- 综合排序
- 最热优先
- 最新优先
- 来自专栏全栈程序员必看
本体编辑、知识推理与检索
本体编辑、知识推理与检索 一切要从一个倒霉项目开始说起，项目要求根据一个构建好的本体文件，通过JAVA调用相应API实现对本体文件的编辑、推理以及检索。 由于之前对本体、知识图谱这些完全不熟悉，被强行推入坑之后就开始了漫长且毫无希望的技（疯）术（狂）调（百）研（度）之路。。。。 调研之前：这是啥呀？ 调研之后：这***都是些啥啊！！ ，protege还带有一些推理机插件（见下图），pellet、Hermit等，可以利用这些插件对本体文件进行推理。 5.编辑本体文件 将知识或数据写入本体，例子如下。 6.pellet推理机推理 7.推理结果检索 检索这里用的方法是使用jena执行sparql进行查询。
1.9K30编辑于 2022-08-29 - 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 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。 在丰富与演化知识库的时候,我们需要声明不相交性的知识或者公理(disjointness)。 (2) Datalog语言可以结合本体推理和规则推理 Datalog语言 面向知识库和数据库设计的逻辑语言,表达能力与OWL相当,支持递归 便于撰写规则,实现推理 Datalog
2K00发布于 2020-12-13 - 来自专栏JadePeng的技术博客
知识图谱推理与实践（1）
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。 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 ? 描述逻辑与OWL的对应： ? 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。 基于产生式规则的方法 产生式系统，一种前向推理系统，可以按照一定机制执行规则从而达到某些目标，与一阶逻辑类似，也有区别，可以应用来做自动规划和专家系统。
3.1K40发布于 2020-02-18 - 来自专栏CreateAMind
具身决策即主动推理
在此，我们表明，具身决策的这些特征会自然地出现在主动推理（active inference）框架中——该框架根据同一原则（自由能最小化）同时优化感知与动作。 此外，我们的主动推理模拟揭示了具身决策在生态情境中的规范性特征——即，在高准确性与低错失有效机会风险之间实现有效平衡。 与传统模型将决策与动作视为分离过程不同，我们基于主动推理的框架揭示出：具身决策的关键特征——例如决策动力学与动作动力学之间的反馈回路——会自然涌现。 下文将展示，一个混合主动推理模型（即由离散变量与连续变量共同构成的模型），通过联合优化决策与动作，能够复现这些具身选择的特征。 虽然我们在主动推理框架下涵盖了具身决策的几个重要方面，但我们重点关注的是离散决策与连续动力学之间的关系。
16510编辑于 2026-03-11 - 来自专栏全栈程序员必看
python知识推理知识图谱_知识图谱系列–知识推理
摘要 本文接着知识图谱系列–实体链接技术（1）[1]介绍知识推理方法。 知识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，其具体任务可分为可满足性(satisfiability)、分类(classification)、实例化(materialization 知识推理算法上实现效果尚不佳，这里介绍一篇Das, R. , Neelakantan, A. , Belanger, D. , & Mccallum, A. . (2016)的论文[3]。 之前的工作只推理了 relation，没有推理组成路径上节点的 entities，本文对关系类型，实体和实体类型进行了联合学习和推理。 论文结果如图3-4所示:图4 参考文献debuluoyi：知识图谱系列–实体链接技术（1）zhuanlan.zhihu.com 王昊奋知识图谱教程www.chinahadoop.cn [3] Das
2.3K12编辑于 2022-09-06 - 来自专栏DeepHub IMBA
解决推理能力瓶颈，用因果推理提升LLM智能决策
我们依靠因果关系做决策、制定计划、解释行为、适应变化，基本上所有决策都是基于对后果的考量。 这类似于人脑的新皮层功能，负责高阶推理，比如决策、规划和感知。 为了达到这个目标，我们建议在LLM/LRM的训练和微调过程中加入因果AI作为核心组件，同时结合知识图谱。 实现方式是将传统神经网络架构与因果推理技术结合，在神经网络内部推断因果路径。这意味着在训练数据集中建模因果关系，理解特征间的关系、相互影响方式以及对预测的作用。 推理模块负责分解复杂任务并调整执行策略来达成目标；智能体市场提供现有和可用的智能体资源；编排模块负责协调和监控多智能体系统的执行；集成模块与企业系统对接，比如SCADA系统和知识库；共享内存管理处理智能体间的数据和上下文共享 总结 当前LLM的推理局限性已成为制约智能体AI企业级应用的核心瓶颈。由于智能体系统在任务规划阶段高度依赖LLM能力，这种局限性直接影响了AI智能体的自主决策水平。
42610编辑于 2025-11-15 - 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。 Rule的语法与结构 规则通过 Rule对象来进行定义，包含 body terms列表 (premises),head terms列表 (conclusions) 和可选的 name 和可选的direction 前向和后向规则语法之间的区别仅与混合执行策略相关，请参见下文。 _functor_ 是一个扩展的三元组，用于创建和访问文本值。functorName可以是任何简单的标识符。 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: (?
