- 综合排序
- 最热优先
- 最新优先
- 来自专栏钱塘大数据
【图谱】2017中美人工智能产业玩家图谱
本报告旨在呈现一个相对完整的中美人工智能产业玩家图谱。 我们将人工智能行业分为三大层次： 1）基础层：计算能力支撑、数据资源（包括芯片、传感器、云、数据和算法结构） 2）技术层：算法、模型及技术开发（包括语音&声学识别技术、语义识别&分析 、视觉识别技术和AI 平台） 3）应用层：人工智能在各行业的渗透应用（包括医疗健康、无人驾驶、营销、金融、仓储物流等垂直行业应用） 我们的观察 1. 人工智能产业图谱 一、企业分布 1.90%的企业集中于技术层和应用层，基础层门槛高，仅少量企业有能力参与。 2.海外市场进展具有前瞻性意义： a)应用层企业大量聚集，数量占比超70%，企业核心竞争力逐渐从深度开发转向技术产品化。
1.2K100发布于 2018-03-06 - 来自专栏新智元
【重磅】机器智能 2.0 生态图谱
图1展示了机器智能的新图景 虽然有杂乱的夸张宣传（这有时会产生误导），机器智能已经在一些有价值的途径中使用。 自从我去年开始做这个分析，我注意到的两个最大的改变是： （1）实际和虚拟世界里的自动系统的出现； （2）创业公司从构建宽泛的技术平台转型到注重解决特定业务问题。 2. 许多机器智能公司终于明白他们需要说出“解决业务问题”语言。他们将特定业务问题的解决方案打包为一个个产品并以此推销他们自己。 加拿大继续成为机器智能前沿的中心。 机器智能更加……智能。我期望来年会有更多的“魔法”出现。
86780发布于 2018-03-13 - 来自专栏钱塘大数据
【AI图谱】2017中国人工智能产业图谱
企业数据服务商企名片与华兴逐鹿一起，联合多家专业机构，出品《2017年AI图谱大报告》，一起来探究风口中的人工智能。 微信后台回复：“AI图谱”，下载本文图谱 本文从以下四个方面解读关于这些人工智能公司的现状： 1、人工智能企业融资盘点 2、人工智能行业图谱 3、人工智能投资机构TOP10 4、二级市场人工智能简报 一 二、人工智能行业图谱 ▼ ▲ 人工智能行业图谱 绘制：企名片 据企名片大数据服务平台首份AI行业图谱显示：截至2017年3月8日，共有1083家AI企业，这些人工智能公司应用技术多为机器学习、计算机视觉 人工智能媒体：作为大众和从业人员了解人工智能发展状况及趋势的主要途径之一，为人工智能行业的发展起到了积极的推动作用，图谱中收录国内发展发展较好的几家，如AI100、新智元、人工智能学家等。 由以上图谱综合分析可以看出，当前人工智能产业链具有技术驱动型特征，人才成为制约人工智能企业发展的重要因素。
2.1K80发布于 2018-03-06 - 来自专栏企鹅号快讯
人工智能行业图谱分析
人工智能技术平台：此类公司主要专注于“机器学习”、“模式识别”和“人机交互”三项与人工智能应用密切相关的技术，所涉及的领域包括深度学习开源平台、机器学习算法、计算机视觉、自然语言处理、生物识别、机器视觉 巨头们的这一举动进一步降低了人工智能技术的开发门槛，大大加速了人工智能的发展。 人工智能技术平台·自然语言处理：此类公司构建的算法能够处理输入的自然语言,并将其转化为可理解的表达。 人工智能通用应用：此类公司主要将人工智能技术应用于通用领域。典型的就是个人私人助理、Chatbot、机器翻译这类公司。 人工智能行业应用：此类公司主要将人工智能技术应用于具体行业。 人工智能媒体：作为大众和从业人员了解人工智能发展状况及趋势的主要途径之一，为人工智能行业的发展起到了积极的推动作用，图谱中收录国内发展发展较好的几家，如AI100、新智元、人工智能学家等。 人工智能是一个平台级的技术方向,在过去的几十年中持续发展,近些年伴随着互联网和智能终端的发展,人工智能的数据、计算能力、人才储备都得到了极大的提高,发展速度和关注度进一步升级,但技术永远都是为应用服务的
1.2K90发布于 2017-12-29 - 来自专栏机器学习AI算法工程
基于知识图谱的智能问答方案
目前的几种交叉应用如下： 1、利用深度学习来构建知识图谱：利用深度学习来进行实体识别、关系识别等； 2、利用知识图谱来管理数据，深度学习来做特征工程； ? 而在企业智能应用中，因为有了知识图谱，我可以关联相关的数据来探测异常、控制风险等。 ? 之前看到有人说，作为人工智能的产品经理，不能不了解知识图谱。为何知识图谱在人工智能时代如此重要呢？ 2 知识抽取 2.1 结构化数据处理 普遍采用D2R技术把关系型数据库中的数据转换为RDF数据（linked data），D2R主要包括D2R Server，D2RQ Engine，D2RRQ Mapping 基于知识图谱的相关应用大致可以分为搜索、问答、决策、推荐等几种常见的类别，本文主要就年初规划的xx智能问答建设方案，介绍一下基于知识图谱的智能问答，主要分为如下几个方面： 1、人机对话体系结构 2、问答产品知识结构 3、典型的智能问答产品 4、智能问答的关键技术 5、基于知识图谱的智能问答 1、人机对话体系结构 ?
