- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI科技评论
事理图谱：事件演化的规律和模式
事理图谱的定义 事理图谱（Event Logic Graph，缩写ELG）是一个事理逻辑知识库，描述了事件之间的演化规律和模式。 事理图谱与知识图谱的关系 “知识图谱”这一术语有两层含义。 表1 事理图谱与知识图谱的区别及联系 ? 事理图谱与传统知识图谱有本质上的不同。 事理图谱项目包含“构建”、“推理”和“应用”三个关键技术点： (1) 事理图谱的构建 事理图谱的构建主要用到以下具体的自然语言处理技术：事件定义、开放域或限定域事件抽取，事理关系抽取（包含事件顺承、因果 (2) 事理图谱的推理 事理图谱的推理可以用于事件及关系的补全，主要涉及到的技术有：结构化事件表示学习，短语级、句子级事件表示学习，事理图谱图结构上的图神经网络技术等。
5.1K31发布于 2019-07-23 - 来自专栏bit哲学院
知识表示发展史：从一阶谓词逻辑到知识图谱再到事理图谱
知识图谱与事理图谱 上一节提到，知识图谱表示方法和脚本表示方法的融合将是未来知识表示方法上的一个新的方向。 目前，事理图谱可能是对这一方法的一种实践，与目前所熟知的抽象事件动态演化图谱不同，我们认为，事理图谱是新一代知识图谱未来方向的一个重要形态，我们将事理图谱定义为：“事理图谱是以“事件”为核心的新一代动态知识图谱 目前，我们基于事件关系抽取、事件融合等技术，构建起了规模400w的事理图谱，效果如图8所示： 图8 并以该图谱作为基本知识基础，探索事理图谱的知识表示体系框架，并不断需求事理图谱与实际应用场景的结合 如图9所示，对于采集到的资讯，我们会对其进行判定，给出该资讯所能造成的影响，为了能够对最终结果给出影响的原因解释，我们给出了该影响所遵循的事理图谱链条，见页面右侧所示的事理图谱缩略图。 目前，我们在开展深入研究事理图谱相关技术理论的同时，正在寻求事理图谱技术的落地应用，将事理图谱应用于资讯预警，取得了不错的效果，接下来，我们将尝试更多领域的应用。
3.4K21发布于 2021-01-29 破译设备“黑箱”：融合多模态数据与事理图谱的电力故障精准诊断与根因分析
本文提出基于神经符号AI技术的新一代故障诊断范式，深度融合多模态数据与事理知识图谱，构建可信、可解释、可进化的智能诊断系统。 2.2多模态事理图谱：构建设备健康“数字孪生”基于神经符号AI技术，我们构建了电力设备的多模态事理知识图谱，实现了设备状态从“数据描述”到“知识理解”的质变。 第三层：知识图谱构建层将提取的特征和关系构建为事理知识图谱，包含三类核心实体：-设备实体：变压器、断路器、发电机等，包含型号、参数、位置等属性-状态实体：正常、预警、故障等，包含程度、持续时间、变化趋势 、结果实体间建立丰富的时序关系和因果关系：-时序关系：“A相温度升高”发生在“负荷增加”之后-因果关系：“绝缘受潮”导致“局部放电”增强-空间关系：变压器本体与冷却系统、套管等部件的组成关系2.2.2事理图谱的构建与应用事理图谱区别于传统知识图谱的核心在于对 神经符号AI技术为这一跨越提供了坚实的技术基础，多模态事理图谱为设备状态理解提供了新的知识框架，而实际应用案例证明了这一技术路线的可行性和价值。
35710编辑于 2026-03-02全链路多模态：AI知识管理如何从“黑盒”走向“可解释”？
