知识图谱

知识图谱之图数据库如何选型：知识图谱存储与图数据库总结、主流图数据库对比（JanusGraph、HugeGraph、Neo4j、Dgraph、NebulaGraph、Tugrapg） 图数据库每月排名 1.知识图谱 1.1 KG简单知识点 数据模型 知识图谱的两种主流数据模型（数据的结构、操作和约束）: RDF 图模型和属性图模型 数据模型特性数据模型特性RDF 图模型属性图模型结构标准化程度 数学模型 表达力 边属性表达 概念层本体定义 串行化格式已由 W3C 制定了标准化的语法和语义 3 - 均匀有向标签超图 RDF 图模型强于属性图模型 通过额外方法, 如 “具体化” RDFS、O...

9.8  投递 9.13 收到AI英语面 9.20  hr问了下预期薪资，通知进入技术面流程 9.22 下午面试官电话约面 9.23 上午9点半、电话面试。（历时约45分钟） 1、个人自我介绍 2、选择一个项目介绍（联邦+ner） 用到的数据 模型效果评测 联邦学习：面对数据非独立同分布怎么做的 实体有哪些标签 用了哪些公开数据集 数据划分（联邦学习） 长实体识别 3、用了哪些图数据库（Neo4j） 有哪些实体类型（属性类型 ...

基于中文金融知识的 LLaMA 系微调模型的智能问答系统：LLaMA大模型训练微调推理等详细教学 基于 LLaMA 系基模型经过中文金融知识指令精调/指令微调(Instruct-tuning) 的微调模型。通过中文金融公开问答数据+爬取的金融问答数据构建指令数据集，并在此基础上对 LLaMA 系模型进行了指令微调，提高了 LLaMA 在金融领域的问答效果。 基于已有数据和继续爬取的中文金融数据，将继续利用 GPT3.5/4.0 API 构建高质量的数据集，另在中文知识图谱-金融、CFLEB 金融数据集等数据上进一步扩充高质量指令数据集。 基于 Chinese-LLaMA 和中文金融数据进行...

手把手教学构建证券知识图谱/知识库（含码源）：网页获取信息、设计图谱、Cypher查询、Neo4j关系可视化展示 demo展示： 代码结构 stock-knowledge-graph/ ├── __init__.py ├── extract.py # extract html pages for executives information ├── stock.py # get stock industry and concept information ├── build_csv.py # build csv files that can import neo4j ├── imp...

基于罪名法务智能知识图谱（含码源）：基于280万罪名预测、20W法务问答与法律资讯问答功能 项目功能 目前知识图谱在各个行业中应用逐步打开,尤其在金融,医疗,法律,旅游方面.知识图谱助力法律智能,能够在一定程度上利用现有大数据以及机器学习/深度学习与自然语言处理技术,提供一些智能的解决方案.本项目将完成两个大方向的工作: 以罪名为核心,收集相关数据,建成基本的罪名知识图谱,法务资讯对话知识库,案由量刑知识库. 分别基于步骤1的结果,完成以下四个方面的工作: 基于案由量刑知识库的罪名预测模型 基于法务咨询对话知识库的法务问题类型分类 基于法务咨询对话知识库的法务问题自动问答服务 基于罪行知...

手把手教学小型金融知识图谱构建：量化分析、图数据库neo4j、图算法、关系预测、命名实体识别、Cypher Cheetsheet详细教学等 效果预览： 1. 知识图谱存储方式 知识图谱存储方式主要包含资源描述框架(Resource Description Framework，RDF)和图数据库（Graph Database）。 1.1 资源描述框架特性 存储为三元组（Triple） 标准的推理引擎 W3C标准 易于发布数据 多数为学术界场景 1.2 图数据库特性 节点和关系均可以包含属性 没有标准的推理引擎 图的遍历效率高 事务管理 多数为工业界场景 码源链接见文末跳转 文末链...