4.3K30发布于 2020-02-18 - 来自专栏全栈程序员必看
【知识图谱】知识推理
文章目录 一、本体知识推理简介 1、OWL本体语言 2、描述逻辑 （1）描述逻辑系统 （2）描述逻辑的语义 3、知识推理任务分类 （1）可满足性(satisfiability) （2）分类(classification 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分的不同选择而不同。 由于概念之间存在包含关系，TBox 知识形成类似 格(Lattice) 的结构，这种结构是由包含关系决定的，与具体实现无关。 M a l e \exists \mathrm{has\_child.Male} ∃has_child.Male 描述逻辑与OWL词汇的对应 3、知识推理任务分类 知识推理：通过各种方法获取新的知识或者结论 Datalog语言可以结合本体推理和规则推理 （2）Datalog语言推理 Datalog语言 面向知识库和数据库设计的逻辑语言，表达能力与OWL相当，支持递归； 便于撰写规则，实现推理。
4.6K21编辑于 2022-06-29 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。 1.1知识表示与推理的定义及研究意义要让机器像人一样聪明，首先得解决两个问题：它怎么存知识？它怎么用知识？这就是知识表示与推理的核心。 ]E-->|反馈优化|CE-->|解决|F[实际应用：问答/决策]3.研究价值：为什么要死磕这项技术？ 知识推理允许机器利用少量规则和大量逻辑来弥补数据的不足。1.2知识表示与推理的发展历程这一领域的发展并非一帆风顺，而是经历了一场从“符号”到“连接”，再到“融合”的螺旋式上升。 会建模：能够针对具体业务场景（如电商推荐、医疗问诊）设计知识表示模型。能推理：掌握基于规则的推理（Drools等）和基于图的推理算法。知前沿：了解大模型如何与知识库结合。
19110编辑于 2026-04-05- 来自专栏技术人生黄勇
REACT：在语言模型中协同推理与行动，使其能够解决各种语言推理和决策任务。
“ 谷歌的研究人员提出了一种通用的方法，将推理（Reson）和行动（Acting）相结合，使得语言模型能够处理多种语言推理和决策任务。 其中推理部分有助于模型进行归纳、跟踪和更新行动计划，并处理异常情况；而行动部分则使模型能够与外部信息源（知识和环境）进行交互，以收集所需信息。 实验结论：这种方法显著提升了模型的可解释性和可信度。 t+1tt如图1所示，可以有各种类型的有用想法，例如： 分解任务目标并创建行动计划(2b,Act1;1d,Thought1)，注入与任务解决相关的常识性知识(2b,Act1)，从观察中提取重要部分(1d 与之相反，对于偏重决策的任务，可能只在有限的步骤内进行推理，因此推理路径在提示中会呈现出稀疏的模式，并由语言模型自主决定是否以异步方式进行推理和动作。 与这些方法相比，ReAct执行的不仅仅是孤立的、固定的推理，还将模型操作及其相应的观察集成到一个连贯的输入流中，以便模型更准确地推理并处理推理之外的任务(例如交互式决策)。
1.1K10编辑于 2024-07-19 - 来自专栏全栈程序员必看
知识图谱（二）——知识推理
知识推理是知识图谱中很重要的一部分，主要用于推理暗含的知识（丰富知识图谱），检查知识库的不一致（知识清洗） 知识推理分类 演绎推理 从一般到特殊的过程.从一般性的前提出发，通过推导，得到具体描述或个别结论 （类似于决策树的信息增益） 上述的归纳逻辑程序设计（ILP）具有以下缺点：需要目标谓词的正例和反例，同时暗含封闭世界假设（即所有未声明是正例的样本都是反例） AMIE算法 不完备知识库的关联规则挖掘（Association 添加悬挂边：悬挂边是指边的一端是一个未出现过的变量，而另一端（变量或常量）是在规则中出现过的 添加实例边：实例边与悬挂边类似，边的一端也是在规则中出现过的变量或常量，但另一端是未出现过的常量，也就是知识库中的实体 将概率图模型与一阶谓词逻辑结合，核心思想是为规则绑定权重（规则概率化），软化一阶谓词逻辑的硬约束. 《第13章 知识图谱与知识推理》王泉 [2]. 《第10章 知识推理》王泉 [3].
