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
630Python知识图谱
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
900Python人工智能
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
1721C/C++知识图谱
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
370知识图谱
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。
1760java图数据
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。
2680java图数据库
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)
1810java图数据
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。
1440java知识图谱
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
1350vue知识图谱
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
2190关系抽取
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
1450自定义表单
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
1700视频分析
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。
2550知识图谱
知识图谱源文件源码
公安知识图谱是知识图谱在公安领域的应用。以公安大数据为基石,结合动态本体论技术,跟随业务场景动态建模,动态计算实体间的关联关系,从碎片化数据中挖掘案件线索。定义以人、案、地、物、组织为一级实体,吃、住、行、消、乐等为一级关系(边),结合语音转写、要素抽取、场景识别、图文转写等核心技术构建语义网络。并以关系查询、关系碰撞、预警提醒、全息档案、轨迹碰撞、空间分析等作为入口协助民警进行案件侦破。 第一章 产品名称 公安知识图谱 第二章 行业背景 1、什么是知识图谱? 知识图谱是一种用图模型来描述知识和建模世界万物之间的关联关系的技术方法。知识图谱由节点和边组成。节点可以是实体,如一个人、一本书等,或是抽象的概念,如人工智能、知识图谱等。边可以是实体的属性,如姓名、书名,或是实体之间的关系,如朋友、配偶。 2、知识图谱的起源简述 1998年Tim Berners-Lee提出Semantic Web概念,是基于图和链接的组织方式,只是图中的节点代表的不只是网页,而是客观世界中的实体(如人、机构、地点等),而超链接也被增加了语义描述,具体标明实体之间的关系(如出生地、创办人等)。 知识图谱技术可以应用在多个领域,在国内公安行业的应用尚处于起步阶段。 2017年7月8日,中国国务院印发并实施《新一代人工智能发展规划》是为抢抓人工智能发展的重大战略机遇,构筑我国人工智能发展的先发优势,加快建设创新型国家和世界科技强国,按照党中央、国务院部署要求制定。引发各界人士对知识图谱在公安行业的思考。 2018年公安部第一研究所牵头、明略数据联合编写《公安知识图谱标准与白皮书》。 随着近些年深耕公安行业的头部厂商对技术和业务的不断探索,在产品宣传上逐步引用了知识图谱的概念,但底层应用建设仍然停留在大数据搜索引擎、可视化分析等通用应用或业务应用层面。存在知识图谱构建平台,但是知识构建尚未与业务深度结合。 想要更详细了解知识图谱可参考《知识图谱:方法、实践与应用》等书籍。 第三章 设计目的 本产品设计的初衷源于笔者对公安行业知识图谱的畅想。期望可以在未来以绵薄之力推动行业创新。更好的服务于公安干警。 第四章 产品定位 本产品原型在收集可视化组件的同时结合了公安业务,可以供治安、刑侦、经侦、禁毒、国保、情报、律师、情报、涉毒等民警调查、分析、跟踪、研判所使用。 第五章 运营模式 研判人员分享个人的追逃模型给其他用户,用户可以进行下载,上传用户可以进行收费或者积分累计,以激发更多的民警对办案经验进行分享;如果有承建单位的合理干预,甚至可以在一定程度上实现业务知识的传承。 第六章 原型价值及作者声明(必看) 1、 本产品原型是对知识图谱的可视化应用部分进行收集与整理。  购买本产品原型可以直接帮助产品设计人员实现对demo的复用,尤其复杂的可视化组件部分,可以节省产品经理绘制原型的时间可在一定程度上协助产品设计人员了解公安行业业务知识(仅限已被允许公开部分);  可在一定程度上协助产品设计人员了解知识图谱在公安行业的应用方式(仅限已公开部分);  可在一定程度上规避新产品经理在原型设计这条路上走入误区;页面分配逻辑足够应付各种复杂的平台级产品。 2、整个知识图谱的构建过程并非只有这一部分。知识图谱的构建及应用涉及更多细分领域的一系列关键技术,包括:知识建模、关系抽取、图存储、自动推理、图谱表示学习、语义搜索、智能问答、图计算分析等。做好知识图谱需要系统掌握和应用这些分属多个领域的技术。 3、声明:该产品原型提供的设计思路仅代表个人观点,不代表设计师曾任职的公司,也不代表购买后可以直接进行完整的研发。 4、本产品原型采用axure9进行设计,只兼容axure9及以上版本; 页面数量:P30页 软件版本:axure 9 第七章 演示地址 https://www.axureshop.com/?post_type=download&p=2153897&preview=true
