- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI科技评论
事理图谱：事件演化的规律和模式
事理图谱的定义 事理图谱（Event Logic Graph，缩写ELG）是一个事理逻辑知识库，描述了事件之间的演化规律和模式。 事理图谱与知识图谱的关系 “知识图谱”这一术语有两层含义。 表1 事理图谱与知识图谱的区别及联系 ? 事理图谱与传统知识图谱有本质上的不同。 而知识图谱以实体为核心研究对象，实体属性以及实体间关系种类往往成千上万。知识图谱以客观真实性为目标，某一条属性或关系要么成立，要么不成立。 4. (4) 事件因果关系抽取 文本中的因果关系抽取一直是一个难点。虽然学者们提出了许多方法，但是仍以因果模板匹配的方法抽取精确度最好。模板匹配的缺点在于召回率难以保证，许多有价值的因果关系无法召回。
5.2K31发布于 2019-07-23 - 来自专栏bit哲学院
知识表示发展史：从一阶谓词逻辑到知识图谱再到事理图谱
如图4所示，为一个典型的餐厅脚本表示方法。 知识图谱与事理图谱 上一节提到，知识图谱表示方法和脚本表示方法的融合将是未来知识表示方法上的一个新的方向。 目前，事理图谱可能是对这一方法的一种实践，与目前所熟知的抽象事件动态演化图谱不同，我们认为，事理图谱是新一代知识图谱未来方向的一个重要形态，我们将事理图谱定义为：“事理图谱是以“事件”为核心的新一代动态知识图谱 目前，我们基于事件关系抽取、事件融合等技术，构建起了规模400w的事理图谱，效果如图8所示： 图8 并以该图谱作为基本知识基础，探索事理图谱的知识表示体系框架，并不断需求事理图谱与实际应用场景的结合 目前，我们在开展深入研究事理图谱相关技术理论的同时，正在寻求事理图谱技术的落地应用，将事理图谱应用于资讯预警，取得了不错的效果，接下来，我们将尝试更多领域的应用。
3.4K21发布于 2021-01-29 破译设备“黑箱”：融合多模态数据与事理图谱的电力故障精准诊断与根因分析
本文提出基于神经符号AI技术的新一代故障诊断范式，深度融合多模态数据与事理知识图谱，构建可信、可解释、可进化的智能诊断系统。 2.2多模态事理图谱：构建设备健康“数字孪生”基于神经符号AI技术，我们构建了电力设备的多模态事理知识图谱，实现了设备状态从“数据描述”到“知识理解”的质变。 第三层：知识图谱构建层将提取的特征和关系构建为事理知识图谱，包含三类核心实体：-设备实体：变压器、断路器、发电机等，包含型号、参数、位置等属性-状态实体：正常、预警、故障等，包含程度、持续时间、变化趋势 、结果实体间建立丰富的时序关系和因果关系：-时序关系：“A相温度升高”发生在“负荷增加”之后-因果关系：“绝缘受潮”导致“局部放电”增强-空间关系：变压器本体与冷却系统、套管等部件的组成关系2.2.2事理图谱的构建与应用事理图谱区别于传统知识图谱的核心在于对 神经符号AI技术为这一跨越提供了坚实的技术基础，多模态事理图谱为设备状态理解提供了新的知识框架，而实际应用案例证明了这一技术路线的可行性和价值。
42110编辑于 2026-03-02从阿里AI重组到病历生成提效48倍：一家三甲医院的“事理图谱”实践
第二章：破局之道——从“知识图谱”到“事理图谱”的范式跃迁面对上述痛点，传统的知识图谱方案显得力不从心。 A医院的技术团队选择了一条更前沿的道路：构建以“事理图谱”为核心的智慧医疗解决方案。1. 核心概念：什么是事理图谱？简而言之，事理图谱是一种专门描述事件间演化规律和因果逻辑的知识库。 “事理逻辑”是医疗AI的灵魂：静态知识图谱是“骨架”，而动态事理图谱才是“血肉”和“神经”，是实现复杂推理和可解释性的关键。3. 4. 数据治理是基石：高质量的、标准化的、互联互通的数据（HIS、LIS、EMR等）是构建一切上层智能应用的前提。 从静态的知识图谱，迈向动态的事理图谱，我们正在教会机器像医生一样去“思考”疾病的演变，而不仅仅是“记忆”医学的百科。
