知识图谱

项目内容：构建美国科学研究系统的知识图谱，由NIH和NSF数据构建网络，并用复杂网络理论对合作模式进行挖掘。 项目技术：Schema设计、ER图、Scrapy爬虫、知识图谱、Neo4j、复杂网络分析（节点中心性、聚类系数）、Mediawiki 项目成果：爬取数据后，构建极大连通子图包含52883条12年NIH数据、47949条14年NSF数据，数据融合后总计100832条数据43个特征，并绘制4类实体UML类图、Protege本体图，构建含71489个节点86177个关系的Neo4j知识图谱，并通过复杂网络统计指标分析，揭示跨机构合作模式，通过MediaWiki展示在SMW平台

本方案面向谁？ 法律从业者：律师、法务专员需要快速查询华盛顿州法律条文 企业法务：需要了解华盛顿州合规要求的企业 普通公民：需要了解州法律常识、节假日等信息的居民 解决了什么问题？ 检索效率低：传统法律文件检索需要人工翻阅大量文档，耗时费力 专业门槛高：非法律专业人士难以理解复杂的法律条文 语义理解差：关键词搜索无法理解用户真实意图，检索精度不高 相对于市场常规方案的特点 技术优势：使用PostgreSQL+pgvector替代专门向量数据库，降低成本提升稳定性 模型选择：集成Claude API，在法律文本理解方面表现更优 垂直专精：专注华盛顿州法律，比通用法律AI更精准 成本效益：相比聘请法律顾问，大幅降低法律咨询成本 技术选型 核心技术栈 前端：React + TypeScript，英文界面 后端：Python Flask，异步高性能 AI模型：Claude-3.5-Sonnet API 数据库：PostgreSQL + pgvector扩展 向量模型：sentence-transformers 系统特点 向量检索：PostgreSQL原生向量计算，无需额外向量数据库 RAG架构：文档向量化 + 语义检索 + Claude生成回答

NdcReason 知识图谱推理框架可以帮助企业与个人免费搭建知识图谱和知识自动推理，并在此技术上嵌入大模型LLM实现智能问答应用场景。系统长期维护并已经迭代到4.0版本。经过三年多的工业化成熟度落地，已在银行、交通、医院等行业成功运行实施。 具体详见：www.niudic.com

tasks: 知识图谱 时序图数据库 命名实体识别 关系抽取 事件抽取 属性抽取 安装包下载 git clone https://www.modelscope.cn/AbutionGraph/a

项目描述：该系统致力于解决用户在多个电商平台中查找优质商品的问题。通过爬取多个电商平台的商品数据并构建电商知识图谱，我们建立了一个多平台购物推荐网站。该网站展示了电商知识图谱中的商品数据，并为用户提供了个性化的购物推荐服务，帮助用户在众多平台中快速找到性价比更高的商品。 所用技术：Spring Boot、Mybatis、MybatisPlus、Neo4j、Redis、Swagger、Vue、Vant、Element UI、D3.js、Selenium 个人职责： 1、使用Selenium编写爬虫程序，从各大电商平台获取商品数据和商家信息，并对爬取到的数据进行清洗和处理，确保数据的准确性和完整性，并将清洗后的数据存储到Neo4j图数据库中； 2、采用前后端分离的架构设计，前端使用Vue框架开发，后端使用Spring Boot框架开发，处理业务逻辑，实现商品管理、商家管理、商品推荐等功能； 3、借助D3框架中的力导向图，将电商知识图谱以可视化的形式展示出来，通过交互式手段更新电商知识图谱； 4、编写并实现协同过滤算法，根据用户的购买历史和浏览行为，从多个平台推荐个性化的商品，以提升用户满意度和购物体验； 5、实现Redis数据缓存功能，使用Spring Data Redis对高频查询的商品数据进行缓存，在相关数据被修改时及时进行缓存的更新；