它会基于构建的时序知识图谱与事理图谱，自动推理：跳闸是否由上游电站波动引发？是否与近期特定的维修作业存在因果关系？历史上同类故障的处置方案是什么？ 二、从“复杂”到“敏捷”：如何快速构建事理知识图谱？知识图谱是实现可解释智能的基石，但传统构建方式耗时耗力，且难以处理复杂的因果、时序逻辑（事理）。智图的全链路多模态能力，为此提供了“快车道”。 2.神经符号AI驱动的事理图谱构建：这是《武汉知识图谱科技有限公司》的核心突破。 例如，在智慧农业场景中，系统能自动从历史数据中学习并构建“连续低温高湿”->“诱发小麦赤霉病”->“建议喷洒特定药剂”的事理链条，形成可辅助决策的动态知识网络。 专家经验规模化复制：在大型工程集团，将顶尖工程师处理复杂施工方案、排查罕见故障的经验沉淀为事理图谱，通过智能问答赋能数万名一线员工，保障工程质量与安全的一致性。
16410编辑于 2026-03-02为什么说“可解释推理”是企业知识管理的下一站？
二、技术基石：如何快速构建支撑可解释推理的“事理知识图谱”？实现可解释推理，需要强大的知识表示与推理引擎作为支撑。 传统知识图谱擅长描述实体“是什么”及其静态关系（如“设备A位于厂房B”），但对于刻画事件的动态逻辑（如“操作C导致状态D，进而可能引发风险E”）则较为薄弱。这正是事理知识图谱的用武之地。 事理知识图谱专注于对事件、动作、状态及其间因果、时序、条件等逻辑关系的建模。它回答的是“为什么”和“怎么办”的问题。 2、快速构建与动态演化：平台提供可视化的本体建模与规则配置工具，结合行业预训练模型，能够大幅降低事理图谱的构建门槛。 武汉知识图谱科技的全链路多模态能力支持将图纸、表格、图片、传感器时序数据等信息进行语义对齐和关联，共同融入事理图谱，为推理提供更丰富、更立体的上下文。
11310编辑于 2026-02-26- 来自专栏AI研习社
哈工大刘挺：哈工大 SCIR 实验室的 NLP 研究 | CCF-GAIR
我介绍两个最有代表性的工作吧，一个是事理图谱，一个是对话技术平台（DTP）。 我们原创性地提出了事理图谱的概念。事理图谱是一个事理逻辑知识库，描述事件之间的演化规律和模式。 知识图谱的研究对象为名词性实体及其关系，而事理图谱的研究对象是谓词性事件及其关系。知识图谱主要知识形式是实体属性和关系，事理图谱则是事理逻辑关系以及概率转移信息。 事理图谱概念是对知识图谱概念自然地补充和拓展，是知识描述的一个更高级的阶段，符合产业界的客观需求。所以，事理图谱的概念一经提出，就得到了业界的认可。 未来我们一方面还会在事理图谱的研究方向上深耕细作，同时，也会不断扩展事理图谱的应用场景，例如在医疗、司法等领域构建事理图谱。 在大词林的基础上，我们提出了事理图谱的概念并自动化构建了金融和出行两个领域的事理图谱。
1.7K20发布于 2018-07-26 - 来自专栏AI科技评论
哈工大刘挺：哈工大SCIR实验室的NLP研究 | CCF-GAIR
我介绍两个最有代表性的工作吧，一个是事理图谱，一个是对话技术平台（DTP）。 我们原创性地提出了事理图谱的概念。事理图谱是一个事理逻辑知识库，描述事件之间的演化规律和模式。 知识图谱的研究对象为名词性实体及其关系，而事理图谱的研究对象是谓词性事件及其关系。知识图谱主要知识形式是实体属性和关系，事理图谱则是事理逻辑关系以及概率转移信息。 事理图谱概念是对知识图谱概念自然地补充和拓展，是知识描述的一个更高级的阶段，符合产业界的客观需求。所以，事理图谱的概念一经提出，就得到了业界的认可。 未来我们一方面还会在事理图谱的研究方向上深耕细作，同时，也会不断扩展事理图谱的应用场景，例如在医疗、司法等领域构建事理图谱。 在大词林的基础上，我们提出了事理图谱的概念并自动化构建了金融和出行两个领域的事理图谱。
1.3K10发布于 2018-07-26 - 来自专栏程序猿DD
通过这个故事理解啥是 NIO