基于知识图谱的《红楼梦》人物关系可视化及问答系统（含码源）：命名实体识别、关系识别、LTP简单教学 文件树: app.py是整个系统的主入口 templates文件夹是HTML的页面 |-index.html 欢迎界面 |-search.html 搜索人物关系页面 |-all_relation.html 所有人物关系页面 |-KGQA.html 人物关系问答页面 static文件夹存放css和js，是页面的样式和效果的文件 raw_data文件夹是存在数据处理后的三元组文件 neo_db文件夹是知识图谱构建模块 |-config.py 配置参数 |-create_graph.py 创建知识图...

从零构建医疗领域知识图谱的KBQA问答系统：其中7类实体，约3.7万实体，21万实体关系。 项目效果 以下两张图是系统实际运行效果： 1.项目运行方式 运行环境：Python3 数据库：neo4j 预训练词向量：https://github.com/Embedding/Chinese-Word-Vectors或https://pan.baidu.com/s/14JP1gD7hcmsWdSpTvA3vKA 1、搭建知识图谱：python build_grapy.py。大概几个小时，耐心等待。 2、启动问答测试：python kbqa_test.py 部分代码展示： from entity_...

从零开始构建一个电影知识图谱，实现KBQA智能问答[上篇]：本体建模、RDF、D2RQ、SPARQL endpoint与两种交互方式详细教学 效果展示： 首先介绍我们使用的数据、数据来源和数据获取方法；其次，基于数据内部关系，介绍如何以自顶向下的方式构建本体结构。 1.数据准备 实践篇使用的数据是与电影相关的。基本统计数据如下： 演员数量：505 人 电影数量：4518 部 电影类型：19 类 人物与电影的关系：14451 电影与类型的关系：7898 演员的基本信息包括：姓名、英文名、出生日期、死亡日期、出生地、个人简介。 电影的基本信息包括：电影名称、电影简介、电影...

知识图谱之《海贼王-ONEPICE》领域图谱项目实战（含码源）：数据采集、知识存储、知识抽取、知识计算、知识应用、图谱可视化、问答系统(KBQA)等 实体关系可视化页面可视化页面尝鲜 1. 项目背景& 项目内容 《海贼王》(英文名ONE PIECE) 是由日本漫画家尾田荣一郎创作的热血少年漫画，因为其宏大的世界观、丰富的人物设定、精彩的故事情节、草蛇灰线的伏笔，受到世界各地的读者欢迎，截止2019年11月7日，全球销量突破4亿6000万本[^1]，并被吉尼斯世界纪录官方认证为“世界上发行量最高的单一作者创作的系列漫画”[^2]。 《海贼王》从1997年开始连载至今，以及将近22年，在...

基于50W携程出行攻略构建事件图谱（含码源）：交通工具子图谱、订酒店吃饭事件图谱等 项目构成 本项目由两个部分的组成,具体包括语料的获取以及基于语料的事件挖掘两个部分,具体项目目录包括: news_spider:基于scrapy的游记采集脚本 event_graph:基于依存句法与顺承模式的顺承事件抽取脚 image:游记顺承事件图谱效果图 1.出行领域语料的获取 语料来源:携程出行攻略 时间范围:2018年7月14日之前 采集方式:使用scrapy编写爬虫脚本进行抓取 采集规模:共采集505767篇，量级50W   采集脚本目录:news_spider/trav...

金融领域：产业链知识图谱包括上市公司、行业和产品共3类实体，构建并形成了一个节点10w+，关系边16w的十万级别产业链图谱 包括上市公司所属行业关系、行业上级关系、产品上游原材料关系、产品下游产品关系、公司主营产品、产品小类共6大类。 上市公司4,654家，行业511个，产品95,559条、上游材料56,824条，上级行业480条，下游产品390条，产品小类52,937条，所属行业3,946条。 领域知识图谱的数据集，当前还比较缺失，而作为构建难度最大的产业链图谱领域更为空白。产业链作为产业经济学中的一个概念，是各个产业部门之间基于一定的技术经济关联，并依据特定的逻辑关系和时空布局关系客观形成...