项目简介： 面向垂直领域的智能数据中台，以知识图谱技术栈为基础，以业务数据分析为核心业务导向，提供从数据融合治理、数据分析、图谱管理与分析、知识服务与展现到智能问答的一整套解决方案，产品拥有 PB 级数据管理和处理能力，图算法分析操作支持秒级响应。产品可将分散的业务数据进行持续有效的汇聚、整编、存储、管理和挖掘，利用知识图谱、机器学习等技术，进行数据分析，并建设知识百科、知识分享、智能搜索、关联分析、智能推荐服务等应用。 技术架构： 1、展现层：VUE、D3.js 2、服务层：Spring Cloud+Feign、Nacos、Sentinel、Django 3、计算层：Numpy、Pandas、TensorFlow、Scikit-learn 4、中间件：ElasticSearch、Kafka、Redis、MongoDB、Zookeeper、MinIO 5、数据层：MySQL、HDFS、Hive、HBase、Spark、Neo4j 6、系统层：K8S、docker 项目业绩： 1、核心模块需求评审，技术选型，微服务架构技术设计； 2、根据需求，确定开发周期，安排资源，定稿产品原型； 3、核心代码开发，包括数据分析与治理、知识图谱管理分析、知识问答服务等； 4、攻克系统技术难题，系统性能调优，系统顺利上线以及产品现场落地。 产品能力： 智能数据中台产品在数据分析领域具有强大的数据处理能力和智能化服务，能够满足用户在数据管理和分析方面的多样化需求，提高数据处理效率和数据分析精度。

项目分为：脑科学知识抽取模块、知识图谱构建模块、知识查询和分析模块，对使用者来说实现了250万篇脑科学文献的智能分析 我负责关键部分的NLP、知识图谱算法的解决，最终达到了抽取了3000万条知识，准确率提升50%。 难点：从科学文献中抽取出结构化的知识、领域大模型的训练

项目分为：旅游知识图谱构建模块、路径规划模块、对话机器人模块，对使用者来说实现了一部手机游北京的功能 我负责关键部分的NLP、知识图谱算法的解决，最终达到了信息的准确度提升30%，系统运行流畅度提升50%。 难点：非结构化-半结构化-结构化数据的对齐、领域大模型的训练、层次化本体构建、实例层建模、结构化数据的抽取

项目简介： 此平台致力于为垂直领域行业各场景下的智能对话业务提供通用性技术解决方案。具体场景包括智能培训机器 人、营销线索机器人、智能客服等。平台其构建过程主要包括：建立模型训练语料库、构建故事线与意图数据知识图谱、模型核心能力研发（NLU与 DM 核心算法）、后台运维管理系统与CUI 能力（ASR与 TTS ）构建。 技术关键词： Rasa、知识图谱、实体识别、NLP、NLU、意图识别、词槽技术、seq2seq、LSTM、CRF、CUI能力。 项目业绩： 1. 产品方案材料编写、技术可行性探索与预研； 2. 项目技术选型与框架搭建； 3. 模型语料库数据清洗与知识图谱构建，语言模型训练、运维管理系统研发以及CUI能力接入。 产品能力： 1. 高度定制化的对话体验：通过构建故事线与意图数据知识图谱，平台能够提供高度个性化的对话管理，确保与用户的交互更加自然和流畅; 2. 精准的意图识别和实体抽取：利用先进的NLP和NLU技术，如实体识别、意图识别和词槽技术，平台能够准确理解用户的查询意图和上下文信息，从而提供更准确的服务; 3. 强大的自然语言处理能力：集成了seq2seq、LSTM和CRF等模型，平台具备强大的自然语言处理能力，能够处理复杂的用户查询并生成自然的语言响应; 4. 智能客服的高效率：平台的智能客服功能可以大幅提高垂直机构的客户服务效率，减少等待时间，同时提供24/7的服务，增强用户满意度； 5. 持续学习和优化：平台设计了模型训练语料库，能够不断学习和优化，随着时间的推移，系统的准确性和响应速度将持续提高。

1.数据导入、处理构建知识图谱模块 2.问题分词处理分类模块 3.问题匹配、知识图谱交互模块。 4.前端显示处理：问题输入、回答模块

1、灵犀超链实现产业链、供应链、人才链、创新链、价值链“五链合一”，贯通企业经营所需的信息流、业务流、价值流，提升经营要素获取能力和交易触达能力，全面赋能政府、企业、协会及金融机构等各类主体单位，助力产业升级优化和经济发展。 2、我负责前端项目搭建以及核心模块开发，比如产业图谱、企业详情等等。

