- 综合排序
- 最热优先
- 最新优先
- 来自专栏生信菜鸟团
细胞图谱 | Nature 的人类细胞图谱基础模型，SCimilarity 框架
SCimilarity作为单细胞谱系的基础模型，使研究人员能够在整个人体范围内查询类似的细胞状态，为从人类细胞图谱中生成生物洞见提供了强大的工具。 Para_02 为了利用和查询单细胞图谱的巨大规模和丰富性，我们需要（1）一个基础模型来表示细胞状态，该模型能够有效表示单细胞谱，适用于各种应用而无需重新训练；以及（2）一种对技术噪声具有鲁棒性的细胞相似性度量 Para_03 我们使用SCimilarity的细胞类型分配来快速注释所有2340万细胞谱系，使用一个模型标记了14,078,941个未注释的谱系，并重新注释了9,302,209个作者已注释的谱系（方法 随着更大的 SCimilarity 表征基于不断增长的人类细胞图谱进行训练，该模型将允许对扩展的人类生物学领域进行查询和搜索。 （2023年12月9日模型）在数据集GSE128033上使用FM和肌成纤维细胞基因特征以及从GSE136831中衍生的细胞查询谱系进行了比较。
89400编辑于 2025-03-06 - 来自专栏Python与算法之美
9，模型的评估
模块中的交叉验证相关方法可以评估模型的泛化能力，能够有效避免过度拟合。 二，分类模型的评估 模型分类效果全部信息： confusion_matrix 混淆矩阵,误差矩阵。 ? 模型整体分类效果： accuracy 正确率。通用分类评估指标。 模型对某种类别的分类效果： precision 精确率，也叫查准率。模型不把正样本标错的能力。“不冤枉一个好人”。 recall 召回率，也叫查全率。模型识别出全部正样本的能力。 三，回归模型的评估 回归模型最常用的评估指标有： r2_score(r方，拟合优度，可决系数) explained_variance_score(解释方差得分) ? ? 留出法 为了解决过拟合问题，常见的方法将数据分为训练集和测试集，用训练集去训练模型的参数，用测试集去测试训练后模型的表现。
96631发布于 2020-07-17 知识图谱增强大模型应用架构
私有知识：利用小模型、或LoRA 技术训练，或者通过企业级搜索引擎、知识图谱等来为系注入企业专属的领域知识。私有知识的注入可通过知识图谱构建、文档管理和专家经验积累等途径实现。 例如，构建基于知识图谱的问答系统，能够准确回答用户提出的问题。 审核管理：在许多场景下，比如在医疗、金融、制造业等各类严肃场合，需要对数据标注、知识图谱构建等进行审核，确保知识增强大模型应用的正确性。 对向量检索、搜索引擎以及大模型如何增强知识图谱的RAG和GraphRAG等技术，可参与即将出版的《知识增强大模型导论》一书。下面简要介绍这几种技术。 1. 知识图谱的设计能够直观、精确地呈现复杂的领域知识，便于进行有效的推理和查询。 在知识增强大模型中，知识图谱作为一种结构化的知识表示方式，能够为模型提供高效且权威的知识支持。 它与知识图谱和语言模型之间形成互补关系，尤其在面对动态信息（如新闻、天气、法规更新等）时，搜索引擎能够确保模型所提供的答案是最新的和最准确的。
84210编辑于 2024-12-24- 来自专栏算法进阶
扩散模型+知识图谱的前沿综述
为解决这一问题，本文介绍了名为DiffKG的新的知识图谱扩散模型，结合了生成扩散模型与数据增强范式，实现了鲁棒的知识图谱表示学习。 1 介绍 推荐系统是现代网络领域的重要部分，协作过滤是其典型技术。 KG 增强推荐任务是给定用户-项目交互图和知识图谱的目标，通过训练具有可学习参数的推荐模型来预测用户与项目的交互可能性。该模型基于用户和项目的属性、交互历史和知识图谱中的相关信息来预测交互概率。 图2 带知识图谱的扩散模型 3.3.1 噪声扩散过程 如图2，知识图（KG）扩散包含正向和反向两个过程，并可应用于知识图谱。 我们用 L 表示等式9中第一项的负值，可按下式计算： 我们通过未加权的-||估计高斯对数似然log(0 |1)ˆ (1, 1)−0||22。L等于L1，所以方程9中的第一项可以被认为是−L1。 通过准确地利用和过滤知识图谱信息，我们的模型在推荐任务中展示了改进的性能，说明了其在增强相关性和减轻知识图谱中不相关信息的影响方面的有效性。
