- 综合排序
- 最热优先
- 最新优先
- 来自专栏博文视点Broadview
多模态知识图谱前沿进展
点击“博文视点Broadview”，获取更多书讯 01 多模态简介 1．知识图谱的多模态数据来源 本节探讨多模态知识图谱的问题。 图3 知识图谱的多模态本质 02 多模态的价值与作用 1．模态知识互补 多模态有什么作用呢？首先，不同模态通常包含同一对象不同方面的知识。 图6 利用知识图谱增强多模态任务 03 多模态知识图谱举例 有关多模态知识图谱的研究由来已久。 图14 基于多模态知识图谱的推荐 05 多模态知识图谱总结 知识图谱是链接数据（Linked Data）的概念，本来就是多模态的，现有很多商用知识图谱都已经通过知识图谱将各种模态的数据进行关联，并提供了多模态语义搜索能力 多模态知识图谱有很多值得深入研究的方向，例如：多模态关系预测与推理、多模态知识问答、多模态实体对齐与实体链接、多模态推荐计算等。
1.6K20编辑于 2023-05-06 - 来自专栏一点人工一点智能
多模态知识图谱前沿进展
01 多模态简介 1．知识图谱的多模态数据来源 本节探讨多模态知识图谱的问题。前面曾多次提到，知识图谱的数据来源不仅仅是文本和结构化数据，也可以是图片、视频和音频等视觉或听觉形式的数据。 图3 知识图谱的多模态本质 02 多模态的价值与作用 1．模态知识互补 多模态有什么作用呢？首先，不同模态通常包含同一对象不同方面的知识。 图6 利用知识图谱增强多模态任务 03 多模态知识图谱举例 有关多模态知识图谱的研究由来已久。 图14 基于多模态知识图谱的推荐 05 多模态知识图谱总结 知识图谱是链接数据（Linked Data）的概念，本来就是多模态的，现有很多商用知识图谱都已经通过知识图谱将各种模态的数据进行关联，并提供了多模态语义搜索能力 多模态知识图谱有很多值得深入研究的方向，例如：多模态关系预测与推理、多模态知识问答、多模态实体对齐与实体链接、多模态推荐计算等。
1.6K20编辑于 2022-12-27 - 来自专栏NewBeeNLP
他山之石 | 阿里多模态知识图谱探索与实践
在过去的几年间，我们团队一直致力于探索知识图谱在新零售问答和直播场景的应用，提出了阿里小蜜新零售多模态知识图谱AliMe MKG（AliMe指图谱建设时期团队的名称阿里小蜜，MKG是多模态知识图谱的缩写 本次报告将介绍过去一年多我们在多模态知识图谱方面的探索与实践工作，主要分为以下三个方面： AliMe MKG的业务背景 AliMe MKG的建设与应用 多模态知识挖掘技术探索 01 AliMe MKG 这个背景促使我们去构建一个面向直播的多模态知识图谱。 2. 多模态知识图谱 那么，直播场景下到底需要一个什么样的多模态知识图谱？我们可以先拆解一下主播是如何播报商品的。 ，我们把知识图谱逐步扩展到包含句子知识和多模态知识的图谱。 多模态类型知识挖掘 多模态知识挖掘，主要指实例层中红框标注的图片知识和视频知识挖掘。其中图片挖掘的数据源主要来自商品详情图，视频挖掘的数据源主要来自淘宝真人直播的视频片段。
1.7K30编辑于 2022-11-11 - 来自专栏我爱计算机视觉
EMNLP 2021-多模态Transformer真的多模态了吗？论多模态Transformer对跨模态的影响
Motivation 视觉语言BERT模型扩展了BERT架构，以生成多模态输入的跨模态上下文表示。当对一系列下游任务进行微调时，这些模型已被证明是非常有效的。 如果测试过程中，去除某个模态的信息，对最终结果影响很大，那这个模态在最终预测的时候就是有用的；否则这个模态就是没用的。 多模态模型在预测时使用由多模态输入触发的跨模态激活。 这是原始的多模态设置，因此，有效使用多模态信息的模型应该表现最好。 Object： 在这里，作者只删除与对齐的文本短语相对应的图像区域，该模型仍然可以使用周围的视觉上下文特征 。 测试的模型显示了vision-for-language，而不是language-for-vision的结果，这一事实可能是多模态任务的积累，因为一些下游多模态任务需要强烈的 vision-for-language ▊ 作者简介 研究领域：FightingCV公众号运营者，研究方向为多模态内容理解，专注于解决视觉模态和语言模态相结合的任务，促进Vision-Language模型的实地应用。
