewer创建图1.web of science检索文献内容是这样的,2.vosviewer创建图1.加载界面2.点击create3.选择数据类型4.悬选择数据源5.选择文件6.选择域7.选择连续的方法8.设置阈值9.选择成员的

 HouFei-Liu
2021-10-27 08:16:50

 1.4w

 10

#知识图谱
DeepSeek-R1的风吹到了多模态，Visual-RFT发布，视觉任务性能飙升20%

与（a）数据驱动的视觉指令微调相比，（b）视觉强化微调（Visual-RFT）在有限数据下更具数据效率。（c）成功地将RFT应用于一系列多模态任务，并在底部展示了模型的推理过程示例。

小天才学习机打游戏
2025-03-25 09:46:41

 725

 5

#知识图谱 #语言模型 #人工智能 +1
重新构想基于 AI 的平台工程：AI 开发工具和平台的探秘之旅

人工智能和平台工程的交叉路口代表着一个充满创新和转型潜力的前沿。把大语言模型（LLM）整合到平台工程的方方面面，不仅仅是把琐碎的任务自动化，更关乎和代表了一种全新的生产方式，可以重新定义和想象应用程序的开发、部署和管理方式。平台工程的一个核心理念是通过降低业务研发的认知负担来提高生产力和研发体验，以更好地驱动和加速业务创新。今天最为常见的一个解决手段是IAC和关注点分离：通过把不同角色的意图代码化

 SOFAStack
2024-06-04 17:12:03

 455

#人工智能 #自然语言处理 #知识图谱
免费图形化开发工具G6

G6作为一款功能强大、易于集成与扩展的图可视化框架，为开发者提供了丰富的图形元素、高度可定制的布局算法以及强大的交互功能。无论是数据分析、决策支持还是信息可视化领域，G6都是一个值得尝试的工具。而G6-Editor的推出更是进一步提升了图形编辑的效率和便捷性，为开发者构建图形编辑应用提供了强有力的支持。t=N7T8G6: G6 是一个图可视化框架。它提供了一套图可视化的基础设置，能帮助开发者搭建属

 mopmgerg54mo
2024-08-26 18:53:36

 1450

 22

#知识图谱 #流程图
视觉Slam理论篇 (一) Slam概述

Slam知识体系概述

 YangHcc
2023-07-20 10:52:36

 1391

#知识图谱
从零到一学前端-如何掌握前端开发工具

选择适合自己的前端开发工具、学习基本的前端开发技术和语言、深入了解工具的功能和用法、实践项目并持续学习是掌握前端开发工具的重要步骤。创建个人项目或作品集：在学习的过程中，建立个人项目或作品集是展示你的前端开发技能的好方式。在使用前端开发工具之前，你需要掌握一些基本的前端开发技术和语言，包括HTML、CSS和JavaScript。通过实际的项目练习，你可以应用所学的知识，并提升自己的技能。一旦你对基

 老王学长
2023-05-15 14:17:19

 1373

 1

#前端 #javascript #开发语言 +2
Qwen开源视觉推理模型QVQ，更睿智地看世界！

在人类的思维中，语言和视觉紧密交织，塑造着我们感知和理解世界的方式。我们的推理能力深深植根于语言思维和视觉记忆之中。那么，当我们将这些能力赋予人工智能时，会发生什么呢？如今的大语言模型已经展现出卓越的推理能力，但我们不禁思考：它们能否通过掌握视觉理解的力量，攀登认知能力的新高峰？设想一下，一个人工智能能够像物理学大师一样，面对复杂的物理问题，沉着冷静地通过逻辑推理找到解决方案。正是这样的愿景激发Q

朝阳区靓仔_James
2024-12-25 20:08:57

 1270

 7

#人工智能 #知识图谱 #计算机视觉 +1
EDA开发之芯片行业名词解释（2）

在电路板设计中，通常使用的标准方形孔尺寸为0.3mm x 0.3mm、0.4mm x 0.4mm、0.5mm x 0.5mm、0.6mm x 0.6mm、0.7mm x 0.7mm、0.8mm x 0.8mm、0.9mm x 0.9mm、1.0mm x 1.0mm等。仿真结果可以帮助他们识别系统中的功率损失瓶颈，并采取相应的优化措施，如改进布线设计、优化开关元件的选择、调整磁性元件的规格等，以降低

