- 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。 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。 3. 中国市场仍在逐渐成形过程中： a) 应用层企业尚未大规模聚集，数量占比约50%。 2.中国巨头投资和并购布局相对缓慢，仅完成接近海外巨头1/3的数量，以前期投资为主，金额较小；它们最关注的是海外优质标的。
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
一年之前，我发表了我第一次尝试比对整体机器智能生态系统的图景。自从那以后发生了很多事情。我花了一年时间研究每个公司和所有我能找到的信息、与成百上千的与机器智能相关的学术界、企业界和投资商聊天。 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。 许多机器智能技术将会从监管灰色区域开始转变商业世界。 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
3、用符号表达知识图谱，利用深度学习对符号化的知识图谱进行学习将知识图谱的语义信息输入到深度学习模型中，将离散化的知识表示为连续化的向量，从而使得知识图谱的先验知识能够称为深度学习的输入； 4、利用知识作为优化目标的约束 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？ 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 ? 3、典型的智能问答产品 苹果 Siri Siri 作为 iPhone 4S 推出时的一个亮点特征，定位是语音个人助理。在推出之时，引起了极大的轰动。 除了语义理解，这里需要强调的是：对于 Echo 音箱的交互，是采用远场（通常 3-5 米）沟通的。
5.2K32发布于 2020-07-14 - 来自专栏数据饕餮
知识图谱实战开发案例剖析（3）：知识图谱典型应用
一、前言 这是系列博文《知识图谱实战开发案例剖析》第1部分：知识图谱基础，第3节：知识图谱典型应用。该系列内容同时已经录制成视频课程，感兴趣的可以访问网易云课堂。 二、正文 2.1 知识图谱典型应用场景 ? 2.2 知识图谱应用最佳实践 2.2.1 语义理解 ? 2.2.2 智能搜索 ? 2.2.3 智能问答机器人 ? 2.2.4 辅助诊断 ?
1.3K30发布于 2019-01-14 ＞＞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 - 来自专栏黄成甲
驾驭未来：知识图谱与工业智能问答
3.什么是知识图谱？知识图谱就是描述真实世界存在的实体，并且和这些实体之间的一些关系，它与互联网不同的点在于，我们都知道互联网是网页跟网页之间的相互连接，实际上是通过字符串连接的。 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。 应用行业知识图谱，很有可能在某些点上对管理者加以提示，使其考虑得更为周全和深远一些，因此避免重大失误，实现持久的竞争力，并由此带来巨大的价值。3.
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。 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。 3 基于概率模型的推理 前面提到，一方面，现有的NLP技术还很难准确的将自然语言表达成确定性的推理需求；另一方面，现实世界本身的不确定性，决定了很多问题无法使用确定性的推理技术进行回答。 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。 知识图谱在信息检索中被广泛应用。Graphiti 的独特之处在于，它能够自主构建知识图谱，同时处理关系的变化并维护历史上下文。 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。 更多信息请参考server[3]中的 README 文件。 可选环境变量 除了 Neo4j 和 OpenAi 兼容的凭证外，Graphiti 还提供了几个可选的环境变量。
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
；3、由于攻击手段的多样性和复杂性以及数据采集等导致的攻击链路断裂，无法锁定该攻击行为的上下文。 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。 《AISecOps 智能安全运营技术白皮书》[3]中智能安全运营前沿技术图谱就提到了知识图谱在安全运营中的作用，其指出超融合知识图谱是运营数据关联分析、智能决策、行动响应的重要数据基础设施。 图1智能安全运营前沿技术图谱[3] 智慧安全知识图谱[1]（Intelligent Cyber Security Knowledge Graph）是知识图谱在网络安全领域的实际应用，包括基于本体论构建的安全知识本体架构 fr=aladdin [3] 《AISecOps 智能安全运营技术白皮书》, http://blog.nsfocus.net/wp-content/uploads/2020/12/AISecOps_White_Paper_NSFOCUS
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 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。 本项目中的智能问答机器人名为小吃。 3: 锅中加适量清水，水烧开后将黄豆芽放入锅中，再放少许盐。待黄豆芽煮熟捞出放入大碗内。
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。 3. 对新业务变化更敏捷 娱乐产业本身变化很快，新内容形态、新元数据、新关系类型会持续出现。 如果每次变化都需要改数据库结构、重写 API、重建下游逻辑，响应速度会很慢。 3. 统一访问与多源集成能力 当数据被组织成知识图谱后，同一份底层知识可以根据不同场景生成不同视图。 3. Normalization 对格式、单位、命名和关系表达做标准化处理，消除不同来源之间的差异。 4. 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- 来自专栏生信菜鸟团
资源 | 人类生物分子图谱计划（HuBMAP）：3D人体参考图谱的构建与使用
and usage 中文标题：人类生物分子图谱计划（HuBMAP）：3D人体参考图谱的构建与使用 发表日期：13 March 2025 文章类型：Resource 所属期刊：Nature Methods 人类参考图谱（HRA）包括一个通用坐标框架（CCF；参见框1），该框架有助于协调多模态数据，包括三维（3D）器官模型、组织学图像和来自单细胞分析的组学数据。 为了推进CCF的发展，在2020年3月，美国国立卫生研究院（NIH）和人类细胞图谱（HCA）联盟组织了一次与CCF分组会议联合举行的虚拟会议。 这导致了HRA工作组（WG）的成立。 Para_03 HRA 来源图谱跟踪所有 HRA DO（使用 DCAT（https://www.w3.org/TR/vocab-dcat）标准术语组织数据目录和 W3C-Prov（https://www.w3 , Para_04 目前，HRA知识图谱和API驱动了HuBMAP、SenNet、GUDMAP、GTEx数据门户以及CZ CellGuide中的不同2D和3D用户界面。
74110编辑于 2025-04-11 - 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）（3）
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3篇：汽车知识图谱系统架构设计，主要介绍汽车领域知识图谱系统的总体架构设计和关键技术。 基于这样的一个原因考虑，结合自身工程实践的过程，才有了这样一个课程，希望能够对渴望知识图谱能力进阶的人有所裨益。 二、正文 2.1 汽车知识图谱总体设计 ? 2.2 汽车知识图谱关键技术 知识图谱的关键技术可以从知识的来源进行区分，包括知识获取对应网络爬虫，ETL工具；知识存储对应图数据库；知识图谱可视化对应数据可视化分析工具等。 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3篇：汽车知识图谱系统架构设计，主要介绍汽车领域知识图谱系统的总体架构设计和关键技术。 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）》，敬请关注。
2.6K31发布于 2019-01-14 - 来自专栏数据派THU
当可解释人工智能遇上知识图谱
随着人工智能的发展，知识图谱开始应用于更多的场景，关注度不断攀升，成为认知智能领域的核心技术之一。最重要的是，知识图谱逐渐成为人工智能应用的强大助力。 对比通用知识图谱，随着人工智能在细分以及新兴领域上的应用，专业型知识图谱越来越受到重视。 对比右图，人工智能模型借助医疗生物领域知识图谱，例如基于路径得出的解释，显然比左图更容易理解、更有说服力。 决策树解释vs知识图谱解释 对于知识图谱在可解释人工智能上带来的优势，以及它们当前方法理论、限制以及机遇，Freddy Lecue博士在2020年的论文On the role of knowledge 例如这里路径S3最高分。
1.6K20编辑于 2023-03-29
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