- 综合排序
- 最热优先
- 最新优先
知识图谱增强大模型应用架构
本文是知识增强大模型应用架构的简要概述，更加详细的内容，可以参考我所撰写的即将出版的《知识增强大模型导论》一书。 二、应用架构的设计原则 1. 三、知识增强大模型应用系统架构概览 知识增强大语言模型应用架构的核心思想是将外部知识以结构化或非结构化的形式注入大模型中，从而弥补模型自身知识的不足，这类似于人类学习过程中的“查阅资料”。 从架构上，知识增强大模型应用系统通常将大模型作为通用知识处理的基础设施，同时结合文档搜索、数据库检索和知识图谱来注入高精度、领域化的知识内容。架构整体设计如图所示。 知识图谱的设计能够直观、精确地呈现复杂的领域知识，便于进行有效的推理和查询。 在知识增强大模型中，知识图谱作为一种结构化的知识表示方式，能够为模型提供高效且权威的知识支持。 业务引擎 业务引擎是知识增强大模型中面向具体行业或应用场景的一个模块，专门处理与特定业务相关的知识。
83910编辑于 2024-12-24- 来自专栏人工智能
知识图谱 —— 结构化知识的强大工具
在金融领域，知识图谱同样展现了其独特的优势。利用知识图谱将账户、交易、金融产品以及客户之间的潜在关系整合在一起，可以实时发现异常交易与资金流向，从而帮助银行、保险公司、证券公司建立起有效的反欺诈模型。 当前，许多先进的人工智能模型特别是大规模生成模型（例如GPT模型）的输出常常缺乏对事实信息的准确性和逻辑性。而融合知识图谱可以作为背景知识，为生成模型的推理与校验提供强有力的支持。 设想在智能客服系统中，系统在回答用户问题时，不仅依赖于预训练模型的语言生成能力，同时借助知识图谱对相关事实进行查证，避免了因信息错误引起用户误解的问题。 这样一种融合方式正是当前研究者们努力实现的一种新型人工智能应用模型。我们进一步探讨实际场景中的知识图谱构建过程时，可以借助Python语言来辅助说明这一概念的实现方式。 纵观以上讨论，知识图谱作为一种将现实世界知识结构化表示的方法，逐渐成为数据密集型应用的重要支撑技术。
26910编辑于 2026-03-09 - 来自专栏人工智能
知识图谱 —— 结构化知识的强大工具
在金融领域，知识图谱同样展现了其独特的优势。利用知识图谱将账户、交易、金融产品以及客户之间的潜在关系整合在一起，可以实时发现异常交易与资金流向，从而帮助银行、保险公司、证券公司建立起有效的反欺诈模型。 当前，许多先进的人工智能模型特别是大规模生成模型（例如GPT模型）的输出常常缺乏对事实信息的准确性和逻辑性。而融合知识图谱可以作为背景知识，为生成模型的推理与校验提供强有力的支持。 设想在智能客服系统中，系统在回答用户问题时，不仅依赖于预训练模型的语言生成能力，同时借助知识图谱对相关事实进行查证，避免了因信息错误引起用户误解的问题。 这样一种融合方式正是当前研究者们努力实现的一种新型人工智能应用模型。我们进一步探讨实际场景中的知识图谱构建过程时，可以借助Python语言来辅助说明这一概念的实现方式。 纵观以上讨论，知识图谱作为一种将现实世界知识结构化表示的方法，逐渐成为数据密集型应用的重要支撑技术。
12000编辑于 2026-03-10 - 来自专栏tkokof 的技术,小趣及杂念
编程小知识之 自增(自减)运算符
本文链接：https://blog.csdn.net/tkokof1/article/details/102795683 本文讲述了 C/C++ 中 自增(自减)运算符 的一些知识~ 自增(自减 )运算符应该是 C/C++ 编程中的基础知识了,而自增(自减)运算符又有两种形式,分别是 前置自增(自减) 和 后置自增(自减) (出于简单考虑,后文仅以自增运算符进行举例讲解). (多用前置自增,少用后置自增),理由也很简单:虽然 前置自增 和 后置自增 的效率相仿甚至相同,但是 前置自增 仍然在理论上要优于 后置自增. 但后面从 Game Engine Architecture 中却了解到了一个有些颠覆的知识: 前置自增 效率上其实一般是要 慢于 后置自增 的 !!! : 多用后置自增,少用前置自增 !
