- 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。
4.3K12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
1.1K11编辑于 2024-01-31 - 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。
40240编辑于 2023-02-01 - 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
1.9K20发布于 2021-02-02 DeepSeek：知识图谱与大模型参数化知识融合的创新架构
为了克服这些局限性，将大模型与知识图谱进行融合成为了 AI 领域的一个重要研究方向，这种融合能够实现优势互补，提升智能系统的性能和可靠性。 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% 。
4K00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。
27400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。
59310编辑于 2024-08-29- 来自专栏图灵技术域
融合事实信息的知识图谱嵌入——语义匹配模型
知识图谱嵌入 知识图谱（KG）是由实体 (节点) 和关系 (不同类型的边) 组成的多关系图。 为了解决这个问题，提出了一种新的研究方向——知识图谱嵌入。关键思想是嵌入 KG 的组件，包括将实体和关系转化为连续的向量空间，从而简化操作，同时保留 KG 的原有的结构。 ---- 融合事实信息的知识图谱嵌入 步骤： ①使用连续向量空间表示实体关系，关系通常被视为向量空间的运算。 ②定义评分函数，用来测量事实的合理性。 NTN是迄今为止最具表达能力的模型，但是参数过多，处理大型知识图谱效率较差。 多层感知机 (MLP) MLP 是一种更简单的方法，在这种方法中，每个关系 (以及实体) 都是由一个向量组合而成的。
3.2K20发布于 2021-05-21 - 来自专栏秋枫学习笔记
用大模型LLM进行异构知识融合构建推荐系统
本文提出采用大模型LLM从用户的异构行为信息中提取和融合异构知识，然后将异构知识和推荐任务相结合，在LLM上执行指令微调进行个性化推荐。 针对不同的推荐任务构建不同的指令数据集，指令是对任务的描述包括对类别，价格，商家等的偏好，而输出是用户真实的下单的标签 基于构建的指令数据进行微调，本文作者采用的LLM为chatglm-6b 2.1 异构知识融合 在异构知识融合阶段，利用LLM丰富的语义知识和强大的推理能力来促进异构知识的融合。 接下来，在知识融合模块中，使用ChatGPT对行为文本进行异构知识融合，获得异构知识文本。基于用户行为生成的异构知识将用于LLM的微调和推荐阶段。 2.2 指令微调 微调过程旨在帮助LLM更好地理解异构知识，并进一步提高其在推荐任务中的准确性和适应性。基于推荐任务和异构知识构建了一个指令数据集，包括输入、指令和输出。输入是上面生成的异构知识。
1.1K40编辑于 2023-10-06 - 来自专栏图灵技术域
融合事实信息的知识图谱嵌入——翻译距离模型
知识图谱嵌入 知识图谱（KG）是由实体 (节点) 和关系 (不同类型的边) 组成的多关系图。 为了解决这个问题，提出了一种新的研究方向——知识图谱嵌入。关键思想是嵌入 KG 的组件，包括将实体和关系转化为连续的向量空间，从而简化操作，同时保留 KG 的原有的结构。 ---- 融合事实信息的知识图谱嵌入 步骤： ①使用连续向量空间表示实体关系，关系通常被视为向量空间的运算。 ②定义评分函数，用来测量事实的合理性。 TransE及其变体 TransE：最具代表性的知识图谱嵌入 实体和关系都在同一空间，对于每一个三元组（h,r,t）TransE 希望： ? 评分函数为： ?
1.4K30发布于 2021-05-21 - 来自专栏NewBeeNLP
深度融合 | 当推荐系统遇上知识图谱（二）
前情提要： 万物皆可Graph | 当推荐系统遇上图神经网络 深度融合 | 当推荐系统遇见知识图谱 继续来看看推荐系统的花式操作！ 这一篇博文整理对『知识图谱』和『推荐系统』融合更加深入的几篇文章：MKR，KTUP以及KGAT。 MKR利用一个Cross单元使两者融合，KTUP是相互补全相互增强的思路，KGAT则是先KG嵌入接Attention融合的操作。 下面来具体看看吧！ for KG enhanced Recommendation 地址：https://arxiv.org/abs/1901.08907 也可以在公众号后台回复『0021』直接获取 交替学习文章以更好的融合 知识在提供有关物品的丰富信息方面显示出巨大的潜力，将知识图谱(KG)引入推荐系统去加强用户-物品的交互，有望提高推荐的准确性和可解释性。而这篇论文的主要动机是KG往往有可能是不完整的。 ?