点击上方蓝色“程序猿DD”，选择“设为星标” 回复“资源”获取独家整理的学习资料！ 作者 | zhanlijun 来源 | http://www.cnblogs.com/LBSer 前言 假设某银行只有10个职员。该银行的业务流程分为以下4个步骤： 1） 顾客填申请表（5分钟）； 2） 职员审核（1分钟）； 3） 职员叫保安去金库取钱（3分钟）； 4） 职员打印票据，并将钱和票据返回给顾客（1分钟）。 我们看看银行不同的工作方式对其工作效率到底有何影响。 1 BIO方式 每来一个顾客，马上由一位职员来
23010编辑于 2023-04-17 - 来自专栏PM吃瓜(公众号)
管理是管人理事，还是管事理人？
管理，是管人理事还是管事理人呢？ “制度管人，流程管事，团队打天下，管理定江山” 管理对于一个组织来说所涉及的无非就是事件与人的问题。是管理人处理事件还是管理事件处理人际关系？ 答案自然出来了，管理，应该是管事理人，而不是管人理事，因此人是要理会，事情才需要管理，一个好的项目，需要大家共同的努力，同时也需要有一个好的规范，好的制度进行约束，做到既人性化管理，又做到每件事精益求精
50220编辑于 2023-03-02 - 来自专栏老张的求知思考世界
一个故事理解消息队列-下
这篇文章，接上篇《一个故事理解消息队列-上》，以Kafka为例，为大家介绍消息队列的主要功能特性。Kafka核心组件在介绍消息队列的功能特性之前，先介绍一下Kafka的核心组件。
31010编辑于 2024-09-05 - 来自专栏野生AI架构师
【知识图谱】知识图谱在贝壳找房的实践
他们把用户的搜索意图分成了三种类型，好像有点道理，不过想想，对于知识图谱而言好像都是一样的，例如“砌体结构墙是什么”，把“砌体结构墙”作为一个实体，把定义作为它的一个属性，不就一样了？ 02 事理图谱 其实没太看到文章提到的事理图谱和实体图谱有什么区别，幼儿园的属性，入学条件，优缺点等这些不都是可以作为节点的属性存在吗？那样不是就可以直接查到了？ 知识图谱这种图的结构，应该说本身就具有推理的潜力。 Dgraph和JanusGraph之后，选择了Dgraph；（网上有文章说，美团在重点对比了Dgraph和NebulaGraph之后，选择了NebulaGraph，可能这个选择是更加正确的选择） 他们使用知识图谱生成了房产经纪的话术套路
2.3K20发布于 2021-10-27 - 来自专栏老张的求知思考世界
一个故事理解消息队列-上
前段时间，知识星球里一位同学给我分享了他对消息队列的理解，并且用一个故事形象的表述了消息队列的作用。看完他的表述，我觉得用故事来描述技术组件作用的方式很有意思，也更容易让人理解。
22410编辑于 2024-07-18 - 来自专栏老张的求知思考世界
一个故事理解限流熔断降级
一个故事理解技术要点第三篇，这篇文章我们来聊聊在稳定性保障领域中经常出现的那些技术术语。故事案例先看下面这个故事案例：假设你去银行取钱，你是用户，银行是一个软件系统。
43510编辑于 2024-09-12 - 来自专栏机器智能技术干货
史上最全知识图谱建模实践（下）：多元关系架构
事件事件是加入时间、空间，区分行为主体、客体的实体类型，以事理图谱和用户行为事件为典型应用场景，是对动态行为的建模，需要反应在不同时间点、时间区间上事物的状态。 多视角的知识建模架构：如背景章节所述，已有的研究或工作，都只解决了事件图谱、事理（概念）图谱或事理常识中特定一类的表示，它们要么专注于对单个实例事件、实例知识及其关联的事实关系的刻画；要么在相对抽象的层次 为此，我们以事理图谱的概念定义、概念语义演绎推理为例，介绍实体schema与概念体系及逻辑规则的结合应用，一起完成多维度的知识认知架构。 -belongTo->有色金属价格大涨事件推论：有色金属板块股价变化事件多元时空认知架构多元时空认知架构，是对基于schema的实体关系定义，概念语义建模及事件行为的多元关系定义的综合应用，主要用于事理图谱 在实例知识标准化、结构化到图谱后，受模式层的语义规则、事理关系、业务逻辑的约束，对知识进一步挖掘和推理。