2.8K21编辑于 2022-09-05 《模型决策因果推理与统计相关性深度区分指南》
统计相关性与因果推理的本质分野，根植于对“关联来源”的认知深度与逻辑维度，这一结论并非理论推导的空想，而是源于多次技术落地中的试错与复盘。 ”的特殊样本，也能基于因果链路做出准确判断，这种对机制的执着，让因果推理具备了超越数据表象的决策能力。 ”同时影响了作业完成时长与成绩提升，真正的因果变量是“针对性的知识补漏”，剥离混杂后，决策逻辑从“强制延长作业时间”转向“精准补漏”，学习效果显著提升。 解决这一问题的核心思路是“混杂因子显化技术”，通过挖掘数据中的间接关联信号（如设备运行功率与环境温度的隐性映射、能耗波动与季节变化的同步性），结合领域知识构建“潜在混杂因子图谱”，再通过分层校验、倾向得分匹配等方法排除其干扰 因果推理为决策提供“可靠性锚点”，确保决策逻辑符合客观规律，避免重大偏差；统计相关性则为决策提供“效率增益”，通过捕捉表层关联快速筛选关键信号，减少决策延迟。
14010编辑于 2026-01-24- 来自专栏活动
知识图谱嵌入与因果推理的结合
知识图谱通过节点（实体）和边（关系）来表示现实世界中的信息，但如何将这些信息转化为可进行推理和决策的形式，仍然是一个挑战。 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。 通过将患者特征和治疗方案嵌入到知识图谱中，医生能够做出更有效的治疗决策。 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。
1.7K21编辑于 2024-09-22 - 来自专栏TechLead
知识推理技术解析
随着大数据时代的到来和计算能力的显著提升，知识推理技术在众多领域显示出了广泛的应用潜力，从智能问答系统、推荐系统到复杂的决策支持系统，都离不开知识推理的支持。 规则引擎广泛应用于专家系统、业务流程管理和决策支持系统等领域。 这一过程需要处理大量的数据，包括文本、图像等非结构化数据，将其转化为结构化的知识表示。 知识推理与查询 知识图谱不仅能够存储大量的实体和关系，还能支持基于图的推理和复杂查询。 概率推理 概率推理涉及到不确定性的处理，它使用概率模型来表示知识和进行推理。贝叶斯网络和马尔科夫决策过程是概率推理中常用的模型，适用于处理具有不确定性的问题，如天气预测、医疗诊断等。 与机器学习技术的融合 将知识推理与机器学习技术结合起来，可以充分发挥两者的优势，提高系统的推理能力和适应性。
77810编辑于 2024-03-13 - 来自专栏全栈程序员必看
知识图谱—知识推理综述(一)
知识图谱—知识推理综述(一) 1 知识推理的概念以及分类 1.1 知识推理的基本概念 所谓的知识推理，就是在已有知识的基础之上，推断出未知的知识的过程。 其推理过程是完全基于所构建的规则森林的。 归纳推理： 与演绎推理相反的是，归纳推理是一种自下而上的过程，即从个体到一般的过程。通过已有的一部分知识，我们可以归纳总结出这种知识的一般性原则。 将推理方法是否用与问题有关的启发性知识来划分，分为启发式推理和非启发式推理。启发式推理的过程中，会利用到一些启发式的规则，策略等等，而非启发式推理则是一般的推理过程。 面向知识图谱的知识推理 2.1 引入 对于知识图谱而言，其最为常见的表示方式是采用三元组的表示方式，通过三元组，我们可以表示不同事物之间的语义关系，已经事物与属性之间的属性关系。 在获取知识图谱的表示之后，我们就拥有了一部分的事实，而知识图谱的知识推理就是在基于已有的知识图谱的事实的基础上，推理出新的知识或者识别出知识图谱上已有知识的错误。
3.4K20编辑于 2022-06-28 - 来自专栏一个会写诗的程序员的博客
战略决策 , 战术决策 与 业务决策
决策是决策者根据一定的目标，运用科学的理论与方法从众多备选方案中选择一个合理方案并执行的活动过程。决策是管理者从事管理工作的基础，在管理过程中，管理者会面临各种各样的问题，它们都需要管理者予以解决。 战术决策又称管理决策，是为了实现战略决策、解决某一问题所做出的决策，以战略决策规定的目标为决策标准。如医院住院流程设计、医院人员的招聘与工资水平等决策。 由于这种决策分支画成图形很像一棵树的枝干，故称决策树。在机器学习中，决策树是一个预测模型，他代表的是对象属性与对象值之间的一种映射关系。 其实施是对组织已经形成的能力的应用，实施效果主要影响组织的效率与生存。 业务决策（Business Decisions） 业务决策亦称“日常管理决策”。 三、作用和影响不同 1、战略决策的实施效果影响组织的效益与发展。 2、战术决策的实施效果则主要影响组织的效率与生存。
