- 综合排序
- 最热优先
- 最新优先
- 来自专栏NLP/KG
特定领域知识图谱融合方案：技术知识前置【一】-文本匹配算法、知识融合学术界方案、知识融合
特定领域知识图谱(Domain-specific KnowledgeGraph:DKG)融合方案：技术知识前置【一】-文本匹配算法、知识融合学术界方案、知识融合业界落地方案、算法测评KG生产质量保障 0 .前言 本项目主要围绕着特定领域知识图谱(Domain-specific KnowledgeGraph:DKG)融合方案：技术知识前置【一】-文本匹配算法、知识融合学术界方案、知识融合业界落地方案、算法测评 这边主要以原理讲解和技术方案阐述为主，之后会慢慢把项目开源出来，一起共建KG，从知识抽取到知识融合、知识推理、质量评估等争取走通完整的流程。 （实体对齐) 知识图谱实体对齐资料论文参考(CAJ)+实体对齐方案+特定领域知识图谱知识融合方案（实体对齐) 6.6 知识融合算法测试方案（知识生产质量保障） 方案链接：https://blog.csdn.net ：技术知识前置【一】-文本匹配算法、知识融合学术界方案、知识融合业界落地方案、算法测评KG生产质量保障讲解了文本匹配算法的综述，从经典的传统模型到孪生神经网络“双塔模型”再到预训练模型以及有监督无监督联合模型
1.2K40编辑于 2023-01-18 - 来自专栏图灵技术域
知识融合（实体对齐）笔记
知识融合包括以下几个部分 本体匹配（ontology matching） 侧重发现模式层等价或相似的类、属性或关系，也成为本体映射（mapping）、本体对齐（alignment） 实体对齐（entity alignment） 侧重发现指称真实世界相同对象的不同实例，也称为实体消解（resolution）、实例匹配（instance matching） 知识融合（knowledge fusion） 一般通过冲突检测 、真值发现等技术消解知识图谱融合过程中的冲突，再对知识进行关联与合并，最终形成一个一致的结果 实体对齐 目前在知识融合方面，基于嵌入表示的实体对齐是研究的热点。 知识融合的挑战 1.基于嵌入的深度学习算法结合知识推理（描述逻辑、约束规则） 2.多模态知识图谱融合 3.大规模知识图谱的融合与更新 可用工具 实体对齐的前沿算法的开源实现：https://github.com AAAI, 2020 [4] 南大知识融合PPT [5] OAG: Toward Linking Large-scale Heterogeneous Entity Graphs. KDD 2019
4.1K50发布于 2021-05-21 - 来自专栏计算摄影学
11. 图像合成与图像融合
三、多频段融合 要想让Alpha融合结果显得自然，很关键的一点是选择合适的融合窗口大小。我用下面的实例来说明这个问题。 让我们把以下两张照片融合到一起。 ? OK，因此如果重建出原始图像可以看到，我们这里讲的多频段融合，即拉普拉斯金字塔融合，实际上是在半自动的计算最佳的融合窗口和权重大小，其本质上还是一种线性融合： ? 由于两层金字塔融合，甚至多层金字塔融合同时考虑到了图像中的不同频率的信息，因此通常融合出来的效果相比单层的Alpha融合（线性融合）更好。 而今天给大家介绍了图像合成和融合的几个基本的方法，包括cut-and-paste，alpha融合，以及多频段融合。它们基本上都可以归纳为图像之间的线性融合，其中多频段融合是一种多层的线性融合。 我下一讲将要讲到一种效果非常好的融合方式：泊松融合。 ?