2.5K20发布于 2021-09-28 - 来自专栏一点人工一点智能
基于LEBERT的多模态领域知识图谱构建
基于LEBERT的多模态领域知识图谱构建. 本文提供了一种多模态领域知识图谱的构建方法，以解决计算机学科领域知识体系庞大分散的问题。首先，通过爬取计算机学科的相关多模态数据，构建了一个系统化的多模态知识图谱。 多模态知识图谱是将多模态信息引入到知识图谱的一种技术[7]，它在研究文本关系三元组的基础上，构建跨模态的实体以及语义关系，极大丰富了只包含文本信息的传统知识图谱。 上述为通用多模态知识图谱的发展历程。随着通用多模态知识图谱的发展，越来越多的领域专家开始尝试将多模态技术应用于领域知识图谱，例如多模态教学知识图谱[2]、多模态医学知识图谱[18]等。 03 多模态领域知识图谱构建本文中多模态领域知识图谱的构建步骤包括知识获取、知识抽取、实体链接、知识存储等。
5.4K41编辑于 2023-01-05 - 来自专栏NewBeeNLP
复旦大学：多模态知识图谱最新综述
作者 | 上杉翔二 悠闲会 · 信息检索 整理 | NewBeeNLP 本篇博文梳理一篇knowledge-based方向的文章，结合了多模态知识的多模态知识图谱。 多模态知识图谱的好处 MMKG提供了足够的背景知识来丰富实体和概念的表示，特别是对于长尾问题，引入辅助的常识知识可以增强图像和文本的表示能力。 MMKG能够理解图像中不可见的物体。 多模态知识图谱构建 MMKG构建需要将普通KG中的符号知识(包括实体、概念、关系等)与图像关联起来。MMKG按类型可分为两种，A-MMKG和N-MMKG。 多模态知识图谱应用 应用任务主要分为in-KG和out-of-KG。 多模态知识图谱开放问题 作者主要提了以下未来的开放性问题： 复杂符号知识定位（Grounding Complex Symbolic Knowledge Grounding）。
4.6K60编辑于 2022-06-06 腾讯云编辑灵核EditCore：重构传媒采编工作流与多模态内容生产中枢
同时，在垂直领域的专业知识沉淀上，缺乏有效的多模态知识活化手段，新员工需要耗费大量时间熟悉业务规范与行业背景，导致机构内部的人力培养成本居高不下，且难以快速响应突发热点事件。 部署多角色智能体矩阵与自动化视频生产流水线 为解决内容生产体系的运转迟缓问题，腾讯云传媒物联与新文创业务中心推出了“编辑灵核EditCore”媒体采编业务智能中枢。 Giga视频超级工厂： 提供从文本知识化入库、镜头理解、脚本生成到智能剪辑的多模态转换流水线。 知识具象化降低培训周期： 在ADP的RAG（检索增强生成）知识网络支撑下，垂直领域的行业知识实现高效流转，使新员工的业务培训周期从原有的 3周大幅缩短至3天。 依托腾讯混元基座与企业级生态构筑技术壁垒 该智能中枢之所以能够实现开箱即用的行业级落地，核心在于确立了底层模型与生态协同的技术确定性： 原生协作SaaS接入： 腾讯协作SaaS已全部接入腾讯混元大模型，
8310编辑于 2026-04-26- 来自专栏图与推荐
2024 最新综述 | 当知识图谱遇上多模态学习
（KG4MM），探讨知识图谱如何支持多模态任务；二是多模态知识图谱（MM4KG），研究如何将知识图谱扩展到多模态知识图谱领域。 作者从定义KGs和MMKGs的基本概念入手，继而探讨它们的构建和演化，涵盖知识图谱感知的多模态学习任务（如图像分类、视觉问答）及固有的MMKG构建内部任务（如多模态知识图谱补全、实体对齐）。 & Disambiguation) MMKG推理 (MMKG Inference) 多模态知识图谱补全 (Multi-modal Knowledge Graph Completion) 多模态知识图谱推理 当前的研究基于一个乐观的假设，即一个无限扩展的MMKG可以包含几乎完整的相关世界知识谱系，提供解决所有多模态挑战所需的必要信息。然而关键问题始终存在：我们如何获得理想的多模态知识？ 这种混合方法的优势是双重的：它扩大了图像数量的覆盖范围（第一种范式），还融入了第二种范式特有的广泛知识规模，这可以促进大规模、三元组级别的多模态信息生成，为未来在多模态实体对齐和MMKG驱动的应用（如MLLM