1.8K10编辑于 2024-02-02 - 来自专栏新智元
【老炮儿白硕创业了】CCIR阡寻科技聊知识图谱和NLP如何落地金融
但是认识到应用知识图谱是一个正确的方向是一回事，在一个个领域中耕耘细节，精准把握分析师最核心的静态知识关联和动态事理推理路径是另一回事。 我们一方面要把公司经营行为、资本运作行为这类领域无关共性事理先做好，另一方面也在有序推进领域相关的资源建设，期货、化工、汽车是我们目前在资源建设上相对聚焦的领域，因此在橡胶事件中，与这几个领域有直接关联的推理链条被完整捕捉下来 金融遇上知识图谱和NLP 全球范围内，包括中国BAT等各大互联网公司都在研究自然语言处理、知识图谱和深度学习，行业目前正在争夺落地场景。阡寻让金融遇见知识图谱和NLP技术。 对金融领域，事件的发生是有征兆的，通过对事件进行捕捉形成事理推理型的知识图谱，以描绘事件发生的顺承关系和因果关系。 据熊昊博士介绍，阡寻构建了证券领域的实体知识图谱库和事理知识图谱库。 基于对金融行业的理解，他们建立了事理知识图谱，其描绘了金融事件发生的顺承关系和因果关系。
1.5K40发布于 2018-03-27 从数据到决策：知识图谱如何成为行业数智化的“标配”引擎
二、超越存储：知识图谱是知识发现与决策推理的“起点”对知识图谱的认知，必须超越“知识库”或“关系数据库”的层面。其核心价值不在于“存”，而在于“用”——在于知识的主动发现与智能推理。 在智慧医疗中，基于时序图谱和事理图谱，系统能结合患者历史病历、最新检查结果与医学指南，进行辅助诊断推理，提供可解释的诊疗建议路径，而不仅是回答孤立的医学知识。 在智慧金融中，事理图谱能刻画复杂的资金流转与主体关系网络，用于穿透式风险监测，自动识别潜在的欺诈模式或关联风险，而不仅是查询客户静态信息。 因此，知识图谱的本质是一个认知与推理的引擎，是智能决策的逻辑起点，而非终点。三、固定投入，持续增值：知识图谱的“进化性”长期价值企业数智化转型常纠结于投入产出比。 四、行业标配化实践：智图的“神经符号AI知识图谱”作为国内率先将神经符号AI与知识图谱深度融合的厂商，《武汉知识图谱科技有限公司》（以下简称为：智图知识图谱）正推动这一“标配”引擎在各行各业落地。
22610编辑于 2026-02-11工业智脑·知识驱动：智能工业知识图谱系统赋能制造业数字化转型
信息不全自然语言提问（如“A 设备故障对 B 产线订单影响”），即时返回关联答案知识获取效率 ×12 倍供应链溯源人工逐层追溯，耗时数天一键穿透多级供应链，秒级定位问题物料影响范围风险响应速度提升 85% 工业事理图谱与根因推理引擎系统的核心在于其将工业机理与数据智能融合的推理能力 它以“设备-故障-工艺”为核心，构建了一个动态演化的工业事理图谱：关联映射：将设备结构树（整机-部件-零件）、故障模式（FMEA）、工艺参数、质量缺陷等元素进行深度关联。 通过图谱分析，快速定位导致某型号芯片良率波动的关键工艺环节及参数交互作用，为工程师提供精准的优化方向，加速产线爬坡。汽车零部件供应链韧性管理构建覆盖多级供应商、物料、生产基地和物流的供应链图谱。 航空航天知识传承与辅助诊断将飞机维护手册、故障案例、专家经验构建成图谱。 系统将引入持续学习机制，使图谱能够从每一次维修结果、工艺调整中自动进化，迭代知识。