13610编辑于 2026-04-14- 来自专栏数据分析与挖掘
【知识图谱】知识图谱的构建-python-neo4j
环境依赖 jdk、neo4j图数据库 neo4j具体的安装过程可以参考这里：https://cloud.tencent.com/developer/article/1387732 json数据 { os.path.join(cur_dir, 'data\\medical2.json') self.g = Graph("http://localhost:7474", username="neo4j self.g.create(node) count += 1 print(count, len(nodes)) return '''创建知识图谱中心疾病的节点 self.g.create(node) count += 1 print(count) return '''创建知识图谱实体节点类型
2.4K31发布于 2021-04-09 - 来自专栏AI研习社
哈工大刘挺：哈工大 SCIR 实验室的 NLP 研究 | CCF-GAIR
我介绍两个最有代表性的工作吧，一个是事理图谱，一个是对话技术平台（DTP）。 我们原创性地提出了事理图谱的概念。事理图谱是一个事理逻辑知识库，描述事件之间的演化规律和模式。 知识图谱的研究对象为名词性实体及其关系，而事理图谱的研究对象是谓词性事件及其关系。知识图谱主要知识形式是实体属性和关系，事理图谱则是事理逻辑关系以及概率转移信息。 事理图谱概念是对知识图谱概念自然地补充和拓展，是知识描述的一个更高级的阶段，符合产业界的客观需求。所以，事理图谱的概念一经提出，就得到了业界的认可。 未来我们一方面还会在事理图谱的研究方向上深耕细作，同时，也会不断扩展事理图谱的应用场景，例如在医疗、司法等领域构建事理图谱。 在大词林的基础上，我们提出了事理图谱的概念并自动化构建了金融和出行两个领域的事理图谱。
1.7K20发布于 2018-07-26 - 来自专栏AI科技评论
哈工大刘挺：哈工大SCIR实验室的NLP研究 | CCF-GAIR
我介绍两个最有代表性的工作吧，一个是事理图谱，一个是对话技术平台（DTP）。 我们原创性地提出了事理图谱的概念。事理图谱是一个事理逻辑知识库，描述事件之间的演化规律和模式。 知识图谱的研究对象为名词性实体及其关系，而事理图谱的研究对象是谓词性事件及其关系。知识图谱主要知识形式是实体属性和关系，事理图谱则是事理逻辑关系以及概率转移信息。 未来我们一方面还会在事理图谱的研究方向上深耕细作，同时，也会不断扩展事理图谱的应用场景，例如在医疗、司法等领域构建事理图谱。 4、拓展式创新 从句法依存分析到语义依存分析，是从句法形式场面深入到语义内容层面；从知识图谱到事理图谱，是从以名词概念为核心进入到以抽象事件为核心；从《同义词词林（扩展版）》到《大词林》，是从人工构建语言知识库到自动构建语言知识库 在大词林的基础上，我们提出了事理图谱的概念并自动化构建了金融和出行两个领域的事理图谱。
1.3K10发布于 2018-07-26 全链路多模态：AI知识管理如何从“黑盒”走向“可解释”？
它会基于构建的时序知识图谱与事理图谱，自动推理：跳闸是否由上游电站波动引发？是否与近期特定的维修作业存在因果关系？历史上同类故障的处置方案是什么？ 二、从“复杂”到“敏捷”：如何快速构建事理知识图谱？知识图谱是实现可解释智能的基石，但传统构建方式耗时耗力，且难以处理复杂的因果、时序逻辑（事理）。智图的全链路多模态能力，为此提供了“快车道”。 2.神经符号AI驱动的事理图谱构建：这是《武汉知识图谱科技有限公司》的核心突破。 例如，在智慧农业场景中，系统能自动从历史数据中学习并构建“连续低温高湿”->“诱发小麦赤霉病”->“建议喷洒特定药剂”的事理链条，形成可辅助决策的动态知识网络。 专家经验规模化复制：在大型工程集团，将顶尖工程师处理复杂施工方案、排查罕见故障的经验沉淀为事理图谱，通过智能问答赋能数万名一线员工，保障工程质量与安全的一致性。
