- 综合排序
- 最热优先
- 最新优先
- 来自专栏bit哲学院
知识推理
参考链接： 从列表中移除满足Java中给定谓词元素 目录 本体知识推理简介与任务分类 OWL本体语言 知识推理任务 OWL本体推理 实例化(materialization)的一个例子: 本体知识推理简介与任务分类 OWL本体语言 OWL本体语言 是知识图谱语言中最规范,最严谨,表达能力最强的语言 基于RDF语法,使表示出来的文档具有语义理解的结构基础 )最基本的元素:概念、关系和个体 2)TBox术语集 (概念术语的公理集合) 3)ABox断言集 (个体的断言集合) 4)TBox和ABox上的推理机制 不同的描述逻辑系统的表示能力与推理机制由于对这四个组成部分的不同选择而不同 推理就是通过各种方法获取新的知识或者结论,这些知识和结论满足语义。 RDFox略有不同是因为Drools只进行规则推理 实践展示: 使用Jena进行知识推理 使用Jena完成示例图谱知识上的上下位推理、缺失类别补全和一致性检测等 构建本体 其本质上就是
2.4K00发布于 2020-12-13 - 来自专栏TechLead
知识推理技术解析
这种技术基于一系列成熟的理论和方法，从传统的符号逻辑推理发展到现代的图谱推理和机器学习融合方法。知识推理不仅涉及知识的有效表示和存储，还包括如何通过逻辑运算对这些知识进行处理和推导出新的知识。 二、知识推理基础 知识推理，作为人工智能领域的一个关键方向，致力于模拟人类的逻辑思维过程，以便从已有的知识中推导出新的知识或结论。 本部分旨在深入探讨知识推理的基础，包括知识的表示方法和推理机制，这些构成了知识推理系统的核心。 知识表示方法 知识表示是知识推理过程中的第一步，其质量直接影响到推理系统的效率和效果。 在知识表示方面，图形数据库能够有效地支持复杂的推理任务。 推理机制概述 知识表示为推理提供了基础，而推理机制则定义了如何利用这些知识解决实际问题。以下是几种主要的推理机制。 通过定义特定的查询语句或推理规则，可以从知识图谱中抽取有价值的信息，或者推导出新的知识。 推理算法深度分析 推理算法是知识推理过程中的关键，它决定了推理的效率和效果。
90910编辑于 2024-03-13 - 来自专栏JadePeng的技术博客
知识图谱推理与实践(3) -- jena自定义builtin
getName() { return "semsim"; } @Override public int getArgLength() { return 3; reasoner.bind(myMod.getGraph()); infgraph.setDerivationLogging(true); System.out.println("推理后
1.2K31发布于 2020-02-18 - 来自专栏CSDN社区搬运
知识图谱推理(论文复现)
论文概述 本研究专注于基于图神经网络（GNN）的知识图谱推理，特别关注了传播路径的应用与优化。在智能问答和推荐系统等领域，知识图谱推理具有关键作用，但传统GNN方法在效率和准确度方面存在局限。 这一发现不仅突显了AdaProp在知识图谱推理中的潜力，也为该领域的未来研究和应用提供了新的方向。 AdaProp的成功实现在理论和实践层面上都为知识图谱推理开辟了新的可能性，强调了自适应传播策略的重要性。 与传统方法的比较 在知识图谱推理领域，传统的方法如全传播、渐进式传播和受限传播都各自有优势和局限。提出的AdaProp方法在效率和性能上对这些传统方法进行了显著的优化。 /transductive/data文件夹下 3 .实验步骤 step1:安装环境依赖 torch == 1.12.1 torch_scatter == 2.0.9 numpy == 1.21.6
35910编辑于 2024-11-13 人工智能之知识处理 知识推理 第一章 知识表示与推理的核心基础
人工智能之知识处理第一章知识表示与推理的核心基础@TOC前言欢迎来到知识推理的世界。 3.大模型时代：生成式推理的爆发（2020年代至今）大语言模型的涌现能力：GPT-4等模型展示了惊人的推理能力，它们通过海量文本训练，隐式地学习了世界知识。 ]P2[第二阶段：核心技术]-->|内容|C2[知识图谱构建、本体语言OWL