1.3K10编辑于 2024-03-18 - 来自专栏活动
基于ComplEx模型的知识图谱嵌入详解
知识图谱将实体和关系以图的形式组织，为计算机提供了理解和推理知识的能力。然而，如何将知识图谱中的信息有效地转化为计算机可处理的格式，成为了当前研究的热点之一。 ComplEx模型是近年来广受欢迎的知识图谱嵌入方法之一，能够有效捕捉复杂的关系模式。 ComplEx模型的基本原理 1 ComplEx简介 ComplEx模型于2016年提出，主要通过复数空间中的运算来表示知识图谱中的实体和关系。 ComplEx模型的实现步骤 数据准备 收集知识图谱数据，如Freebase或DBpedia。 将数据转换为三元组格式（头实体、关系、尾实体）。 多模态知识图谱 探索将文本、图像等多模态数据结合到知识图谱嵌入中，以增强模型的表示能力。
94410编辑于 2024-09-21 - 来自专栏活动
知识图谱嵌入中的时间感知模型
然而，传统的知识图谱嵌入模型通常忽略了时间维度，而时间信息在现实世界的关系中往往是至关重要的。例如，历史事件中的关系随时间变化而演化，因此需要在知识图谱嵌入中引入时间感知机制来捕捉这种动态变化。 时间感知知识图谱嵌入模型通过将时间作为一个关键的上下文来优化嵌入结果，能够更好地处理动态知识图谱的推理任务。 知识图谱嵌入与时间感知模型的发展传统的知识图谱嵌入模型（如TransE、DistMult、ComplEx等）专注于学习静态实体和关系的低维向量表示。 因此，研究者提出了多种时间感知模型，来改进知识图谱的时间敏感性：TTransE (Temporal TransE)：这是在TransE基础上增加时间向量的扩展模型，通过将时间作为额外的维度加以考虑，使得模型可以捕捉关系的时间依赖性 实例分析：时间感知嵌入的实际应用为了更好地理解时间感知知识图谱嵌入的应用场景，以下将通过问答系统的实例分析来展示时间感知模型的优势。
95120编辑于 2024-09-30 - 来自专栏活动
如何评估知识图谱嵌入模型的性能
知识图谱嵌入（KGE）是通过将图中的实体和关系表示为低维向量，从而使得原本复杂的图结构可以被机器学习模型处理，并用于后续任务。 知识图谱嵌入模型评估的挑战在于，知识图谱通常规模庞大，关系复杂，如何定义合适的评估指标和方法来衡量模型的效果是一个难点。 本文将使用TransE模型进行知识图谱嵌入，并通过链接预测任务和实体分类任务来评估其性能。 数据集准备 我们使用FB15k数据集进行实验，这是一个广泛使用的知识图谱嵌入评估数据集。 TransE 是一种简单且高效的知识图谱嵌入模型。 多任务评估 知识图谱嵌入模型往往不仅用于单一任务，未来可以通过多任务评估的方法，评估模型在不同任务中的表现，并设计更适应多任务的嵌入模型。
92400编辑于 2024-09-21 - 来自专栏活动
基于RotatE模型的知识图谱嵌入技术
近年来，RotatE模型作为一种新颖的知识图谱嵌入方法，因其有效的相位信息建模能力而受到广泛关注。RotatE模型将关系建模为复数空间中的旋转，从而实现对关系的丰富表达。 RotatE模型的原理模型概述RotatE模型是一种基于复数空间的知识图谱嵌入方法，提出了将关系表示为复数空间中的旋转。该模型的基本思想是：通过将头实体向量绕关系的相位进行旋转，来生成尾实体向量。 RotatE模型在知识图谱嵌入技术中展现出良好的性能，但仍有进一步发展的空间：更复杂的关系建模 多模态信息整合：当前知识图谱嵌入方法主要关注结构化数据，但现实世界中的信息往往是多模态的。 多任务学习：通过设计多任务学习框架，RotatE模型可以同时解决多个任务，如知识图谱补全、关系分类等。这种方法不仅可以提高模型的泛化能力，还能通过任务间的知识共享提升整体性能。 基于RotatE模型的知识图谱嵌入技术为复杂关系建模提供了一种有效的方法。通过本文的理论介绍、代码实现和实例分析，读者可以深入理解RotatE模型的原理和实际应用方式。