18310编辑于 2026-03-02为什么说“可解释推理”是企业知识管理的下一站？
二、技术基石：如何快速构建支撑可解释推理的“事理知识图谱”？实现可解释推理，需要强大的知识表示与推理引擎作为支撑。 传统知识图谱擅长描述实体“是什么”及其静态关系（如“设备A位于厂房B”），但对于刻画事件的动态逻辑（如“操作C导致状态D，进而可能引发风险E”）则较为薄弱。这正是事理知识图谱的用武之地。 事理知识图谱专注于对事件、动作、状态及其间因果、时序、条件等逻辑关系的建模。它回答的是“为什么”和“怎么办”的问题。 2、快速构建与动态演化：平台提供可视化的本体建模与规则配置工具，结合行业预训练模型，能够大幅降低事理图谱的构建门槛。 武汉知识图谱科技的全链路多模态能力支持将图纸、表格、图片、传感器时序数据等信息进行语义对齐和关联，共同融入事理图谱，为推理提供更丰富、更立体的上下文。
12010编辑于 2026-02-26- 来自专栏程序猿DD
通过这个故事理解啥是 NIO
该银行的业务流程分为以下4个步骤： 1） 顾客填申请表（5分钟）； 2） 职员审核（1分钟）； 3） 职员叫保安去金库取钱（3分钟）； 4） 职员打印票据，并将钱和票据返回给顾客（1分钟）。 1 BIO方式 每来一个顾客，马上由一位职员来接待处理，并且这个职员需要负责以上4个完整流程。当超过10个顾客时，剩余的顾客需要排队等候。 我们算算这个银行一个小时到底能处理多少顾客？ 他会通知顾客钱已经到柜台了，让顾客重新排队处理，当柜台职员再次服务该顾客时，发现该顾客前3步已经完成，直接执行第4步即可。 我们可以算算通过这种方法，银行的吞吐量能提高到多少。 4 小结 总结就一句：“分而治之，将任务拆分开来，由专门的人负责专门的任务”，这不仅在计算机领域生效，在整个社会领域都生效。 往期推荐 重磅！GitHub 推出容器镜像仓库服务！
23110编辑于 2023-04-17 - 来自专栏PM吃瓜(公众号)
管理是管人理事，还是管事理人？
管理，是管人理事还是管事理人呢？ “制度管人，流程管事，团队打天下，管理定江山” 管理对于一个组织来说所涉及的无非就是事件与人的问题。是管理人处理事件还是管理事件处理人际关系？ 答案自然出来了，管理，应该是管事理人，而不是管人理事，因此人是要理会，事情才需要管理，一个好的项目，需要大家共同的努力，同时也需要有一个好的规范，好的制度进行约束，做到既人性化管理，又做到每件事精益求精
51020编辑于 2023-03-02 - 来自专栏老张的求知思考世界
一个故事理解消息队列-下
这篇文章，接上篇《一个故事理解消息队列-上》，以Kafka为例，为大家介绍消息队列的主要功能特性。Kafka核心组件在介绍消息队列的功能特性之前，先介绍一下Kafka的核心组件。
31410编辑于 2024-09-05 - 来自专栏祥子的故事
知识图谱 | Neo4j初相识
初衷 为什么要了解知识图谱、neo4j呢？ 前几天在会议上，领导说接下来我们部分将重点发力知识图谱的工作，解决业务域的问题，让每位同事都去了解下，等过段时间要做汇报工作，每位讲讲自己的学习心得，算是输出。 第一步：下载neo4j 在国内访问neo4j官网的速度会很慢，注意访问外国网站。 /bin/neo4j restart 这样就保证了neo4j的可以正常使用。 案例 这里以股票知识图谱数据为例，具体例子说明请见网上，已经有很多人做分享。这里仅仅展示如何运行和使用。 /bin/neo4j restart 然后运行命令行，将数据导入neo4j数据库中 .