2.1K20编辑于 2024-02-27 AI驱动企业知识中心：解决多模态知识处理与业务效率瓶颈
人机协同：依托腾讯云智能体开发平台（基于大模型的应用开发平台），支持应用全生命周期管理（开发、调试、评测、发布、运营），集成知识引擎、多模态检索、丰富插件（140+插件覆盖知识问答、图片理解等场景）及安全合规体系 平台核心能力包括： 全链路多模态知识处理：解析（OCR大模型支持200MB以上超大文档、覆盖26类文档，准确率较传统解析提升30%）+切分（业内首个语义切分大模型，回答完整性提升20%）+检索（Embedding 模型支持文搜图、图搜图）+推理生成（多模态大模型理解图文表关系）。 量化应用效果与客户价值提升 知识处理效率：文档解析准确率提升30%，语义切分模型回答完整性提升20%；OCR大模型支持复杂排版（多列图文混排、公式/页眉识别），覆盖文档类型超业内2倍。 （注：材料中未提供客户证言，故省略引用部分） 选择腾讯云的核心理由 技术确定性：全链路解决多模态知识处理难题，OCR大模型、语义切分、多模态检索等能力业内领先（如支持200MB超大文档、26类文档解析
22320编辑于 2026-04-03- 来自专栏NewBeeNLP
2024 最新综述 | 当知识图谱遇上多模态学习
（KG4MM），探讨知识图谱如何支持多模态任务；二是多模态知识图谱（MM4KG），研究如何将知识图谱扩展到多模态知识图谱领域。 作者从定义KGs和MMKGs的基本概念入手，继而探讨它们的构建和演化，涵盖知识图谱感知的多模态学习任务（如图像分类、视觉问答）及固有的MMKG构建内部任务（如多模态知识图谱补全、实体对齐）。 & Disambiguation) MMKG推理 (MMKG Inference) 多模态知识图谱补全 (Multi-modal Knowledge Graph Completion) 多模态知识图谱推理 当前的研究基于一个乐观的假设，即一个无限扩展的MMKG可以包含几乎完整的相关世界知识谱系，提供解决所有多模态挑战所需的必要信息。然而关键问题始终存在：我们如何获得理想的多模态知识？ 这种混合方法的优势是双重的：它扩大了图像数量的覆盖范围（第一种范式），还融入了第二种范式特有的广泛知识规模，这可以促进大规模、三元组级别的多模态信息生成，为未来在多模态实体对齐和MMKG驱动的应用（如MLLM
1.7K10编辑于 2024-03-06 - 来自专栏存内计算加速大模型
腾讯发表多模态综述，什么是多模态大模型
在本文中，追踪多模态大模型最新热点，讨论多模态关键技术以及现有在情绪识别上的应用。 ，并且提供了现有主流的 26 个多模态大模型的简介，总结了提升多模态大模型性能的关键方法，多模态大模型脱胎于大模型的发展，传统的多模态模型面临着巨大的计算开销，而 LLMs 在大量训练后掌握了关于世界的 “先验知识”，因而一种自然的想法就是使用 LLMs 作为多模态大模型的先验知识与认知推动力，来加强多模态模型的性能并且降低其计算开销，从而多模态大模型这一“新领域”应运而生。 多模态大模型的整体架构可以被归类为如下图的五个部分，整个多模态大模型的训练可以被分为多模态理解与多模态生成两个步骤。 多模态理解包含多模态编码器，输入投影与大模型主干三个部分，而多模态生成则包含输出投影与多模态生成器两个部分，通常而言，在训练过程中，多模态的编码器、生成器与大模型的参数一般都固定不变，不用于训练，主要优化的重点将落在输入投影与输出投影之中
5.7K13编辑于 2024-05-14 agent多模态学习
记忆 (Memory)：存储对话历史、长期知识和任务状态。 编排层 (Orchestration)：管理 Agent 的“思考-行动-观察”循环。 二、多模态 Agent 的整体架构 一个完整的多模态 Agent 系统通常包含以下层次，其数据流如下： 用户多模态输入 → 多模态感知层 → 意图理解与规划层 → Agent 协作层 → 工具/环境交互层 四、多模态意图理解与任务规划 4.1 多模态意图识别 多模态意图识别旨在从用户的文本、图像、语音等多种输入中，准确判断其核心需求。 多模态分类模型：训练一个分类器，输入为多模态特征，输出为意图标签。 LLM 直接判断：利用 GPT-4V 等具备视觉能力的模型，直接分析多模态输入并输出意图。 6.3 工具类型与应用 信息检索工具：如 Web 搜索、知识库查询 (RAG)，用于获取实时或私有信息。 行动执行工具：如调用 CRM、ERP 等业务系统 API，执行创建工单、发送通知等操作。