1.3K20发布于 2019-10-30 - 来自专栏一飞开源
一款可对接大模型的智能问答知识库，强大灵活的组织权限管理
一、开源项目简介 科亿知识库 KYKMS 可对接大模型的智能问答知识库，支持Deepseek。基于Elasticsearch的全文搜索功能，实现常见文件管理。 强大灵活的组织权限管理+精准的全文检索/多维检索+文件在线预览+版本控制与回滚+手机端支持+钉钉/企业微信集成+丰富的扩展接口+第三方集成/知识推送+多种知识分享沟通方式。 大模型能力加持，结合本地知识库，打造最懂您的知识智能管家，让大模型帮您对知识进行分类、标签、摘要，并且通过智能问答获得精准、扼要的本地知识库信息。 支持本地化部署的大语言模型（典型：ollama），亦支持扩展对接第三方主流的大模型，如chat-GPT、通义千问、智普、文心一言等。 灵活的知识权限管理机制，只有你想不到的，没有支持不了的。 基于强大的 Elasticsearch 检索引擎技术构建，检索能力强大，支持最全面的检索特性，可以无限可能的集群扩展，支持高达百亿级别的数量。
51610编辑于 2025-11-30 成本暴降90%的秘密：DeepSeek+RAGGraphRAG全解析，尽在灯塔书《知识增强大模型》
一、大模型的困境与破局：从“幻觉”到“知识增强”DeepSeek等大模型虽表现卓越，但其“幻觉”问题（生成与事实不符的内容）和知识更新滞后性，严重限制了其在金融、医疗、工业、制造、电信、能源等严肃场景的应用 例如，在回答历史人物关系时，大模型可能因依赖过时数据而给出错误答案，而知识图谱则可通过结构化数据确保准确性。 解决这些问题的关键在于“知识增强”技术：通过检索增强生成（RAG）和知识图谱的结合，将大模型的生成能力与结构化知识库的动态更新能力相融合。 RAG技术的“四两拨千斤”RAG通过外部知识库（如向量数据库、知识图谱）增强大模型，解决其知识静态化的短板。 “灯塔书”《知识增强大模型》以“知识增强”为核心方法论，结合国产大模型DeepSeek的突破性技术，揭示了如何通过RAG与知识图谱技术实现成本暴降90%的行业革命。
2.6K20编辑于 2025-04-18- 来自专栏自然语言处理(NLP)论文速递
ACL 2024 | 构建超关系知识图谱（KG），增强大模型多跳Multi-hop QA问答能力！
当前的大模型可以看作是一个强大的工具，可以应用于各种NLP任务。然而，尽管 LLM 实力雄厚，但当其面临多跳QA任务时，往往会力不从心。 为了解决该问题，有研究人员提出了StructQA，旨在从原始文本中提取 KG 三元组形式的结构化知识，并将其与 Chain-ofThought (CoT) 推理相结合。 「然后」，通过从查询中识别命名实体并使用它们进行广度优先搜索，利用大型语言模型直接从原始文本生成三元组。进一步将这些三元组增强为包含源文档标题的超关系四元组，为模型提供必要的上下文信息。 最后通过修剪过程，使用查询对齐的图架构来精炼超关系知识图，以提取最相关的组成部分，从而提高大型语言模型在生成答案时的效率和有效性。 「最后」，将修剪后的超关系知识图谱中的每个超三元组转换为自然语言句子，并通过特定的符号连接成长句子。然后，根据与知识架构的相似度得分，将句子按降序排列形成输入提示，确保与查询最相关的信息最接近查询。
2.5K11编辑于 2024-06-19 - 来自专栏JavaBuild888
Java基础知识整理，驼峰规则、流程控制、自增自减
Java基础知识整理，注释、关键字、运算符在这一篇文章中我们总结了包括注释、关键字、运算符的Java基础知识点，今天继续来聊一聊命名规则（驼峰）、流程控制、自增自减。 三、自增自减 在上面for循环的代码示例中我们可以看到很多整数类型的++符号，用以实现循环内部的自增，类似的还有自减--符号，既可以放在整形前也可以放在整形后，区别是：符号在前就先加/减，符号在后就后加
29200编辑于 2024-05-27 - 来自专栏Python进阶之路
告诉我们事实：用知识图谱增强大语言模型以实现事实感知的语言建模
由于其强大的涌现能力，最近的 LLMs 被认为是结构化知识库（如知识图谱）的可能替代方案。 这篇论文综述了知识图谱增强预训练语言模型的研究，详细介绍了现有的知识图谱增强预训练语言模型（KGPLMs）及其应用。 论文探讨了如何通过知识图谱（KGs）增强大语言模型（LLMs），以实现对事实感知的语言建模。 它回顾了现有的研究，提出了知识图谱增强的预训练语言模型（KGPLM），并提出了一种新的模型 —— 知识图谱增强的大语言模型（KGLLM），以提高 LLMs 在生成以知识为基础的内容时的事实推理能力。 提升特定领域的表现：通过引入领域特定的知识图谱，KGLLMs 能够更好地理解和生成特定领域的内容。 改善模型的可解释性：知识图谱的引入有助于解释模型的决策过程，提高模型的可解释性。