图数据库Neo4j实战]P2-->|目标|T2[掌握结构化知识的处理]P3[第三阶段：推理进阶]-->|内容|C3[ 演绎推理/归纳推理、推理算法
路径查找/规则挖掘]P3-->|目标|T3[学会如何推导新知识]P4[第四阶段：融合应用]-->|内容|C4[神经符号AI、大模型+知识图谱
Python代码实战 ：输入规则engine.add_rule("天空是乌云","可能会下雨")engine.add_rule("可能会下雨","出门带伞")#3.知识推理：引擎运行engine.reason()代码解读：这段代码模拟了最基础的前向推理55310编辑于 2026-04-05- 来自专栏JadePeng的技术博客
知识图谱推理与实践 (2) -- 基于jena实现规则推理
本章，介绍 基于jena的规则引擎实现推理，并通过两个例子介绍如何coding实现。 规则引擎概述 jena包含了一个通用的规则推理机，可以在RDFS和OWL推理机使用，也可以单独使用。 推理机支持在RDF图上推理，提供前向链、后向链和二者混合执行模式。包含RETE engine 和 one tabled datalog engine。 a)] 规则推理demo1--喜剧演员 例如，在一个电影知识图谱里，如果一个演员参演的电影的类型是喜剧片，我们可以认为这个演员是喜剧电影 推理规则： [ruleComedian: (? 规则推理demo2 -- 关联交易 我们再来看上一篇文章中提到的那个金融图谱： ? ： 1) 执掌一家公司就一定是这家公司的股东； 2) 收购一家公司，就是这家公司的股东 3) 某人同时是两家公司的股东，那么这两家公司一定有关联交易； 用jena规则来表示： [ruleHoldShare
4.6K30发布于 2020-02-18 - 来自专栏JadePeng的技术博客
知识图谱推理与实践（1）
由于工作原因，需要在系统里建立图谱推理功能，因此简单学习了浙江大学 陈华钧教授 知识图谱导论课程课件，这里记录下学习笔记。 知识图谱推理的主要方法 • 基于描述逻辑的推理（如DL-based） • 基于图结构和统计规则挖掘的推理（如： PRA、 AMIE） • 基于知识图谱表⽰学习的推理（如： TransE） • 基于概率逻辑的 ⽅法（如： Statistical Relational Learning） 基于符号逻辑的推理——本体推理 传统的符号逻辑推理中主要与知识图谱有关的推理手段是基于描述逻辑的本体推理。 被称之为公理 (Axiom) 3) ABox断言集 (个体的断言集合) --具体个体的信息 ABox包含外延知识 (又称断言 (Assertion))，描述论域中 的特定个体 4) TBox和ABox 推理就是通过各种方法获取新的知识或者结论，这些知识和结论满足语义。 OWL本体推理 可满足性 本体可满足性： 检查一个本体是否可满足，即检查该本体是否有模型。
3.5K40发布于 2020-02-18 - 来自专栏机器学习AI算法工程
知识图谱中的关系推理
关系推理 就我的理解而言，虽然目前的知识图谱上已经有了非常多的实体对和关系事实，但是由于数据的更新迭代以及不完整性，注定了这个知识图谱的不完整，同样，他里面也隐藏着我们难以轻易发现的信息。 ，有可能引入人类的先验知识辅助推理 缺点：尚未有效解决优势所带来的的一系列问题，包括专家依赖、复杂度过高等问题 发展趋势 逐渐摒弃对人工规则的依赖 转而借助模式识别的方式进行规则（模式特征）发现 采用机器学习方法进行特征建模 基于知识表达的关系推理 建模依据：将实体和关系映射到一个低维的embedding空间中，基于知识的语义表达进行推理建模 代表性工作： RESCAL张量分解模型（Tensor Factorization 生成知识表达时能够充分利用知识图谱已有的结构化信息 缺点：建模方法着眼于实体间的直接关联关系，难以引入并利用人类的先验知识实现逻辑推理 基于深度学习的关系推理 代表性工作： 单层感知机模型SLM（Single 而在关系推理日益发展壮大的基础上，在为知识图谱扩容的时候，又可以倒过来为自动化知识质量评估技术做出贡献。也就是前面所说的怎么判断抽取到的资料，好不好、正不正确等。