 智芯符露--九哥
2024-02-26 10:59:24

 903

 15

#人工智能 #程序人生 #知识图谱 +4
云边端AI计算那点事-云边端芯片概况

云边端计算分为CPU、GPU、NPU三种类型的计算。IntelAMD以CPU为主，NVIDA以GPU为主，国内的芯片厂商以NPU为主。

深觉科技
2022-07-30 11:09:24

 1633

 1

#人工智能 #知识图谱 #arm
springboot+elasticsearch+neo4j+vue+activiti打造企事业数字知识库

精准全面的搜索能力，统一化管理，此套知识库管理系统以科学的方法论并且通过实际项目锤炼做到了很好的赋能效应，解决了企事业数字知识库的良性全生命周期管理。源码获取链接：+Q:2500564056。

shengeng_hu
2022-08-19 10:42:46

 803

#spring boot #elasticsearch #neo4j +1
java后端提供生成Echars关系图的xml（Dom4j）

前言今天接到一个生成Echars关系图的需求，本来认为下班前两个小时就搞定了，但是使用Dom4j生成的过程中仍然很繁琐，也没有在网上找到源代码（可能是我太笨了），所以就自己记录一下。我们要实现的图是: 这个.全程使用Dom4j最后使用流的方式写入responsepublic void creatXml(HttpServletResponse response) throws IOException

路飞QAQ
2020-06-19 16:49:17

 870

#java #spring boot #xml +1
数据清洗实例

在自然语言处理中，往往我们拿到一份数据，不能直接使用，需进行预操作，把数据转化成我们需要的样子。下面介绍一下基本的数据清洗操作：代码：import refrom nltk.corpus import stopwordss = 'RT @Amila #Test\nTom\'s newly listed Co & Mary\'s unlistedGroup to supply tech

不写代码的程序员~zs
2021-08-06 10:05:49

 675

#python #自然语言处理 #知识图谱 +2
基于知识图谱的诗词知识问答系统

通过整合各种功能，这个项目不仅提高了诗词学习的互动性和趣味性，同时也提供了一个高效便捷的知识管理平台。无论你是诗词新手还是研究者，这个系统都能让你获得全新的学习体验！毕业设计的同学，也别错过这个项目哦！大家好，我今天想跟大家分享一个非常有趣同时也极具教育和科技价值的技术项目——基于知识图谱的诗词知识问答系统！这不仅仅是一个问答系统，它是诗词爱好者的天堂，也是技术探索者的乐园。这个系统用先进的知识图

 qa浪涛
2024-11-11 18:12:01

 609

 12

#知识图谱 #人工智能
知识图谱入门【七】- 知识推理

知识推理任务分类所谓推理就是通过各种方法获取新的知识或者结论，这些知识和结论满足语义。其具体任务可分为可满足性(satisfiability)、分类(classification)、实例化(materialization)。可满足性可体现在本体上或概念上，在本体上即本体可满足性是检查一个本体是否可满足，即检查该本体是否有模型。如果本体不满足，说明存在不一致。概念可满足性即检查某一概念的可满足性，即

 Rnan-prince
2020-07-09 23:45:48

 2253

#知识图谱
用NLTK做英文命名实体识别（NER）效果不佳怎么办？

用NLTK进行词性标注，我们得到一个元组列表，其中包含句子中的单个单词及其相关的词性。使用函数nltk.ne_chunk（），我们可以使用分类器识别命名实体，分类器添加类别标签（如PERSON，ORGANIZATION和GPE）。NLTK命名实体识别效果如下图：Digital Farm(ORGANIZATION)识别成功词标识符与块级别分割然而，NER任务在中文语料上表现不佳，所以开源工具NLTK

Yamerger
2020-11-13 17:06:01

 1035

#知识图谱
知识推理————相关工具介绍（你值得了解）

相关工具简介FaCT++曼彻斯特大学开发的描述逻辑推理机使用 C++ 实现, 且能与 Protege 集成Java 版本名为 Jfact, 基于 OWL API使用举例OWLReasonerFactory reasonerFactory = new JFactFactory();// 构建推理机OWLReasoner reasoner = this.reasonerFact...