54610编辑于 2026-01-15- 来自专栏机器之心
剑桥团队开源：赋能多模态大模型RAG应用，首个预训练通用多模态后期交互知识检索器
机器之心专栏 机器之心编辑部 PreFLMR模型是一个通用的预训练多模态知识检索器，可用于搭建多模态RAG应用。 图 1：GPT4-Vision 在 PreFLMR 多模态知识检索器的帮助下可以获得相关知识，生成正确的答案。图中展示了模型的真实输出。 多模态知识提取器的知识 “召回能力” 直接决定了大模型在回答推理时能否获得准确的专业知识。 尤其是在多模态任务中，用户的问询（Query）包含复杂场景信息，压缩至一维向量极大抑制了特征的表达能力。PreFLMR 继承并改进了 FLMR 的结构，使其在多模态知识检索中有得天独厚的优势。 3.PreFLMR 能够根据用户输入的指令（例如 “提取能用于回答以下问题的文档” 或 “提取与图中物品相关的文档”），从庞大的知识库中提取相关的文档，帮助多模态大模型大幅提升在专业知识问答任务上的表现
1.8K11编辑于 2024-03-26 - 来自专栏CSDN社区搬运
多模态COGMEN详解
在本文中，我们提出了基于 COntex- tualized Graph Neural Network的多模态情感识别COGMEN）系统，该系统利用了本地信息（即说话人之间的内/外依赖性）和全局信息（上下文 “iemocap_4” --modalities=“atv” 部署方式 下载我训练好模型，以及数据集，附件里有data，modelcheckpoint文件夹，分别替换代码中的文件夹即可，我对每个单独的模态都有训练
33110编辑于 2024-12-05 【多模态大模型】
多模态大模型的核心能力 多模态大模型通过融合视觉、听觉、文本等多维度数据实现综合理解与生成。典型应用包括： 图像到文本：识别图片内容并生成描述、广告文案或诗歌。 跨模态检索：根据文本搜索相关图像/视频，或反之。 代表模型如GPT-4V（视觉增强版）、通义千问多模态版、文心一言（ERNIE-ViLG）均支持此类任务。 多模态对齐：模型将图像特征与文本语义空间对齐，生成候选描述。 输出优化：通过强化学习调整生成文本的流畅性与吸引力。 模型训练与优化要点 数据准备：需对齐的多模态数据集（如COCO-Captions、AudioSet）。 多模态大模型的应用需结合具体场景调整输入预处理与后处理逻辑，以达到最佳效果。
34110编辑于 2026-01-20- 来自专栏AI知识管理
一款多模态无监督泛领域AI知识引擎
我们正在随波逐流但却另辟蹊径地向所有领域的政企用户推出我们的新作:”文昕”，一款多模态开放域的无监督自动构建的语义知识引擎技术和平台系列产品。 诸多政企用户拥有大量的非结构化半结构化多模态数据，我们用”泛知识图谱”核心技术为广大用户提供知识萃取服务，在云计算的算力加持下，我们的知识再造亦变得轻而易举。 技术角度：文昕(TextLink)是一款基于人工智能的泛领域无监督多模态知识引擎，通过大量自然语言处理算法和知识图谱技术来实现泛领域语义知识图谱自动构建的知识结构化的智能工具。 ：知识理解-知识表示-知识挖掘-知识再造。 图片价值角度：文昕(TextLink)实现的决不仅仅是传统意义上的知识管理解决方案，更是知识在多模态数据中的本质穿透、知识的高度结构化图形阅读模式、垂直领域全库全网的知识超链、全景知识画像、基于AI的知识协同能力等在业界领先的知识萃取的全新价值
72400编辑于 2022-09-13 - 来自专栏多模态视频理解
多模态算法综述