4.3K11发布于 2019-10-28 - 来自专栏活动
知识图谱嵌入的关系推理
知识图谱嵌入与关系推理什么是知识图谱嵌入知识图谱嵌入是将知识图谱中的实体和关系映射到低维向量空间中，通过向量之间的运算表达实体间的关系。 知识图谱嵌入训练使用嵌入模型对图谱进行训练，将实体和关系表示为向量。 推理新关系 通过向量运算推理出知识图谱中可能存在但尚未明确的关系。 基于知识图谱嵌入的关系推理的应用场景知识图谱扩展在知识图谱的构建过程中，往往存在很多缺失的关系或信息。通过基于嵌入的关系推理，可以自动化地推断出一些潜在的关系，帮助扩展图谱的内容。 自然语言处理中的知识推理在自然语言处理任务中，如问答系统或对话系统，基于知识图谱嵌入的关系推理可以帮助系统理解用户提问背后的复杂语义，并从图谱中推断出正确的答案。 跨领域应用 知识图谱嵌入和关系推理不仅在搜索引擎和推荐系统中有广泛的应用，还可以在医疗、法律、教育等领域实现智能化知识推理，提升决策支持能力。
84510编辑于 2024-09-26 - 来自专栏企业AI转型
基于RAG搭建的企业向量知识库，超过3跳推理直接拉完了
推理跳数 纯向量RAG GraphRAG 预结构化知识图谱 1跳 92% 88% 37%（F1=0.312） 2跳 43% 82% 51%（F1=0.298） 3跳 15% 86% 63%（F1=0.241 预结构化知识图谱（CKG）则呈现一个反直觉的走势——跳数越深，准确率反而越高，因为结构化DAG的遍历在深层路径上噪声更少、信号更纯。 关键分水岭就在3跳。 多跳失败产生的则是连贯叙事加真实引用——没有领域专业知识的用户会将其当作准确答案接受。 模式5：时序推理失败 RAG系统没有对时间的内在理解。 RAG知识库能回答的"某原料供应商是谁"这种1跳问题，根本不需要RAG——一个Excel表就够了。真正有价值的问题，几乎都需要3跳以上的推理，而这正是RAG的死亡区间。 部分缓解2跳问题，但3跳以上仍失效。 GraphRAG（2025-2026）：从非结构化文档自动构建知识图谱，支持图遍历推理。3跳准确率86%，但建图质量依赖抽取算法，索引成本10-40倍。
9700编辑于 2026-09-08 - 来自专栏人工智能之语音领域
人工智能之知识处理 知识推理 第三章 图神经网络与知识推理：让图谱“活”起来
人工智能之知识处理第三章图神经网络与知识推理：让图谱“活”起来@TOC前言在前两章中，我们学会了如何定义知识和构建知识图谱。 3.知识推理与GNN的关联在知识图谱中，推理任务（如链接预测）本质上就是预测节点之间的连接概率。传统方法：通过路径查找（如A->B->C，所以A->C）。GNN方法：将实体映射为低维向量。 推理应用：非常适合节点分类（如判断某个药品属于哪类处方药）和半监督学习。局限：它忽略了边的类型（知识图谱中关系很重要），且对所有邻居一视同仁。 推理优势：具有更强的可解释性（我们可以看到模型关注了哪些关系），且在异构图（如知识图谱）上表现通常优于GCN。3.其他常用模型GraphSAGE：擅长处理大规模图和归纳式学习。 （每种关系一个矩阵）3.3知识推理精度优化策略在实际工程中，直接套用模型往往效果不佳，需要针对知识图谱的特性进行优化。
47110编辑于 2026-04-07 - 来自专栏登神长阶
【传知代码】知识图谱推理（论文复现）
近年来，随着人工智能技术的飞速发展，知识图谱在智能问答、推荐系统、语义搜索等多个领域展现出了巨大的应用潜力。 让我们一同踏上探索知识图谱推理奥秘的旅程，共同开启智慧世界的新篇章！ 1. 论文概述 本研究专注于基于图神经网络（GNN）的知识图谱推理，特别关注了传播路径的应用与优化。在智能问答和推荐系统等领域，知识图谱推理具有关键作用，但传统GNN方法在效率和准确度方面存在局限。 这一发现不仅突显了AdaProp在知识图谱推理中的潜力，也为该领域的未来研究和应用提供了新的方向。 AdaProp的成功实现在理论和实践层面上都为知识图谱推理开辟了新的可能性，强调了自适应传播策略的重要性。 与传统方法的比较 在知识图谱推理领域，传统的方法如全传播、渐进式传播和受限传播都各自有优势和局限。提出的AdaProp方法在效率和性能上对这些传统方法进行了显著的优化。 3.