2.1K50发布于 2020-04-17 - 来自专栏全栈程序员必看
11条javascript知识
location.href; //等同 with(location) { var qs=search.subString(1); var hostName=hostname; var url=href; } 11
31910编辑于 2022-07-15 - 来自专栏TechLead
知识融合：知识图谱构建的关键技术
知识融合技术，旨在解决知识图谱构建过程中的这一核心问题，它包括实体识别、实体链接、重复实体合并、关系融合等多个步骤。 通过对不同来源的知识进行有效的整合和融合，知识融合技术不仅能够提升知识图谱的质量，还能够丰富知识图谱的内容，提高其应用价值。 三、知识融合的核心问题 知识融合是知识图谱构建中的一个核心环节，它涉及将来自不同来源的知识整合到一起，解决知识冲突和重复，提高知识的一致性和完整性。 五、知识融合效果评估 知识融合效果的评估是确保构建的知识图谱质量和应用价值的关键步骤。评估不仅涉及融合后知识图谱的准确性和完整性，还包括融合过程的效率和可扩展性。 本部分将介绍用于评估知识融合效果的主要方法和指标。 5.1 准确性评估 准确性是评估知识融合效果的首要指标，它直接反映了融合后知识的正确性。
4.4K12编辑于 2024-03-04 - 来自专栏深度学习自然语言处理
FuseLLM：大语言模型的知识融合！
在本文中，引入了LLM的知识融合概念，旨在将现有LLM的能力结合起来，并将其转移到单个LLM中。 相反，本文提出的方法通过将多个LLM的知识和能力明确地转移到目标LLM，支持将多个具有不同架构的LLM融合。 相比之下，本文预计在融合之后，目标模型将超过任何源模型的性能。 方法 模型架构 上图展示了传统模型融合技术和本文的LLM知识融合方法(FUSELLM)的对比。不同的动物图标代表不同的LLM。 FUSELLM能将多个LLM外部知识融合，并将它们的能力转移到目标LLM。LLM融合的主要目标是将嵌入多个源LLM中的集体知识外部化，并将其能力集成到目标LLM中。 知识融合vs.知识蒸馏 知识蒸馏技术也可以用来增强LLM的能力，但FuseLLM由于两个不同的方面而脱颖而出，本文从Llama-2 13B 中提取概率分布，并应用传统的知识蒸馏方法将其能力转移到Llama
1.2K11编辑于 2024-01-31 - 来自专栏前端干货和生活感悟
前端小知识11点
,'2019-02-01','month') //["2018-05", "2018-06", "2018-07", "2018-08", "2018-09", "2018-10", "2018-11 ", "2018-12", "2019-01", "2019-02"] 3、moment.js当日期为周日时，获取所在周的周日，出现的bug let date='2019-08-11' //获取该日期所在的周几 = moment(date) .week(+end_weeknumber) .isoWeekday(7) .format('YYYY-MM-DD') //'2019-08-11 ' 特别特别需要注意的就是，当所选日期是周日的时候，获取所在的周数是需要加 1 的 配合 前端小知识10点(2019.9.29) 的第一点使用： 完美版： let date='2019-08-11' window.setTimeout(()=>{ //do something //... },100) }, 这个知识在自己的项目里还是挺有用的
1.2K30发布于 2019-12-16 - 来自专栏#大模型热点基础知识
知识融合(Knowledge Fusion)是什么？多个知识源怎么整合？
二、什么是知识融合知识融合是指将来自多个异构知识源的信息进行统一整合，消除冲突、补充缺失信息，最终形成一致且完整的知识表示。想象你在拼一幅巨大的拼图。 这个过程要解决三个核心问题：异构性：不同知识源用不同的格式、结构和术语表达相同的信息冗余性：多个知识源重复描述同一个事实冲突性：不同知识源对同一事实给出不同的描述三、知识融合如何工作知识融合不是简单的" 、知识融合的实际应用与发展趋势5.1搜索引擎的知识图谱这是知识融合最经典的应用场景。 4.实时知识融合随着流式数据的增长，实时或近实时的知识融合成为刚需。需要设计支持增量计算和在线更新的融合架构。 未来的知识融合系统，或许能像人类一样，在阅读、观察、交流中不断整合新知识，构建起真正智能的知识体系。在这个过程中，我们不仅在教机器如何融合知识，也在重新理解人类自身是如何组织和运用知识的。
17910编辑于 2026-04-01 - 来自专栏学习