1K31编辑于 2024-09-28 - 来自专栏活动
如何构建高效的知识图谱嵌入模型
构建高效知识图谱嵌入模型的挑战构建高效的知识图谱嵌入模型需要解决以下几个核心问题：挑战 描述 稀疏性 知识图谱中的实体和关系通常是稀疏的，因此嵌入模型需要能够应对这种稀疏性。 多样性 知识图谱中的关系类型多种多样，如一对多、多对一或多对多，模型必须具有足够的灵活性来处理不同类型的关系。可扩展性知识图谱的数据量往往很大，因此模型的可扩展性和计算效率是关键。 构建高效知识图谱嵌入模型的步骤模型选择选择合适的嵌入模型是构建高效知识图谱嵌入的第一步。 模型结构复杂，训练时间较长数据预处理为了构建高效的知识图谱嵌入模型，我们需要准备训练和测试数据。
71231编辑于 2024-09-10 - 来自专栏博文视点Broadview
当知识图谱遇上预训练语言模型
点击“博文视点Broadview”，获取更多书讯 知识图谱与语言预训练是什么关系呢？ 本文就将从语言预训练模型开始，介绍知识对语言预训练模型的价值，并介绍几个前沿的知识图谱增强语言预训练模型。 因此，有越来越多的研究工作关注怎样把知识图谱和语言预训练模型结合起来，将知识图谱注入语言预训练模型中，以提升预训练模型处理复杂问题的能力。 02 语言预训练简介 首先简要介绍语言预训练模型。 图2 各种语言预训练模型的发展示意图 03 知识图谱增强的语言预训练模型举例 1．为什么需要知识图谱 我们更关心的问题是知识图谱对于语言预训练模型有什么价值？ 接下来选择几个典型的模型展开介绍。 2．直接用实体向量注入增强语言模型 利用知识图谱增强语言预训练模型的一个最简单的思路是把知识图谱中的实体向量表示直接注入语言模型中。 将知识图谱融入语言预训练模型中大致有三种方法，包括直接把图谱表示向量作为特征输入的ERNIE和KnowBERT等模型；通过设计新的预训练任务实现知识注入的KEPLER和WKLM等模型；通过增加额外的模块的
97810编辑于 2023-05-06 - 来自专栏腾讯高校合作
Wiztalk | 149期 崔原豪《9分钟了解认知图谱》
---- 本期内容 视频作者： 北京邮电大学 崔原豪 本期题目： 《9分钟了解认知图谱》 内容简介： 如何让机器具备理解和解释的能力？这其中不可或缺的就是认知图谱这一技术。 本期崔原豪老师将用9分钟带我们好好了解一下认知图谱这项实现机器认知智能的底层支撑手段。
36730编辑于 2022-04-07 - 来自专栏喔家ArchiSelf
让知识图谱成为大模型的伴侣
大型语言模型(LLM)能够在短时间内生成非常流畅和连贯的文本，为人工智能的对话、创造性写作和其他广泛的应用开辟了新的可能性，然而，LLM也有着一些关键的局限性。 知识图谱通过提供结构化的世界知识为语言模型开启了新的推理能力。但是，构建高质量的图谱仍然具有挑战性。这就是数据飞轮的用武之地，通过分析系统交互，不断改进知识图。 这个飞轮过程使得知识图谱和语言模型能够基于来自现实世界使用的反馈进行协同演化。图谱被积极地修改以适应模型的需要。 总之，数据飞轮通过分析系统交互，为知识图谱的持续、自动改进提供了一个支架。 这为依赖于图表的语言模型的准确性、相关性和适应性提供了动力。 6. 小结 人工智能需要结合外部知识和推理，这就是知识图谱的用武之地。 在构建高质量的知识图谱、基准测试、噪音处理等仍然存在着挑战。但是，跨越符号和神经网络的混合技术仍然是前景光明的。随着知识图谱和语言模型的不断发展，它们的集成将开辟了可解释AI 的新领域。
86410编辑于 2024-01-29 - 来自专栏喔家ArchiSelf
在大模型RAG系统中应用知识图谱
