知识图谱

开放知识图谱

论文浅尝 | 图上生成：将大语言模型视为智能体与知识图谱以解决不完整知识图谱问答（EMNLP2024）笔记整理：邹堉莹，东南大学硕士，研究方向为知识图谱与大语言模型相结合论文链接：https://arxiv.org/abs/2404.14741

CLIP 的双编码器架构是如何优化图文关联的？（2）CLIP 的双编码器架构是如何优化图文关联的？（2）二、CLIP模型架构与技术实现三、技术对比与行业应用

麦麦大数据

F052pro 基于spark推荐的中医古籍知识图谱可视化推荐系统|spark mlib|hadoop|docker集群文章结尾部分有CSDN官方提供的学长联系方式名片文章结尾部分有CSDN官方提供的学长联系方式名片关注B站，私信获取！麦麦大数据编号: F052

病历生成与质控编码的工程化范式研究：从模型驱动到系统治理的范式转变——基于临床自然语言处理的工程视角：从大型语言模型演示到院内可运营临床系统的实现路径病历自动生成与临床文档改进（CDI）/国际疾病分类（ICD）编码是医疗人工智能落地应用的关键场景。当前研究多集中于模型算法本身的优化，然而在真实临床环境中，系统的成功部署与长期运营更依赖于系统性工程范式的构建。本文指出，此类任务的核心挑战并非单纯追求模型性能指标的提升，而在于如何在强合规性、高可靠性、全程可追溯的刚性约束下，将自动化生成与智能建议能力无缝、安全地嵌入现有的临床工作流。因此，其实际落地成效主要取决于推理服务架

讲透知识图谱Neo4j在构建Agent时到底怎么用（二）在构建面向真实业务场景的智能 Agent 时，我们很快会发现：仅靠大语言模型（LLM）和向量检索（RAG）远远不够。LLM 擅长生成流畅自然的语言，却缺乏对业务规则的精确把握；RAG 能从海量文档中召回相关信息，但无法处理需要多跳推理或结构化判断的问题。当用户问出“我是科技城的，家里空调坏了找谁？”这类问题时，系统若仅依赖关键词匹配或语义相似度，极易给出错误甚至自相矛盾的答案。

产品人卫朋

「产品、IPD、战略、流程」知识图谱速查清单.v7.0目录简介总结目录如下1、产品实战工作坊2、轻量化RPM-IPD流程3、科技IPO大厂IPD流程合集4. 资源社群

【Web信息处理与应用课程笔记8】知识图谱与图计算【本节概要】本节主要讨论如何将知识图谱与图学习技术相结合，支撑图谱推理应用。目录一、图表示学习技术1.1 图表示学习问题概述

【AI 学习】AI提示词工程：从入门到实战的全栈指南在大模型主导的 AI 应用中，提示词（Prompt）已成为连接人类意图与机器输出的核心媒介。无论是代码生成、文档写作还是数据分析，精准的提示词设计直接决定了 AI 输出的质量与效率。据统计，经过优化的提示词可使 AI 响应准确率提升 70% 以上，这使得 “提示词工程” 成为开发者和技术爱好者的必备技能。以文本生成任务为例，简单的提示词 “写一篇文章” 得到的结果往往宽泛而缺乏针对性；而 “以科技创业为主题，写一篇 1500 字左右，包含市场分析、创业挑战和应对策略的文章”，则能引导 AI 生成更符合需

北京地铁1号线

Leiden算法与Louvain算法简介在知识图谱或任何复杂网络中，“社区结构”是指网络中的节点被划分为若干个组，组内连接密集，组间连接稀疏。检测社区结构有助于：

KnowVal（arXiv:2512.20299v1）：知识图谱增强与价值引导的自动驾驶决策论文：KnowVal: A Knowledge-Augmented and Value-Guided Autonomous Driving System（arXiv:2512.20299v1, 2025-12-23）

讲透知识图谱Neo4j在构建Agent时到底怎么用（一）知识图谱常被误解为一堆实体和关系的静态集合，实则不然。它的本质是一种结构化的语义网络，用“实体-关系-实体”的三元组形式，刻画现实世界中对象之间的复杂关联。这种建模方式天然贴近人类认知逻辑——我们理解“苹果”不仅因其属性（红色、甜），更因它与“水果”“乔布斯”“iPhone”等概念存在上下位、创始人、品牌等不同语义关系。传统关系型数据库以表结构存储数据，在表达这类多跳、异构、动态的关系时显得力不从心，JOIN 操作成本随关联深度指数级增长。图数据库的出现正是为了解决这一根本矛盾。

GEA的架构科普：生成式引擎优化架构详解与实战指南在传统的搜索引擎优化（SEO）里，我们关心的是爬虫抓取 → 倒排索引 → 排序算法 → 展示链接。然而，生成式引擎（Generative Engine，如 Bing Chat、Perplexity、You.com）正在改变游戏规则：它们不再只是返回链接列表，而是直接用 LLM 生成自然语言答案。

KG_LLM图谱增强大模型

[20页中英文PDF]生物制药企业新一代知识管理：用知识图谱+大模型构建“第二大脑“药物研发正面临知识爆炸的挑战。本文深入探讨如何利用大语言模型和知识图谱技术构建企业级"第二大脑"，将分散的科研数据、文献和隐性知识整合为可搜索的知识库，实现60%的文档审查效率提升，并可能为制药行业创造600-1100亿美元的年度价值。

【Web信息处理与应用课程笔记7】知识抽取与表达【本节概要】在知识图谱的基础上，我们进一步考虑如何有效抽取和表达实体。目录一、实体抽取任务1.1 命名实体识别概述

知识图谱增强大模型：构建可解释的行业智能搜索引擎摘要：本文深度揭秘知识图谱与大语言模型融合的企业级搜索架构。通过动态图神经网络（Dynamic GNN）实现实体关系实时编码，结合LLM的生成能力，打造具备"推理+溯源"能力的智能搜索系统。在医疗领域实测中，答案准确率从68%提升至91.3%， hallucination 降低76%，响应延迟控制在300ms内。提供从图谱构建到服务部署的全链路代码与优化技巧。

10分钟了解向量数据库（4）10分钟了解向量数据库（4）3 向量检索算法4 主要开源向量数据库5 AI与向量数据库#人工智能#具身智能#VLA#大模型

医疗AI多智能体资源调度：用Python构建高性能MCU资源池作者 | Allen_lyb 发布时间 | 2026年1月标签 | #Python #异步编程 #医疗AI #资源调度 #系统架构

人工智能培训

10分钟了解向量数据库（3）3 向量检索算法#Agent大模型#工信部证书#人工智能证书#职业证书

10分钟了解向量数据库（310分钟了解向量数据库（3）3 向量检索算法#人工智能#具身智能#VLA#大模型

KG_LLM图谱增强大模型

颠覆传统问诊：懂医生的主动式智能预问诊多智能体系统，开启医疗AI新范式面对全球日益严峻的医疗资源紧张和问诊时间压缩的挑战，本文介绍了一种创新的分层多智能体框架。该系统通过自主任务编排，将传统被动响应的医疗AI转变为能够主动引导结构化问诊的智能系统，显著提升了预问诊的效率与临床质量，为缓解医生工作压力、优化医疗服务流程提供了全新思路。