MySQL【知识改变命运】11
⼦查询是把⼀个SELECT语句的结果当做别⼀个SELECT语句的条件，也叫嵌套查询
38210编辑于 2024-10-23 - 来自专栏NLP/KG
特定领域知识图谱(Domain-specific KnowledgeGraph:DKG)融合方案：技术知识前置【一】-文本匹配算法、知识融合学术界方案、知识融合业界落地方案、算法测评KG生产质量保障
特定领域知识图谱(Domain-specific KnowledgeGraph:DKG)融合方案：技术知识前置【一】-文本匹配算法、知识融合学术界方案、知识融合业界落地方案、算法测评KG生产质量保障 0 .前言 本项目主要围绕着特定领域知识图谱(Domain-specific KnowledgeGraph:DKG)融合方案：技术知识前置【一】-文本匹配算法、知识融合学术界方案、知识融合业界落地方案、算法测评 这边主要以原理讲解和技术方案阐述为主，之后会慢慢把项目开源出来，一起共建KG，从知识抽取到知识融合、知识推理、质量评估等争取走通完整的流程。
40640编辑于 2023-02-01 基于yolov11融合改进检测头特征融合模块AFPN的python源码+训练源码
【yolov11框架介绍】 2024 年 9 月 30 日，Ultralytics 在其活动 YOLOVision 中正式发布了 YOLOv11。 与之前的版本相比，Ultralytics YOLO11 有哪些关键改进？ Ultralytics YOLO11 与其前身相比引入了多项重大进步。 文件修改步骤 修改tasks.py文件 创建模型配置文件 yolo11-AFPNHead.yaml内容如下： # Ultralytics YOLO , AGPL-3.0 license # YOLO11 'model=yolo11n.yaml' will call yolo11.yaml with scale 'n' # [depth, width, max_channels] n: [0.50 【训练说明】 第一步：首先安装好yolov11必要模块，可以参考yolov11框架安装流程，然后卸载官方版本pip uninstall ultralytics，最后安装改进的源码pip install
45900编辑于 2025-07-22- 来自专栏全栈者
11 个 CSS 知识搭配 11 个 JS 特性 （实用合集）
前言 这篇文章我会介绍 11 在开发过程中经常遇到的 CSS 相关知识点，以及 11 个有趣亦实用的 JavaScript 特性。 这些都是我在日常开发中总结而来，想必于你也是有或多或少的帮助。 11 个常见的 CSS 知识点 声明，这里也包含了部分 CSS 预处理器知识，愿各位不要纠结于此。 两个选择器的区别 ~选择器：查找某个元素后面的所有兄弟元素 +选择器：查找某个元素后面紧邻的兄弟元素 11. 11 个有趣实用的 JS 特性 在日常开发中总是和各种 API 打交道，我们名为前端工程师实为 API 调用工程师。这里分享 11 个实用又有趣的 JS 特性，使用得当可以提高你应用的友好性。 1. obj.offsetParent; } if(direction === 'left'){ return offsetL; }else { return offsetT; }} 11
1.1K30发布于 2019-10-16 - 来自专栏NewBeeNLP
深度融合 | 当推荐系统遇见知识图谱
这样可以让KG和RC在某种程度上融合的更加深入。 ：https://www.kdd.org/kdd2016/papers/files/adf0066-zhangA.pdf 也可以直接在公众号后台回复『0019』直接获取 发自16年KDD，将KG与CF融合做联合训练 首先为了使用知识库，作者设计了三个组件分别从结构化知识，文本知识和视觉知识中提取语义特征，如上图中的右半部分，知识库的处理分别为： 结构化知识 知识库中的实体以及实体的联系。 然后从知识库中提取的特征融合到collabrative filtering 中去，即与左边的用户反馈结合起来一起做CF进行训练就可以了，训练损失函数会用pair-wise的偏序优化。 Graph for Recommender Systems 地址：https://arxiv.org/abs/1803.03467 也可以在公众号后台回复『0020』直接获取 向来不同技术之间如果能融合的更深入
2K20发布于 2021-02-02 - 来自专栏基础知识文章
C++11知识点总结（全面解析C++11经常考到的知识点）