【引子】 关于大模型及其应用方面的文章层出不穷，聚焦于自己面对的问题，有针对性的阅读会有很多的启发，本文源自Whyhow.ai 上的一些文字和示例。 对于在大模型应用过程中如何使用知识图谱比较有参考价值，特汇总分享给大家。 在基于大模型的RAG应用中，可能会出现不同类型的问题，通过知识图谱的辅助可以在不同阶段增强RAG的效果，并具体说明在每个阶段如何改进答案和查询。 在某种程度上，一个知识图谱是一个外部数据存储(即外部 LLM 模型) ，它更容易以一致的形式提取(即知识图谱数据能够以一种更模块化的方式插入，播放和删除)。 如果实现了物联网中的数字孪生，知识图谱很可能成为代表这种系统和模型之间的模型个性化的最佳手段。
2.1K21编辑于 2024-02-26 - 来自专栏活动
如何优化知识图谱嵌入模型的训练效率
知识图谱嵌入模型的训练通常涉及到大量的参数和复杂的计算，尤其是在面对海量实体和关系时。因此，优化训练效率不仅能够缩短模型的训练时间，还能提高模型的整体性能。 本文将详细探讨如何优化知识图谱嵌入模型的训练效率，结合实例分析和代码部署过程，展示具体的优化策略。 知识图谱嵌入的基本原理 1 知识图谱的构成 知识图谱由节点（实体）和边（关系）组成。 2 嵌入模型简介 常用的知识图谱嵌入模型包括TransE、TransH、DistMult和ComplEx等。这些模型通过不同的方式将实体和关系映射到低维向量空间中。 优化训练效率的方法 优化知识图谱嵌入模型的训练效率可以从多个方面进行改进： 数据预处理与优化 数据清洗：去除冗余和噪声数据，以减小数据集的规模。 代码部署 环境准备 使用Docker构建一个适合训练知识图谱嵌入模型的环境。
65910编辑于 2024-09-21 - 来自专栏NewBeeNLP
「大模型」之所短，「知识图谱」之所长
01、大语言模型与知识图谱的对比 首先来对比一下大语言模型和知识图谱的优势与劣势。 去年 ChatGPT 问世的初期，还曾有声音说知识图谱已经过时了，将被大模型所替代。 04、知识图谱助力大语言模型能力评测 反过来知识图谱也可以帮助到大模型。 1. 05、知识图谱助力大语言模型落地应用 1. 知识图谱作为外接工具或插件提高大模型生成内容的知识准确性和可解释性 知识图谱辅助大语言模型的另一个方面是可以帮助大模型的落地应用。 事实上，Google 提出知识图谱的初衷便是为了提升其搜索引擎的性能。 2. 知识图谱可以提升大模型生成内容的安全性和一致性 知识图谱还有助于提高大模型生成内容的安全性和一致性。 大模型可以利用知识图谱甄别其中的敏感知识以及相关内容，进而生成更为可靠的答复。 3. 知识图谱可以提升大模型的复杂推理能力 知识图谱亦能提升大规模模型的复杂推理能力。
3.9K10编辑于 2024-05-15 - 来自专栏博文视点Broadview
「大模型」之所短，「知识图谱」之所长
图1是近年来不同的预处理模型的情况，可以看出模型规模呈指数级增长。 而知识图谱则是人工智能领域中用以存储和表示知识的最新的一种方法，目前正驱动这人工智能的进一步发展，也被认为是实现认知智能的核心技术之一。 事实上，对于芸芸众生，这些大模型“可望而不可及”。 甚至于人工智能巨头也没有很好地用上这些大模型。 而以知识图谱为核心的认知智能技术，因加入了“知识”这一人类发展经验的总结，使得能够摆脱“大模型”的缺陷，更适合于在各行各业的实践应用。 内容简介 本书系统全面地介绍了知识图谱的核心技术，既有宏观整体的技术体系，也有关键技术和算法细节，内容包括： 知识图谱模式设计的方法论——六韬法； 知识图谱构建中的实体抽取和关系抽取； 知识存储中的属性图模型及图数据库 知识图谱作为人工智能中知识获取、存储和使用的技术，是弥补深度学习和“大模型”短处的良方，是缝合认知智能前沿技术理论和产业应用的有效方法。
1K20编辑于 2022-06-13 - 来自专栏HuggingFists
大语言模型无代码构建知识图谱概述