5.2K32发布于 2020-07-14 探索ImmGen:2-T细胞综合图谱
基本介绍 immgen T 开源项目”联合41个实验室，绘制了包含62万余个细胞的小鼠T细胞综合图谱，整合多组学数据揭示了8大类及114个亚群，旨在全面解析T细胞在不同组织和免疫亚群的多样性。 小鼠T细胞综合图谱包括在单细胞水平上进行分析，整合mRNA测序、表面蛋白表达（CITE-seq/TotalSeq）和TCR-V测序（配对α/β链）。 样本信息：包含多个Cluster（如Cluster 1, 2, 3, 4, 5, 7, 9, 10, 12, 13, 14, 15, 16, 17, 18, 20, 21, 22, 23, 25, 28 All（相对于所有细胞） 2. Cluster 1 vs. 单细胞Treg细胞亚群交互模块 Rosetta2浏览器浏览单细胞数 1.在这个界面，选择不同细胞亚群或者不同数据集中单细胞数据，可以在2处进行搜索，3处进行单个数据集的进一步分析。 2.
18110编辑于 2026-01-27＞＞人工智能：知识图谱基础知识
本体知识图谱 本体就是对那些可能相对于某一智能体（agent）或智能体群体而存在的概念和关系的一种描述。 ——汤姆·格鲁伯——《迈向知识共享型本体的设计原则》。 本体从schema的角度来定义（自上向下），而知识图谱其实更强调的是数据层（自底向上）来构建。对于领域或垂直行业的知识图谱，一般都需要有本体层。而实体可以定义为本体的某个概念的实例。 ——王昊奋老师 本体（ontology）主要应用于：人工智能、语义网、软件工程、 生物医学信息学、图书馆学以及信息架构。 openCyc 是一个致力于将各个领域的本体及常识知识综合地集成在一起，并在此基础上实现知识推理的人工智能项目。其目标是使人工智能的应用能够以类似人类推理的方式工作。
81620编辑于 2023-10-10- 来自专栏机器学习与统计学
人工智能工程师学习图谱
“人工智能的关键性问题是其表现形式。” ——杰夫·霍金斯JeffHawkins Apr. 14 2019 + 图片来源: CSDN周雄伟
53840发布于 2019-04-23 - 来自专栏磐创AI技术团队的专栏
知识图谱与机器学习｜KG入门 -- Part2 建立知识图谱
目标 建立了知识图谱理论的基础和讲解如何构建一个知识图谱 细节 解释与企业相关的知识图谱的概念 给出构建成功的企业知识图谱一些建议 展示知识图谱的例子 主要理论 Data Fabric中的fabric是由一个知识图谱构建的 是由知识图谱构成的对象。就像在爱因斯坦的相对论中，时空的连续体(或离散体?)构成了fabric，而在这里，当你创建一个知识图谱时，fabric就形成了。 为了构建知识图谱，你需要链接数据。 第二节 创建一个成功的企业知识图谱 ? 不久前Sebastien Dery写了一篇关于知识图谱挑战的有趣文章。 这是知识图谱形成的方式，也是我们使用本体和语义链接数据的方式。 那么，我们需要什么来创建一个成功的知识图谱呢? 金融机构知识图谱: ?