60810编辑于 2024-11-04 - 来自专栏活动
知识图谱嵌入与因果推理的结合
结合知识图谱嵌入与因果推理，不仅可以提高推理的准确性，还能为复杂系统的决策提供更深刻的理解。 知识图谱嵌入基础知识图谱嵌入简介知识图谱嵌入技术的目标是将知识图谱中的实体和关系映射到低维向量空间中，以便进行后续的推理和计算。常见的嵌入方法包括TransE、DistMult、ComplEx等。 3 因果推理的应用因果推理在多个领域都有广泛应用，包括医学、社会科学、经济学等。 知识图谱嵌入与因果推理的结合结合的必要性知识图谱为因果推理提供了丰富的结构化信息，而因果推理可以帮助知识图谱嵌入模型理解变量之间的关系。 集成学习与知识图谱结合集成学习方法与知识图谱，提升模型的准确性和鲁棒性，通过不同模型的组合优化知识图谱的嵌入和推理过程。
2.1K21编辑于 2024-09-22 - 来自专栏CreateAMind
面向智能体科学推理的高阶知识表示
/pdf/2601.04878 摘要 科学探究需要系统级推理，这种推理将异质实验数据、跨领域知识和机理证据整合成连贯的解释。 最近的工作表明，用基于图和本体的知识表示增强 LLMs 有助于跨不同知识领域的组合推理以及以前未见关系的发现 [14, 26, 40, 41]。 1.3 相关工作 n元信息提取和超图推理的最新进展为复杂的科学语料库激发了更丰富的高阶知识表示。 为了为假设生成提供更广阔的基础，我们扩展了 GraphAgent 以遍历超图，并使用 Yen 式 K 最短路径程序返回节点之间的前 3 条最短超图路径（K = 3）。 3 结论 随着大型语言模型（LLM）能力的扩展，为它们提供更丰富的信息上下文并确保其推理可靠性的需求也随之增加。这就需要既易于查询又便于持续完善的知识表示。
24110编辑于 2026-06-24 - 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
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。 通常来说，在工程领域会将知识推理系统从知识体系中单独分离出来，这样就可以让知识专家专注于知识建设，推理规则由推理系统的设计者专门建立。 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。 知识推理是知识图谱中另一个难点，目前的研究热点在于基于数值计算的知识推理，过程应用比较多的还是基于确定逻辑的推理构建的推理系统。
5.3K10发布于 2019-12-25 Hibernate知识辅导（3--3）
public void setManufacturer(String manufacturer){
22610编辑于 2025-10-14- 来自专栏活动
医疗知识问答：DeepSeek多跳推理优化实战指南
背景1.1 医疗知识问答系统的挑战医疗知识问答系统是人工智能在医疗领域的重要应用，但传统系统面临以下核心挑战：医疗数据的复杂性：医疗知识图谱包含海量实体和关系，传统推理难以覆盖完整路径推理深度不足：单次推理无法处理多层级关联的复杂医疗问题实时性要求高 多跳推理的诞生DeepSeek项目于2021年启动，专注于解决医疗知识问答中的深度推理问题。 ，DeepSeek在以下方面持续优化：模型压缩：通过量化和蒸馏将模型大小减少60%，推理速度提升3倍分布式推理：采用异步推理机制，处理能力提升10倍容错机制：增加推理路径验证，减少错误传播多目标优化：平衡推理深度 1跳头痛 → 流感症状-疾病0.75第2跳颈部僵硬 → 脑膜炎症状-疾病0.82第3跳发热 + 颈部僵硬 → 脑膜炎综合症状0.91第4跳旅行史 → 特定病原体风险因素0.88关键代码片段：推理引擎实现 ：使用模型量化和批处理提高推理速度容错设计：设置合理的推理深度限制（建议3-5跳）数据安全：确保患者数据加密存储与传输4.5 测试与验证方法单元测试import unittestfrom deepseek.api