愿你慢慢变强
2020-02-06 16:49:59

 4029

 3

#人工智能 #知识图谱
【毕设】csv+py2neo 将CSV文件中的数据存储到 neo4j 中

需求：如图将下列数据存储到neo4j中步骤：1、启动neo4j数据库neo4j console2、安装py2neo，pip install py2neo3、读取csv文件并存储节点# 导入必要的包import csvfrom py2neo import Graph, Nodefrom dataProcess.entity.article import Articlefrom dataProcess

稳得一笔
2021-03-20 19:38:40

 1525

#neo4j #知识图谱
知识补全和知识推理

目标：知识推理旨在从现有知识中推导出新的知识，而知识补全旨在填补知识库中的缺失信息。方法：知识推理依赖于逻辑规则或机器学习模型，重点在于推导过程；知识补全则依赖于预测和推测，重点在于完善知识库的结构和内容。结果：推理通常生成新的结论或发现，而补全则是增加或补充已有知识库中的信息。这两者常常结合使用，以增强知识库的智能性和实用性。例如，通过知识推理发现新知识，然后通过知识补全来填补图谱中的空白，从而

 qq_41824788
2024-08-09 15:03:36

 1006

 3

#人工智能 #知识图谱
知识表示学习与图嵌入综述

知识图谱表示学习对于知识获取和下游应用具有很重要的作用. 知识表示学习的表示空间包括：point-wise空间，流形空间，复数空间，高斯分布和离散空间. 打分函数通常分为基于距离的打分和基于语义匹配的打分函数. 编码模型包括：线性/双线性模型，张量分解和神经网络. 辅助信息考虑文本，视觉和类型信息.1.1.1 Point-wise空间Point-wise的欧式空间是最常用的，将知识图谱中的实体和关

 JOJO-XU
2022-07-03 22:00:14

 3567

 4

#学习 #知识图谱 #人工智能
知识管理新工具：如何用「X2Knowledge」打破纯文本知识库的次元壁？

X2Knowledge 是一个高效的开源知识提取器工具，专为企业知识库建设而设计。它支持将PDF、Word、PPT、Excel、WAV、MP3等多种格式的文件智能转换为结构化的Markdown、HTML、文本格式，帮助用户快速将各类文档资料标准化地录入企业知识库系统。通过先进的格式解析和内容提取技术，该项目显著提升知识转换的效率和准确性，是RAG（检索增强生成）应用和企业知识管理的理想预处理工具

 dadajiu45
2025-04-12 22:41:25

 362

 4

#AIGC #人工智能 #知识图谱
开源开放 | 细粒度可循证医学文档知识融合表示和推理（CCKS2021）

OpenKG地址：http://openkg.cn/dataset/mdo-dataset开放许可协议：GPL 3.0贡献者：武汉科技大学（高峰、龚珊珊、顾进广、徐芳芳）摘要本开放资源在医...

开放知识图谱
2022-01-17 19:02:00

 832

#人工智能 #大数据 #机器学习 +2
【IJCAI2021】长文本知识抽取：基于语义分割的文档级三元组关系抽取

点击下面卡片，关注我呀，每天给你送来AI技术干货！来自：浙大KG论文题目：Document-level Relation Extraction as Semantic Segmentati...

zenRRan
2021-06-24 23:16:55

 2938

#自然语言处理 #人工智能 #机器学习 +2
4-6知识抽取技术前沿

引入了混合注意力机制：Instance-Level Attention；零样本学习（ZSL）：基于可见标注数据集及可见标签集合，学习并预测不可见数据集结果。方法：转换问题设定；学习输入特征空间到类别描述的语义空间的映射。终身知识抽取（存在知识遗忘问题）基于实体关系原型网络的少样本知识抽取。基本范式：N-way-K-shot。基于表示对齐的终身关系抽取。

萌新滴程序员
2024-07-15 10:41:25

 284

 3

#知识图谱
知识融合（实体对齐）笔记

本文共1132个字，预计阅读时间需要4分钟。知识融合本体匹配（ontology matching）侧重发现模式层等价或相似的类、属性或关系，也成为本体映射（mapping）、本体对齐（alignment）实体对齐（entity alignment）侧重发现指称真实世界相同对象的不同实例，也称为实体消解（resolution）、实例匹配（instance matching）知识融合（kn...