由于其在智能问答、翻译以及文本生成等工作任务上的卓越表现，业界一度出现了不再需要发展知识图谱相关技术的观点，知识图谱相关概念严重受挫。 无可置疑的是，大语言模型的确在智能问答等功能上与知识图谱存在交集，并且表现令人惊讶。但由于大语言模型不可避免的“幻觉”问题，使其存在无法给出准确、全面回答的情况，故而无法适应用户全面的场景需求。 由于大语言模型拥有很强的泛化能力，因此其能有效抽取、识别特定领域文档中的实体、属性以及关系知识，可大大降低知识图谱的构建成本。 下面我们将通过一个示例，介绍如何使用大语言模型在无代码的情况下，辅助构建知识图谱。 HuggingFists低代码平台的出现进一步促进了知识图谱构建的效率。它大幅降低了知识图谱构建人员的技术要求，使得从事该工作的人员有了更大的选择范围。
50710编辑于 2024-03-22 - 来自专栏数据派THU
知识图谱嵌入模型 (KGE) 的总结和比较
来源：Deephub Imba本文约2900字，建议阅读5分钟本文介绍了知识图谱嵌入模型的总结与比较。 知识图谱嵌入(KGE)是一种利用监督学习来学习嵌入以及节点和边的向量表示的模型。 以下是常见的KGE 模型在捕获关系类型方面的比较，我们将对这些常见的模型进行比较 翻译距离模型 TransE 提出了一种基于翻译的知识图谱嵌入模型，可以捕获多关系图中的翻译方差不变性现象。 知识图谱中的事实是用三元组 ( h , l , t ) 表示的，transE算法的思想非常简单，它受word2vec平移不变性的启发，希望h + l ≈ t h+l≈th+l≈t。 TransE的伪代码如下： TransE多次在大规模知识图谱方面表现出良好的性能。但是它不能有效地捕获复杂的关系，如一对多和多对多。 ConvE ConvE是第一个使用卷积神经网络(CNN)来预测知识图谱中缺失环节的模型之一。与完全连接的密集层不同，cnn可以通过使用很少的参数学习来帮助捕获复杂的非线性关系。
1.4K20编辑于 2023-04-03 - 来自专栏ceshiren0001
知识图谱与大模型：谁将引领未来发展？
知识图谱查询流程2.大模型在业务系统中的价值与风险大模型（LLM）通过参数化方式内化知识，能快速处理多任务和生成信息。优势：零样本/少样本学习能力：无需大量标注数据即可解决新问题。 迭代成本低：微调和指令调优比知识图谱维护成本低很多。如果你是系统架构师，面对快速迭代的业务场景，知识图谱的维护成本和大模型的灵活性差异非常明显。 4.知识图谱+大模型的实践方案两者并非完全对立，可以形成互补系统：知识增强大模型（Knowledge-EnhancedLLM）：用图谱提供可追踪知识支撑。 检索增强生成（RAG,Retrieval-AugmentedGeneration）：模型生成内容前先查询知识库，降低幻觉风险。闭环更新：大模型辅助知识图谱自动化更新，解决滞后问题。 所以知识图谱是系统的锚，大模型是浪潮。锚让浪潮不失控，浪潮让锚更灵活。
37110编辑于 2025-12-02 - 来自专栏又见苍岚
DE-9IM 空间关系模型
DE-9IM 是Dimensionally Extended 9-Intersection Model 的缩写，直接翻译为 维度扩展的 9 个相交模型，本文记录相关内容。 简介 DE-9IM 是Dimensionally Extended 9-Intersection Model 的缩写，DE-9IM 模型是用于描述两个 二维几何对象（点、线、面） 之间的空间关系的一种模型 维度扩展九交模型（DE-9IM）是一种拓扑模型和标准，用于描述两个区域（二维中的两个几何图形，R2）的空间关系，在几何学、点集拓扑、地理空间拓扑、以及与计算机空间分析相关的领域。 空间关系 模型主要要描述的就是二维平面下的两个几何对象之间的空间关系。 DE-9IM 模型 DE-9IM 模型把几何对象分为 内部、边界、外部 三个部分，两个几何对象这三个部分两两之间的关系，就可以组合为一个3X3大小（就是 9 个值）的矩阵，这9个值的组合，就表示两个几何对象的空间关系
89910编辑于 2024-07-04
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