1K50发布于 2019-08-06 - 来自专栏黄成甲
驾驭未来：知识图谱与工业智能问答
4.知识图谱与智能问答知识图谱与智能问答其实是两个相关的概念，它们都在人工智能领域中扮演着重要的角色。知识图谱是以图形结构表示的知识库，它包含了实体、属性和实体之间的关系。 基于知识图谱的智能问答系统（KBQA）是一种常见的技术路线，它利用知识图谱中的数据进行问题的解析和查询，从而得到准确的答案。知识图谱与智能问答系统的结合可以提高问答系统的准确性和效率。 通过利用知识图谱中的丰富知识和关系，智能问答系统能够更好地理解用户的问题，并给出更准确的答案。同时，知识图谱也可以为智能问答系统提供更多的背景知识和上下文信息，从而提升系统的智能化水平。 （2）深度剖析知识图谱善于挖掘不同知识之间的关联，知识推理有关的很多前沿研究都集中在如何挖掘潜在的关联关系。 （2）避免遗失通过行业知识图谱的即时沉淀，避免知识在企业、组织机构中遗失，并由此为企业带来巨大的价值。通常，企业知识的遗失可以划分为三大类。
1.5K92编辑于 2023-11-10 - 来自专栏有三AI
【知识图谱】知识推理，知识图谱里最“人工智能”的一段
作者&编辑 | 小Dream哥 1 知识推理 刚刚开始接触深度学习的时候，心里一直藏着一个疑惑，即现在的神经网络和反向传播算法为什么会被称为“人工智能”，怎么看，也不过是一种模仿神经学的更为复杂数学模型而已 直到接触到了知识图谱以及今天要介绍的知识推理，才感觉到一些所谓真正“人工智能”的味道。闲话叙毕，现在看看所谓的知识推理，究竟是怎么一回事，有哪些实现方法，进展到了什么样的程度。 2 基于规则的逻辑推理 那么，如何从现有的知识中，推理出来新的知识和结论呢？反应快的同学很快就能想到，可以预先定义好准确的推理规则，然后基于这些规则，基于推普中的知识推导出新的结论和知识。 例如，预先定义好这样的规则： <实体1：老婆：实体2；实体1：妈妈：实体3 推出 实体2：婆婆：实体3 > 进一步细想，有同学可能会觉得这样的方式效率太低。 总结 知识图谱是人工智能技术最重要的基础设施，是计算机能够实现推理、预测等类似人类思考能力的关键。
5.1K10发布于 2019-12-25 - 来自专栏Datawhale专栏
知识图谱的关键技术及其智能应用
THU数据派 来源：专知 随着自然语言处理等相关技术的发展，知识图谱已经成为工业界开展下一代人工智能应用的重要基础。 几周前，北京大学的赵东岩老师，在计算所做了名为《知识图谱的关键技术及其智能应用》的讲座，讲座从知识图谱构建、补全及其人机交互问答等方面系统阐述知识图谱的关键技术方案；并结合北大计算机研究所在这个研究方向上的具体进展 ，以实际应用为背景、探讨如何基于知识图谱实现智能问答等智能应用的技术路线。
1.4K20发布于 2019-10-09 - 来自专栏AI科技大本营的专栏
人工智能的浪潮中，知识图谱何去何从？
近日，AI科技大本营采访到了东南大学教授、博士生导师，东南大学认知智能研究所所长漆桂林。 例如，金融领域中的信用评估、风险控制、反欺诈问题；医疗领域中的智能问诊问题。从通用知识图谱到领域知识图谱，知识图谱开始在越来越广泛、复杂的场景中落地并解决实际问题。 漆桂林简介 漆桂林，东南大学教授，博士生导师，东南大学认知智能研究所所长。现任中国中文信息学会语言与知识计算专业委员会副主任和中国科学技术情报学会知识组织专业委员会副主任。 2006年，漆教授获得英国贝尔法斯特女皇大学计算机博士学位，导师为人工智能界著名专家 Weiru Liu 教授。 目前，漆桂林的研究方向为：知识图谱的表示和推理、通用知识图谱构建、情感分析、智能问答、关系抽取、多模态图像处理。
1.3K60发布于 2019-05-17 Graphiti 为 AI 智能体构建实时知识图谱
Graphiti 是一个框架，用于构建和查询具有时间感知的知识图谱，特别适用于在动态环境中操作的 AI 智能体。 Graphiti 与 Zep 的上下文工程平台 Graphiti 为 Zep 的核心提供支持，Zep 是一个为 AI 智能体提供开箱即用的上下文工程平台。 Zep 提供智能体记忆、图谱 RAG（用于动态数据）以及上下文检索和组装功能。 我们很高兴开源 Graphiti，认为它的潜力远远超出了 AI 记忆应用的范畴。 有关详细的设置说明和使用示例，请参阅MCP 服务器的 README 文件[2] REST 服务 server 目录包含了与 Graphiti API 交互的 API 服务，使用 FastAPI 构建。 References [1] Graphiti 的新 MCP 服务器: https://github.com/getzep/graphiti/blob/main/mcp_server/README.md [2]
42310编辑于 2026-03-13- 来自专栏绿盟科技研究通讯
知识图谱技术如何赋能智能安全运营