80910编辑于 2025-04-02 - 来自专栏人工智能前沿讲习
【综述专栏】时态知识图谱的推理研究综述
知识推理的目标是基于预定义规则或自动学习 推理规则，通过已知知识推断未知知识．知识推理是 时态知识图谱不可或缺的功能，体现在以下两点：首 先，时态知识图谱无法涵盖全量知识，而知识的缺失 严重影响下游应用性能 本文在第２节中介绍预备知识，包括概念定义 与任务描述；第３节将时态知识图谱推理工作分为 面向补全与面向预测的时态知识图谱推理方法两大 类，在此基础上系统归纳已有的时态知识图谱推理 研究工作，并比较其共性与特性 时态知识图谱的推理方法 从可观测时间域的角度划分，本文将时态知识 图谱推理方法分类为面向补全的时态知识图谱推理 方法与面向预测的时态知识图谱推理方法．前者包 括基于张量分解的推理方法、基于转移表示的推理方 ．基于规则的推理方法通过显式符号表达 推理规则，通过图谱中已有的知识，演绎推理缺失的 知识．表４列举了面向补全任务的时态知识图谱的推 理方法． 2.2 面向预测的时态知识图谱推理方法 面向预测的时态知识图谱推理方法学习时态知 风险与机遇”会议综述 心脑血管数据集的现状分析及其启示 利用LLM做多模态任务 因果推断与因果性学习研究进展 国防科大等最新《时空图神经网络》综述，24页pdf详述其在城市计算预测学习应用进展 单目3D
1.5K20编辑于 2023-08-29 - 来自专栏贾志刚-OpenCV学堂
轻松学Pytorch之Deeplabv3推理
微信公众号：OpenCV学堂 Deeplabv3 Torchvision框架中在语义分割上支持的是Deeplabv3语义分割模型，而且支持不同的backbone替换，这些backbone替换包括MobileNetv3 其中MobileNetv3版本训练数据集是COCO子集，类别跟Pascal VOC的20个类别保持一致。这里以它为例，演示一下从模型导出ONNX到推理的全过程。 ONNX格式导出 首先需要把pytorch的模型导出为onnx格式版本，用下面的脚本就好啦： model = tv.models.segmentation.deeplabv3_mobilenet_v3_ 'width'}} ) 模型的输入与输出结构如下： 其中out就是我们要解析的语义分割预测结果，input表示支持动态输入格式为NCHW 推理测试 模型推理对图像有个预处理 剩下部分的代码就比较简单，初始化onnx推理实例，然后完成推理，对结果完成解析，输出推理结果，完整的代码如下： transform = torchvision.transforms.Compose([
1.4K30编辑于 2023-01-04 - 来自专栏人工智能头条
大规模知识图谱的构建、推理及应用
知识图谱schema是知识的分类体系的表现，还可以用于逻辑推理，也是用于冲突检测的方法之一，从而提高知识图谱的质量。 总而言之，构建知识图谱没有统一的方法，因为其构建需要一整套知识工程的方法，需要用到NLP、ML、DL技术，用到图数据库技术，用到知识表示推理技术等。 知识图谱的构建就是一个系统工程，而且知识的更新也是不可避免的，所以一定要重视快速迭代和快速产出检验。 知识图谱的推理 在知识图谱构建过程中，还存在很多关系补全问题。 知识图谱推理中还经常将知识图谱表示为张量tensor形式，通过张量分解（tensor factorization）来实现对未知事实的判定。 目前将知识图谱用于深度学习主要有两种方式，一种是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；另外一种是利用知识作为优化目标的约束
93620发布于 2018-06-05
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