4.2K20发布于 2020-04-01 - 来自专栏NLP/KG
医疗大模型：数据+知识双轮驱动实现医学推理、医患问答、病历自动生成、临床决策
医疗大模型：数据+知识双轮驱动实现医学推理、医患问答、病历自动生成、临床决策，为未来医疗服务提供全新可能性 1.指令数据集构建 目前大多数开源的ChatLLM项目使用的是其他模型（如：ChatGPT）生成的指令数据 因此，本项目为了提高医疗领域的知识问答的准确性，使用如下方式构造指令数据集： 启真医学知识库收录的真实医患知识问答数据（疾病、药品、检查检验、手术、预后、食物等），共计560K条指令数据； 药品知识数据 ”的技术路线，通过大模型技术和医学知识库的紧密结合，融合医疗应用场景中的实际需求，从医学数据治理、医学推理、医患问答、病历自动生成、临床决策辅助支持系统等方面开展迭代研发，助力大模型技术在医疗行业的落地和应用实践 它可用于预防心脏病、脑血管疾病（例如中风）、静脉血栓栓塞（例如深静脉血栓形成和肺栓塞）以及其他与血栓形成有关的情况。 组成“治疗药物”、“检查检验”、“临床表现”指令，分别让ChatGPT（gpt3.5）、ChatGLM、QiZhen0做出回答，然后请专业的医学人员对三个模型的答案与启真医学知识库疾病知识进行比对评分，
1.1K11编辑于 2024-02-23 DeepSeek-RAG赋能知识检索与推理（一）
然而，随着应用深度的提升，用户对“生成结果是否基于真实知识”“模型是否具备逻辑推理能力”的需求也不断增长。这促使我们从“生成能力”迈向“推理能力”的新阶段。 检索增强生成（Retrieval-AugmentedGeneration,RAG）提供了一种桥接语言生成与知识推理的有效机制。 它通过在生成前引入外部知识检索，使模型拥有动态查找信息的能力，从而缓解知识封闭与幻觉问题。 更进一步，RAG的机制可以扩展至结构化图数据的语义利用，通过GraphRAG架构支持复杂的实体关系推理、路径挖掘与多跳问答，显著提升了大模型的知识组织与推理表达能力。 不同于传统大语言模型仅依赖内部参数进行回答，RAG在面对用户问题时，会优先调用外部知识资源进行实时检索，然后再由生成模块结合检索结果进行推理与生成。
57810编辑于 2025-12-06DeepSeek-RAG赋能知识检索与推理（二）
、教学、轻量系统高准确率问答、专业推理系统、商业级RAG应用架构复杂度低，易部署高，需要多模块协作二、DeepSeek-RAG实战案例与代码实现为了更好地实现基于检索增强生成的智能问答系统，本项目采用了 LangChain作为一个针对大语言模型（LLM）应用的开发工具包，能简化向量化检索、文档切分、知识存储与对话历史管理等关键流程。 ；代理（Agents）根据输入动态选择工具或调用链，实现自主决策。 通过组合这些组件，开发者可灵活搭建复杂应用（如问答系统），实现基于LLM的推理、工具调用与多步任务协同，同时支持扩展自定义功能与第三方服务集成。 （2）数据读取增强大模型第一步，循环对话与知识检索**。接受用户输入，先从向量库中检索相关知识，再把检索结果和用户问题一并发送给大模型生成回复，实现实时对话。第二步，DeepSeek模型下载和加载。
36110编辑于 2025-12-06- 来自专栏用户11885981的专栏（2）
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。 （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。 融合策略：可以将GCN提取的结构特征与GAT提取的语义特征拼接，或者结合预训练语言模型（如BERT+GNN），利用文本信息辅助推理。 通过本章，我们已经掌握了利用GNN进行知识推理的技术。下一章，将探讨如何将这种强大的技术与大语言模型结合，迈向更高级的神经符号人工智能。
12110编辑于 2026-04-07
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