业务平台事业部所属阿里电商大中台，坐拥商品、商户、会员、评价、交易、店铺、营销、资金等多个核心电商链路，承担着打造知识引擎（藏经阁计划）和阿里业务系统智能化升级的重要使命，驱动全集团战略的快速推进与落地。我们运用知识图谱技术构建了千亿级的电商知识图谱，广泛地应用于新零售、国际化、本地生活等业务，每天提供百亿次服务。我们的决策智能算法助力双十一大规模红包发放、商家优惠决策等，在这里可以感受到用AI处理大量资金的真实场景。数据团队通过数据分析与数据科学方法，提供商业策略解决方案，让经济体人，货，场以及资金运转更智能，让业务管理和高层战略决策更高效。 我们是一个自然语言处理、知识图谱、计算机视觉、...

第三届同花顺算法挑战大赛 多领域的比赛机会，源自业务的海量数据，用算法解决真实难题，以竞赛提升个人能力 只要提交评测结果，就有机会入同花顺招聘绿色通道 1.大赛背景 算法挑战赛平台，是同花顺旗下的人工智能与金融科技命题竞赛平台，携手高校人工智能研究所、产业各界共同推进AI投顾领域的技术突破。 平台赛事基于全国最真实、最复杂的投顾服务场景，旨在探索AI投顾与用户的自由对话、AI投顾知识的自动扩充、AI投资策略的持续输出等金融科技前沿命题，并构建全球最具影响力的AI投顾数据集，实现产研成果的落地转化，引领AI投顾产业的蓬勃发展。 ...

关注公众号「Shopee技术团队」，探索更多Shopee技术实践 本文为 InfoQ 对 Shopee 商品算法团队负责人 Steph 的采访。Steph 将在今年的 ArchSummit 上海站进一步分享知识图谱技术及其在 Shopee 的实践。 嘉宾 | Steph编辑 | 李慧文 随着电商行业的演进，电商商品量及覆盖市场日益增长，怎样发挥量级和市场优势成为一个重要命题，而知识图谱的本体/实体/属性/关系等概念和电商市场的类目架构/产品库/商品属性天然对应，知识图谱成为电商依赖的重要技术和服务基础。 Shopee 商品算法团队研究多语言知识图谱技术，服务全球十多种语言市场，将知识图谱技...

从零开始搭建医药领域知识图谱实现智能问答与分析服务（含码源）：含Neo4j基于垂直网站数据的医药知识图谱构建、医药知识图谱的自动问答等 项目介绍 关于知识图谱概念性的介绍就不在此赘述。目前知识图谱在各个领域全面开花，如教育、医疗、司法、金融等。本项目立足医药领域，以垂直型医药网站为数据来源，以疾病为核心，构建起一个包含7类规模为4.4万的知识实体，11类规模约30万实体关系的知识图谱。 本项目将包括以下两部分的内容： 基于垂直网站数据的医药知识图谱构建 基于医药知识图谱的自动问答 项目效果展示 以下两图是实际问答运行过程中的截图： 项目运行方式 配置要求：要求配置neo4j数...

领域知识图谱-中式菜谱知识图谱：实现知识图谱可视化和知识库智能问答系统（KBQA) A knowledge graph for Chinese cookbook（中式菜谱知识图谱），可以实现知识图谱可视化和知识库智能问答系统（KBQA) 效果展示： 本项目开发的系统名称为AI Food Time，中文名为爱食光。如需体验可视化功能可直接访问点击可视化功能。 通过收集网上完全公开的有关中式菜谱的数据，经过数据清洗和分析，转换为知识图谱的存储结构，并提供可视化展示与搜索和智能问答等功能，为热爱美食与烹饪的人们提供方便快捷的中式菜谱服务，并以知识图谱的形式直观显示出不同菜品的关系及所用原料，在生...

ChatIE：通过多轮问答问题实现实命名实体识别和关系事件的零样本信息抽取，并在NYT11-HRL等数据集上超过了全监督模型 零样本信息抽取（Information Extraction，IE）旨在从无标注文本中建立IE系统，因为很少涉及人为干预，该问题非常具有挑战性。但零样本IE不再需要标注数据时耗费的时间和人力，因此十分重要。近来的大规模语言模型（例如GPT-3，Chat GPT）在零样本设置下取得了很好的表现，这启发我们探索基于提示的方法来解决零样本IE任务。我们提出一个问题：不经过训练来实现零样本信息抽取是否可行？我们将零样本IE任务转变为一个两阶段框架的多轮问答问题（Chat IE）...