1.9K10发布于 2020-02-19 - 来自专栏野生AI架构师
【知识图谱】知识图谱在贝壳找房的实践
他们把用户的搜索意图分成了三种类型，好像有点道理，不过想想，对于知识图谱而言好像都是一样的，例如“砌体结构墙是什么”，把“砌体结构墙”作为一个实体，把定义作为它的一个属性，不就一样了？ 02 事理图谱 其实没太看到文章提到的事理图谱和实体图谱有什么区别，幼儿园的属性，入学条件，优缺点等这些不都是可以作为节点的属性存在吗？那样不是就可以直接查到了？ 知识图谱这种图的结构，应该说本身就具有推理的潜力。 Dgraph和JanusGraph之后，选择了Dgraph；（网上有文章说，美团在重点对比了Dgraph和NebulaGraph之后，选择了NebulaGraph，可能这个选择是更加正确的选择） 他们使用知识图谱生成了房产经纪的话术套路
2.3K20发布于 2021-10-27 - 来自专栏老张的求知思考世界
一个故事理解消息队列-上
前段时间，知识星球里一位同学给我分享了他对消息队列的理解，并且用一个故事形象的表述了消息队列的作用。看完他的表述，我觉得用故事来描述技术组件作用的方式很有意思，也更容易让人理解。
22510编辑于 2024-07-18 - 来自专栏老张的求知思考世界
一个故事理解限流熔断降级
一个故事理解技术要点第三篇，这篇文章我们来聊聊在稳定性保障领域中经常出现的那些技术术语。故事案例先看下面这个故事案例：假设你去银行取钱，你是用户，银行是一个软件系统。
44510编辑于 2024-09-12 - 来自专栏光城(guangcity)
知识图谱系列之Neo4J
知识图谱系列之Neo4J 0.作者的话 1.安装Neo4J 2.运行Neo4J 3.Python操作Neo4J 3.1 py2neo安装 3.2 py2neo连接neo4j 3.3 清空数据库结点与边 3.4 py2neo创建结点 3.5 py2neo创建关系 3.6 调用 4.作者的话 0.作者的话 上次写了一篇文章提到了一个有关知识图谱的概念，在本公众号中，并未写有关这方面的文章，那么这一节从 python与neo4j方向来共同学习知识图谱的一些实战操作，后续会补充理论方面的知识！ 1.安装Neo4J 官网下载Neo4J的zip包，然后解压，将neo4j_path/bin配入path中，进入bin目录运行 neo4j.bat console pip install py2neo= 4.作者的话 最后，您如果觉得本公众号对您有帮助，欢迎您多多支持，转发，谢谢！ 更多内容，请关注本公众号知识图谱系列！
1.9K20发布于 2019-09-20 - 来自专栏机器智能技术干货
史上最全知识图谱建模实践（下）：多元关系架构
事件事件是加入时间、空间，区分行为主体、客体的实体类型，以事理图谱和用户行为事件为典型应用场景，是对动态行为的建模，需要反应在不同时间点、时间区间上事物的状态。 多视角的知识建模架构：如背景章节所述，已有的研究或工作，都只解决了事件图谱、事理（概念）图谱或事理常识中特定一类的表示，它们要么专注于对单个实例事件、实例知识及其关联的事实关系的刻画；要么在相对抽象的层次 为此，我们以事理图谱的概念定义、概念语义演绎推理为例，介绍实体schema与概念体系及逻辑规则的结合应用，一起完成多维度的知识认知架构。 -belongTo->有色金属价格大涨事件推论：有色金属板块股价变化事件多元时空认知架构多元时空认知架构，是对基于schema的实体关系定义，概念语义建模及事件行为的多元关系定义的综合应用，主要用于事理图谱 在实例知识标准化、结构化到图谱后，受模式层的语义规则、事理关系、业务逻辑的约束，对知识进一步挖掘和推理。
1.9K10编辑于 2024-02-02 - 来自专栏机器学习原理
知识图谱（2）——neo4j的用法
直接从csv中加载文件 LOAD CSV WITH HEADERS FROM "http://data.neo4j.com/northwind/products.csv" AS row CREATE ( 可以直接把文件放到import文件夹中直接输入 file:///xxx.csv 创建商品node把后面五行设置为属性 LOAD CSV WITH HEADERS FROM "http://data.neo4j.com
75710发布于 2018-08-27 - 来自专栏新智元
【老炮儿白硕创业了】CCIR阡寻科技聊知识图谱和NLP如何落地金融
但是认识到应用知识图谱是一个正确的方向是一回事，在一个个领域中耕耘细节，精准把握分析师最核心的静态知识关联和动态事理推理路径是另一回事。 我们一方面要把公司经营行为、资本运作行为这类领域无关共性事理先做好，另一方面也在有序推进领域相关的资源建设，期货、化工、汽车是我们目前在资源建设上相对聚焦的领域，因此在橡胶事件中，与这几个领域有直接关联的推理链条被完整捕捉下来 金融遇上知识图谱和NLP 全球范围内，包括中国BAT等各大互联网公司都在研究自然语言处理、知识图谱和深度学习，行业目前正在争夺落地场景。阡寻让金融遇见知识图谱和NLP技术。 对金融领域，事件的发生是有征兆的，通过对事件进行捕捉形成事理推理型的知识图谱，以描绘事件发生的顺承关系和因果关系。 据熊昊博士介绍，阡寻构建了证券领域的实体知识图谱库和事理知识图谱库。 基于对金融行业的理解，他们建立了事理知识图谱，其描绘了金融事件发生的顺承关系和因果关系。
1.5K40发布于 2018-03-27
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号