1.5K30发布于 2021-02-04 - 来自专栏技术汇总专栏
智能体知识更新机制：增量式知识图谱构建与融合技术
智能体知识更新机制：增量式知识图谱构建与融合技术一、引言随着大模型驱动的智能体（Agent）在企业业务、搜索问答、自动化运营、RPA流程中广泛应用，知识更新问题变得尤为突出。 而智能体需要：识别新知识是否已存在将新知识增量式注入知识图谱自动融合冲突信息实时影响推理过程不中断系统运行因此，“增量式知识图谱构建与融合（IncrementalKGConstruction&Fusion 、更新频率适中实时增量更新（IncrementalUpdate）每条知识都实时更新并融合智能体实时问答、监控、自动决策智能体通常需要实时增量模式。 三、增量式知识图谱构建流程完整流程如下：展开代码语言：TXTAI代码解释新数据流入→信息抽取→知识对齐/消歧→图谱增量更新→冲突融合→推理索引更新3.1信息抽取（NER/RE）智能体通过LLM或规则抽取 （KnowledgeFusion）三类融合方式：融合类型特点优先级融合权重高的知识覆盖低权重证据投票多来源数据投票决定可信度时间序列融合新知识覆盖旧知识四、系统架构设计一个典型的智能体增量知识图谱系统包含
75810编辑于 2025-11-14 知识融合·认知赋能：AI 知识图谱系统重塑企业智能新范式
AI 知识图谱系统通过融合多源异构数据、语义理解与图神经网络技术，构建了"知识构建-关联推理-智能服务"的完整认知体系，实现了从"数据存储"到"认知赋能"的根本性转变。 ：业务决策缺乏全景知识视图和智能推理能力知识进化停滞：知识更新依赖人工维护，难以及时适应业务变化AI 知识图谱技术架构系统构建"构建-推理-服务-进化"四层智能架构：智能构建引擎：实现多源数据的自动化知识抽取与融合图推理计算平台 ：支持复杂的关联挖掘和路径分析智能服务平台：提供知识检索、问答、推荐等多样化服务自进化系统：基于使用反馈持续优化知识体系功能模块效能对比分析核心模块传统知识管理AI 知识图谱系统效能提升知识构建人工整理分类自动化抽取融合构建效率提升 ：基于 BERT 的命名实体识别，准确率超 95%关系抽取：采用联合学习模型同步抽取实体和关系事件抽取：基于模式匹配与深度学习的事件检测知识融合与对齐实体链接：基于语义相似度的实体消歧与对齐知识补全：通过图嵌入模型预测潜在关系质量校验 ，实现实时演化长期（2 年）：构建认知推理引擎，实现深层因果推断应用深化方向知识图谱与大语言模型深度融合发展领域自适应知识图谱构建企业级知识图谱生态推动知识驱动的自动决策 典型客户价值某金融机构：通过知识图谱发现潜在风险关联
47010编辑于 2025-10-30知识融合·智能涌现：知识图谱构建及智能服务系统重塑企业认知新范式
知识图谱构建及智能服务系统通过融合多源异构数据、语义理解与图计算技术，构建了"知识融合-关联推理-智能服务"的完整认知体系，实现了从"数据存储"到"知识赋能"的根本性转变。 ：业务决策缺乏全景知识视图和影响推演能力知识传承困难：专家经验和业务逻辑等隐性知识难以沉淀和复用知识图谱驱动的认知服务体系系统构建"构建-推理-服务-进化"四层架构：智能构建引擎实现多源数据的自动化知识抽取与融合 功能模块对比与效能提升功能模块传统知识管理知识图谱系统效能提升幅度知识构建人工整理分类自动化抽取融合构建效率提升 20 倍关联发现人工经验关联图算法自动挖掘关联发现量提升 50 倍知识检索关键词匹配语义检索 、表格、图中自动抽取实体、属性和关系知识融合对齐：基于相似度计算和规则推理，解决实体歧义和冲突图谱表示学习：将知识映射到低维向量空间，支持相似性计算和关联预测图神经网络推理：基于图结构进行复杂推理，发现隐藏关系和传导路径例如在供应链金融场景中 政务治理知识大脑融合政策法规、企业数据、民生诉求构建政务知识图谱，实现政策精准推送、营商环境分析、民生诉求溯源。通过图谱分析产业关联和发展态势，为区域经济决策提供支持，使政策匹配准确率提升 60%。