本人主要负责本书第3、6、7章审校，完成第5、10章编写。 百度百科介绍：https://baike.baidu.com/item/%E7%B2%BE%E9%80%9ANeo4j/62286844 图数据库是NoSQL类数据库的又一大典型代表，在国内图数据库属于新兴事物，其优异的复杂关系解决方案引起了国内众多大型互联网公司及IT开发者的关注，而Neo4j是目前图形化数据库中最为出色、最为成熟的产品。本书的第一版书名是《Neo4j权威指南》，发行量超过13000册，本书在第一版的基础上补充完善了Neo4j的新特性、新功能，总页数超过700页。 本书的编写从2021年筹划到2022年11月出版，历时将近一年的时间，倾注了编委团队大量心血，最终在编委团队的齐心协力下定稿出版。 本书基于Neo4j 4.4版本编写，共分10章，涵盖基本概念、基础入门、查询语言、开发技术、管理运维、集群技术、应用案例、高级应用、中文扩展、配置设置、内建过程、GDS、Fabric等内容。各章简要介绍如下： 第1章 Neo4j图数据库基础。介绍图数据库概念以及Neo4j的体系结构。本章可以作为初学者的入门部分。有经验者可以略过，直接阅读后续章节。 第2章 Neo4j基础入门。引导读者初步使用Neo4j，包括Neo4j的安装部署、操控平台的使用、引导实例。 第3章 Neo4j之Cypher。详细介绍Cypher语法，它是Neo4j引擎的接口语言，掌握好它是用好 Neo4j 的关键，也是使用中常备的参考资料。 第4章 Neo4j程序开发。详细讨论如何将Neo4j与开发平台、编程语言之间进行集成，并提供相应的开发实例。 第5章 Neo4j数据库管理。介绍Neo4j数据库管理相关的内容，主要包括：部署、监控、安全管理、运维与优化、备份与恢复、数据库管理相关工具等基本知识和基本操作。 第6章 存储过程库APOC。主要介绍Neo4j存储过程基本原理以及多个常用存储过程的使用方法。 第7章 图数据科学库GDS。主要介绍Neo4j图形数据科学库中的主要概念。该库的目标是：“为Neo4j提供高效实现的并行通用图形算法版本，以Cypher过程的形式公开”。 第8章 集群技术与Fabric。对Neo4j集群的概念进行讲解以及如何去搭建各种类型的集群，还有Fabric新特性的讲解。 第9章 Neo4j应用案例。介绍Neo4j在多个业务场景中的应用实例，包括每个实例的业务分析、图建模、查询分析，并提供了实例源码。 第10章 Neo4j高级应用。介绍高级索引、Docker环境部署、与大数据平台的数据交互、消息总线应用、区块链应用、Neo4j与自然语言处理等高级话题。

在图数据库Neo4j/ONgDB中，ongdb-lab-apoc是一个非常重要的组件，它是一个名为APOC（Awesome Procedures on Cypher）的插件，可以扩展图数据库的功能和操作。 APOC插件提供了一组强大的过程和函数，可以帮助您进行更高级的数据处理和操作。它可以扩展Cypher查询语言的功能，包括数据转换、导入/导出、字符串处理、时间处理、生成Cypher等。通过使用APOC，您可以更轻松地进行复杂的数据操作和分析 。 在使用APOC插件之前，您需要先下载并安装它，然后在Neo4j的配置文件中启用。一旦启用，您就可以在Cypher查询中使用APOC提供的各种过程和函数了。 在图数据库Neo4j/ONgDB中，ongdb-lab-apoc是一个非常重要的组件，它是一个名为APOC（Awesome Procedures on Cypher）的插件，可以扩展图数据库的功能和操作。 APOC插件提供了一组强大的过程和函数，可以帮助您进行更高级的数据处理和操作。它可以扩展Cypher查询语言的功能，包括数据转换、导入/导出、字符串处理、时间处理、生成Cypher等。通过使用APOC，您可以更轻松地进行复杂的数据操作和分析 。 在使用APOC插件之前，您需要先下载并安装它，然后在Neo4j的配置文件中启用。一旦启用，您就可以在Cypher查询中使用APOC提供的各种过程和函数了。 功能模块： 数据转换：该功能模块可以将数据从一种格式转换为另一种格式，帮助使用者在不同数据格式之间进行转换和交互。 导入/导出：使用者可以通过该功能模块将数据导入到系统中，或从系统中导出数据。 字符串处理：该功能模块提供了一系列用于处理字符串的操作，例如截取、拼接、替换等，帮助使用者对字符串进行处理和操作。 时间处理：通过该功能模块，使用者可以对时间数据进行解析、格式化、计算等操作，方便对时间数据进行处理和分析。 Cypher生成：该功能模块可以根据使用者提供的条件生成对应的Cypher查询语句，方便使用者进行复杂的数据查询和分析 。 技术栈与实现效果： Neo4j/ONgDB：Neo4j/ONgDB是一个图数据库，用于存储和处理数据。通过使用Neo4j，该项目能够更好地管理和分析图数据。 APOC插件：APOC是Neo4j/ONgDB的一个扩展插件，提供了额外的功能模块和工具，如数据导入/导出、字符串处理、时间处理等。使用APOC插件，该项目实现了更高级的数据操作和分析 。 使用Neo4j和APOC插件，本项目能够实现更灵活、更高级的数据操作和分析。通过使用APOC插件的功能模块，可以更轻松地进行复杂的数据转换、导入/导出、字符串处理、时间处理和Cypher生成。使用者可以根据自己的需求进行数据操作和分析，更快地获取所需的结果。 难点？ 图算法实现：该项目可能需要实现一些复杂的图算法，对于不熟悉图算法的开发人员来说，可能会遇到一些困难。 系统设计：由于该项目涉及到数据处理和分析，需要进行系统设计和架构，对于一些开发人员来说，可能需要进行更深入的学习和研究。 插件实现：使用APOC插件可能需要对插件的实现进行理解和学习，对于一些不熟悉插件开发的开发人员来说，可能会遇到一些困难。