C++11简介 相比于C++98/03，C++11则带来了数量可观的变化，其中包含了约140个新特性，以及对C++03标准中约600个缺陷的修正，这使得C++11更像是从C++98/03中孕育出的一种新语言 C++11中右值引用：只能引用右值，一般情况不能直接引用左值。 因此C++11中最简单的lambda函数为：[]{}; 该lambda函数不能做任何事情。 因此C++11中引入了原子操作。所谓原子操作：即不可被中断的一个或一系列操作，C++11引入的原子操作类型，使得线程间数据的同步变得非常高效。 ? 11.5.1 Mutex的种类 在C++11中，Mutex总共包了四个互斥量的种类： 1. std::mutex C++11提供的最基本的互斥量，该类的对象之间不能拷贝，也不能进行移动。
2.4K10发布于 2020-08-27 DeepSeek：知识图谱与大模型参数化知识融合的创新架构
11 月 20 日，推理模型 DeepSeek-R1-Lite 预览版上线，为后续更强大的模型发布奠定了基础。 知识图谱的构建过程涉及多个关键技术，包括实体识别、关系抽取、知识融合等。 （二）具体融合架构架构设计思路：DeepSeek 的融合架构设计理念是在大模型的基础上，巧妙地引入知识图谱，实现两者的有机协同。在模型的输入层，将文本数据与知识图谱中的相关知识进行融合。 关键技术点：DeepSeek 在融合架构中采用了多种关键技术，以实现知识图谱与大模型的有效融合。在知识图谱嵌入大模型的训练过程中，采用了基于注意力机制的融合方法 。 在准确率方面，以某知识问答任务为例，未融合知识图谱的大模型在回答问题时，准确率为 70% ，而融合了知识图谱的 DeepSeek 大模型，准确率提升至 85% 。
4.1K00编辑于 2025-02-07企业架构知识体系-构建业务+技术+管理的深度融合知识框架
今天跟大家聊下围绕企业架构知识体系的外延展开。在聊这个前先回顾下我在前面发布过的一篇文章谈到的，数字化整体知识体系地图的构建思路。 双维度的知识体系 对于数字化能力知识体系的构图方式，它更多的是采用一种矩阵式的构图方式。 那么在这种场景下应该如何制定个人的职业发展路径规划，包括如何构建企业架构的完整知识体系，并基于知识体系制定后续的学习和实践计划。 整个企业架构的知识体系覆盖了业务、技术、管理等各个方面。因此，学习企业架构时，一定要围绕整个知识体系进行上下游的拓展，这样你才能构建一个完整的企业架构知识框架。 所以还是从企业架构这个核心点讲起。 今天关于整个企业架构知识体系的简单分享就到这里。
30100编辑于 2025-06-24未来工作场所：知识中台与AI的融合
在快速迭代的未来工作场所，知识中台与AI的融合正引领着一场深刻的工作方式变革。这种融合不仅优化了企业的知识管理流程，还通过智能工具如AI问答、内容生成等，极大地提升了工作效率和决策质量。 接下来将深入探讨知识中台与AI如何共同作用。一、知识中台：企业知识管理的基石知识中台作为企业知识管理的核心平台，集成了企业内外的各类知识资源，通过统一的标准和规范进行组织、存储和管理。 四、案例：HelpLook AI知识库——知识中台与AI融合的实践HelpLook AI知识库作为一款低代码、开箱即用的SaaS系统，正是知识中台与AI融合的典型代表。 未来工作场所中，知识中台与AI的融合将成为推动企业智能化转型的重要力量。 HelpLook作为一家专注于知识管理与AI融合的企业，以其卓越的技术实力和丰富的实践经验，为企业提供了高效、智能的知识管理解决方案。
60210编辑于 2024-08-29- 来自专栏冰河技术
《MySQL核心知识》第11章：视图
大家好，我是冰河~~ 今天是《MySQL核心知识》专栏的第11章，今天为大家系统的讲讲MySQL中的视图，希望通过本章节的学习，小伙伴们能够举一反三，彻底掌握MySQL中的视图知识。
62120编辑于 2022-12-01 - 来自专栏夏天的前端笔记
每天10个前端小知识 【Day 11】
前端面试基础知识题 1. 浏览器的垃圾回收机制有哪些？ JS会在创建变量时自动分配内存，在不使用的时候会自动周期性的释放内存，释放的过程就叫 “垃圾回收”。 它包含了很多重要的知识： 如何获取所有DOM节点 伪数组如何转为数组 去重 解题过程 获取所有的DOM节点。
54610编辑于 2024-01-18 - 来自专栏编程创造城市
VB语言基础重要知识点11
本节在上一节调查表的基础上，做一个知识的扩展。我们主要学会如何使用shell命令，同时开启循环的感觉。 界面如下： ?
1.2K10发布于 2019-10-30
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