在UCF101数据集上达到了87%的准确率图片（2）Beyond Short Snippets: Deep Networks for Video Classification，尝试了多种多帧帧见融合策略如 自注意力至此视频理解算法演进到了Transformer的自监督网络架构，Transformer有两个优势，（1）更强的网络表征能力，（2）更容易设计自监督的训练任务，从而可以更有效的利用无标注数据，同时也更加注重多模态的内容理解 Vision-language Understanding with Contrastive Learning图片ALBEF包含一个图像编码器（ViT-B/16），一个文本编码器（BERT的前6层），以及一个多模态编码器 、多模态预训练方面提供大量的帮助，也给后来的文章提供了崭新的思路BLIP（Bootstrapping Language-Image Pre-training for Unified Vision-Language BLIP采用了判断-生成任务的MED，可以作为单模态编码器，基于图像的文本编码器解码器采用了CapFilt的训练方法，降低噪声图文pair对训练造成的影响图片Mult-streamMult-stream
3.2K30编辑于 2022-07-12 - 来自专栏一点人工一点智能
多模态认知计算
进而，根据机器对多模态信息的认知模式，从多模态关联，跨模态生成和多模态协同这 三个方面对现有方法进行了梳理与总结，系统地分析了其中的关键问题与解决方案。 作为多模态认知计算的三条主 线，多模态关联，跨模态生成和多模态协同是提升机器认知能力的有效途径，已成为国内外科研人员密切关注的研究热点。 本文的组织框架如下：第二节，介绍了多模态关联任务的发展现状，分为多模态对齐，多模态感知和多模态检索三个部分，并进行分析与讨论；第三节，介绍了跨模态生成任务中的跨模态合成和跨模态转换方法，并进行分析与讨论 本节从多模态对齐，多模态关联和多模态检索三方面阐述多模态关联相关工作。其中，多模态对齐是一类基础性需求，如图像区域内容和文字词汇的语义对齐，视觉唇部运动与语音声素之间的时间对齐等。 在对齐的基础上，通过最大化模态间关联满足多模态感知，检索等实际任务需求. 03 跨模态生成 正常状态下，人类的多通道感知和中枢思维系统使其具有天然的跨通道推理和生成能力。
96130编辑于 2022-12-27 - 来自专栏素质云笔记
多模态＋Recorder︱多模态循环网络的图像文本互匹配
为了验证提出的选择式多模态循环神经网络的有效性，我们测试了该模型衍生出的多种网络结构，并在两个公开多模态数据库(Flickr30k和Microsoft COCO)上与当前最好方法进行了对比。 所提出的选择式多模态循环网络是一个动态模型，在每一时间步，它利用基于上下文的多模态注意机制选择图像文本中语义上相同的目标和词语，并计算其相似性作为图像文本的局部相似性，然后进行序列化融合得到全局相似性。 考虑到草图与自然图像可能存在多视角的特征表达，且不同的视角作用差异较大，我们提出了一种基于视角选择的多视角跨模态匹配算法。 我们在两个经典的细粒度草图-图像数据集上进行了大量的实验，结果表明所提出的方法可以有效利用多模态多视角特性并提升检索性能。 多模态搜索 网络上充斥着来自不同数据源的多模态多媒体数据；因此，亟需能够适应各种模态的信息检索系统，例如，在搜索“Dunkirk”电影时，应返回影评的相关文本数据、包含相关视频片段的视频数据、以及相关音频数据
2.8K20发布于 2019-05-26 - 来自专栏活动
如何使用多模态知识图谱嵌入：整合图像与文本
多模态知识图谱嵌入的目标是将不同模态（如文本和图像）信息整合到一个统一的向量空间中，既能保留知识图谱的结构信息，又能利用非结构化数据的潜在信息。 多模态知识图谱的概念多模态数据的定义多模态数据是指同时包含多种数据类型（如文本、图像、音频等）的信息。在知识图谱中，实体可能会有图像描述和文本描述，这些信息可以用来增强嵌入表示。 多模态知识图谱的构建多模态知识图谱的构建需要整合来自不同来源的信息。例如，可以通过图像识别技术提取图像特征，通过自然语言处理技术提取文本特征，然后将这些特征与知识图谱中的实体和关系进行关联。 应用于不同领域多模态知识图谱嵌入在特定领域的应用研究将是未来的重要方向。 实时更新的多模态知识图谱可以更好地适应快速变化的现实世界，为下游应用提供更及时和准确的信息。
2.5K21编辑于 2024-09-24
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