2440情报
项目背景 利用科技手段提高传统宠物医疗行业的智能化水平。传统的宠物医疗知识比较分散,专业化程度低,宠物医院及医生的医疗技术水平高低不一,宠主在宠物生病时不能准确判断并采取措施等等。此项目旨在创建一套专业的医疗技术知识图谱,包含宠物种类、品种、年龄、常见症状、检查结果、处方、医嘱、诊断、疾病及疾病详情卡片等维度。在此知识图谱的基础上,可以建立诸如智能诊断,临床决策支持,智能问答等上层应用。 项目设计 线上病历含有症状描述和诊断结果两个字段,可以用来创建医疗知识图谱,可能准确度有待提高 初期使用少量的病历测试数据并只使用常见症状和疾病两个维度创建医疗知识图谱,并在此基础上创建一个简单的demo应用,可以达到由症状查询到可能犯有的疾病并按照可能机率进行排列的目标。 在demo应用的基础上,开始使用大量的病历正式数据进行模型训练,逐步提高知识图谱的准确度,并丰富demo应用。 利用一些专业化数据(医疗专家使用辅助系统填写的疾病和症状对应关系/从专业化网站上爬取数据)对知识图谱进一步训练,尽可能的提高准确度 找到医疗技术人员协助测试,重复4,直到达到医疗技术人员认为可用为止。 技术选型 Python Neo4j 图数据库,储存知识图谱,仅储存一些关联关系数据 Mysql 储存症状归类,疾病归类以及一些其它信息 Flask demo应用 py2neo python来操作neo4j jieba 分词 项目细节 常见症状归类获取,最开始的时候对病历中的所有症状描述进行分词然后,计算词频,通过筛选高频词获取常见症状,后来由于干扰因素太多了,这种计算词频的方式就放弃了。后来参考了《Differential Diagnosis in Small Animal Medicine》一书中的症状分类,作为该知识图谱中的常见症状,后续也可以补充,保存在mysql中,包括一些附带信息(症状部位等)。 常见疾病获取,获取高频词的方法不可用,最后采用了医疗技术部提供的三级病种统计,作为知识图谱中的疾病,保存在mysql中,包括一些附带信息(疾病科属等), 关联算法,用病历的症状描述与常见症状库中的症状进行匹配,然后用该病历的诊断与疾病库中的疾病进行匹配,如果两者都能匹配上,则建立一条症状到疾病的关联关系,多次匹配成功则增加权重数量。 匹配算法,考虑了向量的方式,由于疾病名称和诊断描述都是很短的短句,向量判断近似的方式误差较大。我使用了jieba对疾病名称和诊断采用了同一种分词规则进行了分词,两者中相同的词语数量/疾病名称分词的数量 = 相似比 ,相似比大于某个值以后认为两者描述的是一种症状,我经过对10万条真实病历数据与疾病的关联匹配得出一个结果,相似比在0.6的时候开始收敛,相似数量急剧下降,说明准确度开始达标。经过几轮测试,最终选定0.6为标准,相似比>0.6则认为两者相同。
2760知识图谱
基于知识图谱进行关系推理 【100%】系统架构搭建和数据库选型 【90%】后台模块设计、开发、集成 【100%】现场管理
1180知识图谱
⚫ 项目来源:科技部重点研发计划-网络协同制造和智能工厂专项:“面向纺织服装产业集聚区域的网络 协同制造集成技术研究与示范” ⚫ 项目目标:以面向中部纺织服装产业集聚区域的网络协同制造行业级解决方案为总体目标,突破纺织服 装网络协同制造关键技术,梳理纺织行业相关知识,构建纺织行业知识图谱,并搭建一套相应的区域集 群网络协同制造服务平台。 ⚫ 项目职责:通过网页解析获取相关数据,梳理纺织行业的业务知识以及相关企业信息;利用纺织行业领 域知识以及企业信息构建知识图谱,使用 neo4j 与 Py2neo 进行知识图谱持久化存储,基于 Flask 框架 进行后端开发,使用 React.js+Echarts 进行前端开发,结合百度地图 BMapGL api 进行地图渲染,提 供知识图谱查询与图谱可视化等功能,均独立完成。
2610React
1. 基于知识图谱数据、非结构化文本数局、问答对数据实现领域问答服务 2. 采用知识图谱问答、问答对问答、阅读理解问答方式,实现领域内问答服务。基于Django框架
1640智能检索
1. 基于自然语言处理的信息抽取技术,实现垂直领域知识图谱的构建 2. 个人独立完成的技术算法,非系统产品。基于实体识别、关系抽取、阅读理解模型,训练领域内的抽取模型框架,实现领域知识的抽取与知识图谱的构建
2080关系抽取
1.项目包含知识体系上传、知识体系修改、知识图谱三元组上传、知识图谱可视化展示、实体检索等功能模块。 2. 本人主要负责所有的后端接口。用MySQL存储必要的列表等信息,用Neo4j存储知识图谱数据,基于Neo4j实现知识图谱中的实体检索。后端整体使用Django框架,前端由前端开发人员基于Vue框架实现。 3. 系统支持用户自定义知识体系,支持知识体系以及三元组数据的上传,自动将数据导入数据库,并支持子图的可视化展示
2840人工智能
当前共24个项目more
×
寻找源码
源码描述
联系方式
提交