尽管不断有新的技术和模型引入，但是实现智能安全运营依旧存在很多难点，例如：1、网络攻击手段的不断进步导致网络威胁评估难度不断增大；2现有安全设备检测网络攻击行为产生的告警数量庞大，如何从海量告警中找到真正的网络攻击是一大难题 二、知识图谱赋能智能安全运营 将知识图谱应用到智能安全运营之前，首先需要明确的是，智能安全运营业务是否需要知识图谱的加入。 搜索领域最早应用知识图谱是为了提供用户想要的内容，让用户找到自己最想要的那种含义，将网页搜索升级为语义搜索[2]。安全运营知识图谱是为了辅助安全运营人员分析和解决安全问题。 研究中依据STIX2.0以及领域专家知识，构建三层安全知识图谱，如图2所示，知识图谱辅助安全事件分析、安全合规标准、APT追踪溯源等实际业务场景所需的数据表示和语义关系,其中,信息层为知识图谱从外界抽取的知识实体 图2 安全知识图谱 合理的设计本体库是图结构设计的关键任务，构建安全运营知识图谱的难点也是在于本体的构建以及其之间的关系挖掘。
1.6K30发布于 2021-03-16 - 来自专栏NLP/KG
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)
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 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 2. 智能问答系统（KBQA）： 基于构建的中式菜谱知识图谱，设计知识库问答KBQA系统，根据提出的和菜品有关的问题，系统自动给出答案，对于无法给出回答的情况系统也能进行回应。 ：中文分词，使用的是jieba 图片 基于构建的中式菜谱知识图谱，针对其中和菜品有关的各类问题，智能问答系统可以给出对应问题的答案。 本项目中的智能问答机器人名为小吃。
1.3K20编辑于 2023-07-10 Netflix 如何用知识图谱解锁娱乐内容智能
Netflix 如何用知识图谱解锁娱乐内容智能 今天的娱乐产业，早已不是单一作品的竞争，而是作品、角色、演员、导演、版权方、发行公司、图书原著、地区市场等多维关系交织而成的复杂网络。 语义连接能力更强 知识图谱让原本分散的数据形成可追踪、可查询的语义网络。 这意味着很多过去需要大量人工联表和规则拼接才能完成的分析，可以更直接地表达和执行。 2. 2. 使用 RDF 三元组进行图存储 Netflix 使用 RDF 三元组作为图数据的基础表达方式。 三元组由主语、谓语、宾语构成，适合表达“某个实体与另一个实体之间有什么关系”。 2. Schema Mapping 将不同来源的数据映射到 Netflix 自己的本体体系中，让各种异构术语和字段进入统一语义框架。 3. 统一之后，谁在受益 Netflix 提到，这套统一知识底座最终服务于多个团队： 数据科学与机器学习团队，用它构建推荐、预测与价值评估模型 分析与商业智能团队，用它做统一口径的趋势分析和报告 战略规划团队
8810编辑于 2026-04-09- 来自专栏网络技术联盟站
什么是人工智能的知识图谱？知识图谱的组成、构建、应用有哪些？
人工智能（Artificial Intelligence，AI）是一种通过计算机模拟人类智能的技术，其应用范围越来越广泛。 知识图谱（Knowledge Graph，KG）则是人工智能技术中的重要组成部分，它是一种结构化的、语义化的知识表示方式，能够帮助计算机理解和处理人类语言。 知识图谱的应用知识图谱可以应用于多个领域，如搜索引擎、智能客服、自然语言处理、数据分析等。以下是几个知识图谱的应用案例：搜索引擎知识图谱可以帮助搜索引擎更好地理解用户的搜索意图，提供准确的搜索结果。 智能客服知识图谱可以帮助智能客服更好地理解用户的问题，并提供准确的解答。 结论知识图谱是人工智能技术中的重要组成部分，它可以帮助计算机更好地理解和处理人类语言，从而实现更智能化的应用。随着人工智能技术的不断发展，知识图谱的应用范围也将越来越广泛。
30.2K02编辑于 2023-05-14 - 来自专栏数据饕餮
知识图谱完整项目实战（附源码）（2）
一、前言 本文是《知识图谱完整项目实战（附源码）》系列博文的第2篇：汽车知识图谱完整项目案例演示，主要介绍汽车领域知识图谱前端界面的功能演示。 与知识图谱结合，可以说是自然语言处理在命名实体识别，就目前阶段而言是最佳选择。 实体查询功能提供了基于知识图谱的前端数据可视化功能，可以直观的显示，与目标实体对象有关系的实体和关系类型。 2.3 关系查询 ? 三、未完待续 本文是《知识图谱完整项目实战（附源码）》系列博文的第2篇：汽车知识图谱完整项目案例演示，主要介绍汽车领域知识图谱前端界面的功能演示。 配套视频内容已同步发布在CSDN学院：《知识图谱完整项目实战（附源码）》
1.8K50发布于 2019-01-14 - 来自专栏机器学习原理
知识图谱（2）——neo4j的用法
先了解各个命令的用法 创建一个节点 CREATE (ee:Person { name: "Emil", from: "Sweden", klout: 99 }) 创建一个节点，三个属性 MATCH (ee:Person) WHERE ee.name = "Emil" RETURN ee; 用于连接节点和关系 创造更多节点
75710发布于 2018-08-27
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