64710编辑于 2025-10-28智图知识图谱如何让电网巡检与故障预测迈入分钟级时代
《武汉知识图谱科技有限公司》（以下简称为：智图知识图谱，21aiedu点com）作为事理知识图谱领域的专业服务商，率先将神经符号AI应用于知识图谱，在知识层次化超关系表示学习、领域结构化推理精炼表示、神经符号结合多跳逻辑推理 智图知识图谱的能源电力智能运维解决方案基于神经符号AI和多模态核心技术，集成时序/事理知识图谱、物联网、NLP、行业小模型、迁移学习等前沿技术，打造可信可解释智能运维解决方案。 基于Neo4j实现了电力设备缺陷文本知识图谱的可视化，提出了知识图谱推理框架，通过子图检索、知识图谱-文本生成、知识图谱增强推理三个步骤，实现了运维知识的智能检索与问答以及故障溯源与辅助决策的功能。 场景三：从被动响应到主动预防智图平台通过时序知识图谱和事理图谱技术，能够分析设备运行数据的变化趋势，识别潜在的风险点。 智图知识图谱的神经符号AI知识图谱技术，通过将神经符号AI与知识图谱深度融合，实现了复杂异构数据的智能处理和可信知识推理，为电力行业的智能化转型提供了坚实的技术基础。
22210编辑于 2026-03-02畜牧溯源AI技术选型与实施方案：从“事后记录”到“事前预警”的精准治理跃迁
传统系统缺乏对复杂时空因果关系的建模与推理能力，无法从离散事件中提炼出事理逻辑，只能在问题显现后才报警，错失最佳干预窗口。 二、技术路径选型：为什么是“知识图谱+神经符号AI+多模态”？针对以上痛点，单一技术难以应对。一个理想的解决方案应具备异构数据融合、复杂关系推理、事理逻辑构建、可解释决策四大能力。 定义畜牧领域的核心本体（如牲畜、养殖场、饲料、疾病、药品、人员、法规等），并利用神经符号AI技术，将处理后的多模态数据自动化或半自动化地构建成一张覆盖“物-场-事-人-规”的时空事理知识图谱。 第三阶段：知识图谱构建与规则注入（2-3个月）核心任务：基于第一阶段的本体和第二阶段的数据，启动知识图谱的自动化构建。 以神经符号AI知识图谱为核心的智能辅助决策平台，通过打通数据孤岛、构建事理逻辑、实现可解释推理，正将这一愿景变为现实。
14210编辑于 2026-03-23- 来自专栏春天和爱情の樱花
自然语言处理常用资源笔记分享
/TextGrapher 输入一篇文档，将文档进行关键信息提取，进行结构化，并最终组织成图谱组织形式，形成对文章语义信息的图谱化展示。 思知知识图谱 https://github.com/ownthink/KnowledgeGraphData 史上最大规模1.4亿中文知识图谱开源下载，知识图谱，通用知识图谱，融合了两千五百多万的实体，拥有亿级别的实体属性关系 ://github.com/husthuke/awesome-knowledge-graph 整理知识图谱相关学习资料，提供系统化的知识图谱学习路径。 地址 简介 multistop https://github.com/hidadeng/multistop 停用词表，支持中英法德等15种语言 其他可能有帮助的研究 项目 地址 简介 事理知识抽取研究 https://github.com/liuhuanyong/ComplexEventExtraction 中文复合事件抽取，包括条件事件、因果事件、顺承事件、反转事件等事件抽取，并形成事理图谱。
93221编辑于 2022-09-22
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