该项目在DEMO大师网站付费下载153人，浏览量29747次。 将结构化数据通过关系预处理程序处理为图数据库可以查询的数据，示例是将其中一部分（人物关系数据）可视化表示。 技术点：图数据库Neo4j，d3.js，java，css，spring boot 开发工具：IDEA专业版（可找学生账号注册免费使用一年，社区版不支持WEB开发） 实现思路： 1，先定义基础的展示页面index.html 2、完成画图js(graph.js) 3，提供一个基础的拿数据接口加载测试绘图数据和绘图需要的数据（例如节点选中之后的小图标加载） 4、页面从数据接口请求数据之后，调用绘图JS在页面完成画图操作（请求数据的接口可以很方便的改为从图数据库拿取数据进行展示）

主要职责： 1. 负责空间数据的导入和 Neo4j图谱数据的导入，导入空间数据过程中发现的数据量较大，常规方式导入可能需要等待半小时以上，于是使用多线程+中间数据的方式来提高导入效率。 2. 负责自定义查询模块、实体查询模块，收藏查询条件等功能模块的表结构设计和待办编写，自定义查询功能需要查询出框选范围内的所有实体的信息，每次都单独查就会很慢，所有我采用了动态表来完成此功能；实体查询模块使用 cql 来查询图谱数据并与查询到的空间数据组合。

项目概述：基于训练、管理、教学的数据构建知识图谱，通过实体间的关系相互连接，构成网状的知识结构，支持知识的可视化展示以及使用自然语言进行简单提问并给出答案 功能模块：本体管理，实体管理，模型抽取，知识问答，系统管理 我的职责： 1.使用neo4jd3做知识图谱可视化展示，支持增删改查节点和 关系，手动构建知识图谱 2.封装组件实现多格式文件上传预览，对非结构化数据进行处理，使用poplar-annotation实现文本标注功能，对提取出的有效信息进行实体和关系的映射，由此自动构建出知识图谱 3.基于jsplumb实现ETL功能，对原始数据进行抽取、转换、加载，将不同格式的数据经过处理后得到有用且统一格式的数据 4.实现类似搜索引擎的知识问答功能，基于知识图谱给出答案 5.实现知识问答管理库，对问答进行管理和统计，使用Echarts可视化展示问答情况

产品描述：一栈式知识图谱构建平台，从本体建模、知识抽取、知识融合、知识入库、知识计算到知识应用的全生命周期管理。 负责的工作： 1.知识图谱平台需求调研、产品设计 2.图数据库选型，数据库nebula的技术调研，部署与运维 3.平台涉及到的算法支持，如关系抽取、实体识别、文本分类、实体融合等模型开发

主要包含自定义表单的自由配置，可参考简道云表单，高度模仿功能制作 【项目模块】创建表单、配置表单、表单发布、数据统计、填报统计 【我负责的】由本人完全自主开发

系统围绕图书、期刊、报纸、古籍、音视频等多种类型数字资源开展知识资源精细化标引、知识组织与数字资源建设。 本系统的核心功能是分析用户录入音视频文件，输出对应的实体、关键词、字幕、主讲人等信息，然后根据实体、关键词等数据把长视频切割成一段一段独立主题的片段以及关键帧。 除核心功能外，还有诸如文件管理、信息审核、敏感词检测等辅助功能模块。 项目结构：MySql + Spring Cloud + Rabbit MQ + Redis + VUE

Gemini 是一套端到端的文档分析解决方案:功能包括解析文档，提取文档信息，构建知识图谱，到后续的问答、审核 全流程应用，用户可以通过拖拽实现流程编辑。 负责范围：从头参与整体工程架构设计，负责文档解析服务开发，正则语言编译器重构开发，以及核心框架服务开发。 服务客户包括赛诺菲、中海油、银联云闪付、中银三星、复旦大学、三一重工、大疆、广州12345、云南能投等。 其中主要负责的 Docparser 文档解析流程已提交专利申请。