Reacubeth
2020-04-07 15:30:18

 4967

 4

#知识图谱 #人工智能
NER命名实体识别

命名实体识别（标注工具）

snaoan
2022-10-04 18:54:26

 710

 1

#知识图谱
直播预告 | 长文本知识抽取：基于语义分割的文档级三元组关系抽取

「AI Drive」是由 PaperWeekly 和 biendata 共同发起的学术直播间，旨在帮助更多的青年学者宣传其最新科研成果。我们一直认为，单向地输出知识并不是一个最好的方式，而...

PaperWeekly
2021-09-28 19:02:16

 1082

#知识图谱 #人工智能 #自然语言处理 +2
知识表示与存储

1 知识表示知识表示是一种对知识的描述方式，利用信息技术将真实世界中海量信息转化为计算机处理模式的结构化数据。早期知识表示方法有一阶逻辑、霍恩逻辑、语义网络、产生式规则、框架系统、脚本理论等。随着语义网SW的提出，万维网联盟（W3C）提出了XML、RDF、RDFS和OWL描述语言。XML为最早的语义网描述语言，以文档为单位表示知识，可用于标记数据和定义数据类型；RDF提供一个统一的标准以“主体-谓

 董锦洋
2022-06-03 16:20:15

 1704

 1

#知识图谱 #人工智能
生成模型在知识图谱构建中的应用：如何提高知识抽取和整合能力

1.背景介绍知识图谱(Knowledge Graph, KG)是一种表示实体、关系和实例的数据结构，它可以帮助计算机理解和推理人类语言中的信息。知识图谱已经成为人工智能和大数据领域的重要技术，它在自然语言处理、推荐系统、问答系统等方面发挥着重要作用。然而，知识图谱的构建是一个非常挑战性的任务，因为它需要从大量的文本数据中自动抽取和整合知识。生成模型(Generative Model)是一类...

禅与计算机程序设计艺术
2023-12-27 18:06:57

 1141

 20

#知识图谱 #人工智能
（四）知识图谱之知识融合

在实际应用中，单一方法往往难以应对复杂的数据源差异（如命名歧义、属性缺失、语义多样性等），而混合方法通过融合不同技术，能够更灵活地处理各类对齐挑战。然后利用GNN模型，结合客户的地址、联系方式等属性，预测不同数据源中的客户是否为同一实体，解决“同一企业不同语言名称”（如“华为”与“Huawei”）的对齐问题。在电商平台的百万级商品对齐中，首先用预训练模型过滤掉90%的明确匹配/不匹配对，剩余10%

hanyuge
2025-05-24 20:25:56

 2913

 27

#人工智能 #知识图谱
智慧共享，协同共赢：探索十款知识管理软件的魅力

探索十款知识管理软件，提升企业竞争力与协同合作。

生气的饼干
2024-11-18 21:21:32

 1363

 23

#人工智能 #知识图谱 #大数据
知识抽取-关系抽取之Bootstrapping：快速构建大规模知识图谱利器

CHANGELOG5/5/2021，新增 Neural Snowball 方法7/15/2020，细致梳理知识抽取体系和信息抽取体系7/2/2020，Snowball 方法新增 pattern 置信度计算公式 RlogF 解析5/10/2020，初次发表。前言知识抽取是知识图谱构建的前置步骤，其中，关系抽取是建立图谱中实体关联的必经之路。而今，学术界往往倾向于结合最新的深度学习技术探索关系抽取效果

 Necther
2022-02-15 16:50:09

 2184

 1

#知识图谱 #人工智能