30710编辑于 2025-10-30- 来自专栏实验盒
sciLaMA：融合大语言模型先验知识的单细胞分析框架
传统的深度生成模型（如变分自编码器VAE）在处理这些数据时，难以有效整合外部的生物学知识。 sciLaMA的技术优势 整合外部知识：sciLaMA通过引入大语言模型生成的静态基因嵌入，能够有效利用外部的生物学知识（如基因功能注释、分子序列等），从而提升单细胞数据分析的准确性和鲁棒性。
42900编辑于 2025-02-19 - 来自专栏靠才华整容
自动驾驶多传感器融合--同步标定知识整理
“ 最近学习了一些自动驾驶的课程和教材，整理了同步标定的知识点，确实帮我解答了很多刚入行疑惑，对于新手小白而言，有用 ” 所谓的时间硬同步，就是通过唯一的时钟源给各传感器 提供相同的基准时间，各传感器根据提供的基准时间校准各自的时钟时间 即完成了里程计方法的补偿 传感器标定分为单传感器的标定和多传感器之间的标定，主要是外参标定和内参标定，目的是为了保证确定不同传感器的空间关系，并统一在整车坐标系下，这样就能获取不同传感器采集的同一障碍物的信息，便于后续融合处理
2.1K10编辑于 2022-03-15 - 来自专栏活动
知识图谱嵌入与图神经网络的深度融合
知识图谱嵌入与图神经网络融合的理论基础知识图谱嵌入的原理知识图谱嵌入的目标是将图中每个实体和关系表示为低维连续向量，允许我们通过向量运算来推理图中的关系。 深度融合方法图神经网络在知识图谱嵌入中的应用在知识图谱嵌入中引入图神经网络，通常是为了提高实体嵌入的质量。 知识图谱嵌入与图神经网络的融合框架知识图谱嵌入与图神经网络的融合框架通常包括以下几个步骤：步骤描述构建初始知识图谱嵌入使用如TransE等嵌入模型生成实体和关系的初始向量表示。 知识图谱嵌入与图神经网络的代码实现我们将结合Python和PyTorch框架，通过一个简单的示例展示如何实现知识图谱嵌入与图神经网络的融合。 将更多复杂的知识表示形式融入到图神经网络中，如时间、空间等多维信息。知识图谱嵌入与图神经网络的深度融合为我们在知识推理和推荐系统领域提供了强大的工具。
1.2K31编辑于 2024-09-27 - 来自专栏深度学习与python
融合风控知识的大模型体系建设与应用实践
在 AICon 全球人工智能开发与应用大会·深圳站，腾讯算法专家欧阳天雄分享了主题演讲《大模型驱动下的智能风控落地实践》，介绍如何基于大模型技术，融合海量风控知识，解决传统风控模型在小样本 / 零样本场景下的建模难题 天御金融风控大模型的核心设计理念，概括为两点：一是融合风控“全要素”知识；二是据此构建风控大模型。 此外，2024 年我们与合作部门及头部风控厂商共同讨论，并制定了金融风控大模型的构建标准，从数据、模型、场景三方面给出细化指引： 数据准备：识别有用数据、分层管理、融合多源数据、构建高质量训练集； 模型构建 与传统的“子分融合”方案相比，这一模式首先在数据层面实现了更深层次的融合与增益； 其次在合作机制上更为紧密，从标准到流程到评估体系形成闭环；再次在效果层面，相较单体方案，联合共建在风险控制指标上显示出显著提升 为客户开通账号后，即可通过平台上传样本，并与我们的建模能力进行融合。系统以统一标准接入不同数据源，支持一键数据回溯与模型部署，使用户专注于数据分析与模型训练。
81910编辑于 2025-11-26
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