89800编辑于 2024-05-24 增强大语言模型创造力的三支柱框架：知识注入、人机协同与价值评估
当前，像GPT-4这样的大模型虽然能力强大，但其训练和推理成本极其高昂，使得许多中小型企业望而却步。 值得注意的是，本文所探讨的知识增强方法，实际上是解决当前大模型普遍存在的“幻觉”和“知识陈旧”问题的关键所在。这不仅是学术界的前沿方向，也已成为产业界落地大模型应用的核心技术。 资深大模型和知识图谱专家王文广老师在其畅销书灯塔书《知识增强大模型》中，就系统性地阐述了这一范式的重要性。 书中提出的“图模互补应用范式”（第八章），即知识图谱（Graph）与大模型（Model）的协同工作模式，为如何将结构化、高精度的知识与大模型的泛化生成能力相结合，提供了清晰的路线图和实战指南。 对此，知名人工智能学者王文广老师的灯塔书《知识增强大模型》一书再次为我们提供了答案。 这本书不仅仅是一本理论著作，更是一本详尽的“实战手册”。
35210编辑于 2025-10-06- 来自专栏王忘杰的小屋
强大、简洁、快速、持续更新 PandaWiki新一代 AI 大模型驱动的开源知识库搭建系统
PandaWiki是什么 PandaWiki 是一款 AI 大模型驱动的开源知识库搭建系统，帮助你快速构建智能化的 产品文档、技术文档、FAQ、博客系统，借助大模型的力量为你提供 AI 创作、AI 问答 注意，当前时间为2025年6月13日，当前PandaWiki最新版本为1.2.0，文章演示功能均为当前版本功能 软件仍在快速迭代，更多功能快速加入中 PandaWiki特点 既具备快速的AI大模型知识库搭建能力 ，又具备传统WIKI的文档能力；相比以往的AI大模型知识库，Pandawifi搭建极其简单，引入大模型，加载文档，即可使用！ 模型我使用的都是硅基流动的付费模型，使用我的邀请连接注册硅基流动，你也可以获得14元硅基流动帐号余额 https://cloud.siliconflow.cn/i/Gz5Rnrc8 创建知识库 修改访问方式 ，已反馈官方后续支持 3、反代BUG 当前对反代HOST限制严格，如后端为域名+端口，前端必须为相同域名和相同端口，导致反代较困难，所以90APT知识库使用了8080端口。
19210编辑于 2026-03-18 - 来自专栏OneCode 低代码
探索 OneCode 小模型支撑平台：助力模型开发与部署的强大后盾
在当今快速发展的人工智能领域，一个高效、稳定且功能强大的小模型支撑平台对于模型的开发、训练和部署至关重要。 一、平台概述（一）功能集成与模块化设计OneCode 小模型支撑平台集成了众多强大的功能模块，涵盖了从数据预处理、模型训练到模型部署和监控的整个流程。 添加图片注释，不超过 140 字（可选） 这一过程极大地降低了模型训练的门槛，即使没有深厚专业知识的企业和开发者，凭借基本的数据分析能力和对业务的理解，借助网关简洁直观的操作界面和丰富的预训练模型模板 在某些复杂的应用场景中，云端拥有更强大的计算资源和更丰富的数据储备，可以训练出性能更优、泛化能力更强的模型。 这一过程充分发挥了云端和边缘各自的优势，实现了资源的高效利用和系统性能的整体提升，为物联网应用带来了更强大的智能决策能力和更出色的运行效果。
54610编辑于 2024-12-29 - 来自专栏DeepHub IMBA
Falcon 180B 目前最强大的开源模型
截至2023年9月，Falcon 180B在hug Face的模型排行榜上排名第一。 模型变体 Falcon 180B有两个版本——基础版和聊天版。 基础版是一个因果解码器模型。 这个模型非常适合对自己的数据进行进一步微调。 聊天版chat与基础版本类似，这也是一个1800亿个参数的因果解码器模型。 模型表现 就它的能力而言，Falcon 180B与PaLM-2 Large并肩而立，使其成为最强大的公开可用语言模型之一。 量化的Falcon模型在基准测试中保持了类似的指标。 这也充分说明了当大型模型缺乏充足的数据时，它们的表现可能会被数据丰富的小型模型超越。 注意模型的知识边界、任何预先设定的边界以及它的一般设计约束。 10、安全措施:特别是在面向公众的应用程序中使用该模型时，要实现保护措施以防止有害输出或误用。 11、保持更新:LLM不断发展。
73220编辑于 2023-09-14 - 来自专栏数据分析
算法金 | 一个强大的算法模型，GPR ！！
GPR 算法的数学基础高斯过程回归的数学模型高斯过程回归（GPR）的数学模型可以通过以下步骤来描述：定义高斯过程：高斯过程是一个由多变量正态分布定义的随机过程。 例如，RBF 核函数的形式为：核函数及其作用核函数是 GPR 的核心，它决定了模型的平滑度、周期性等特性。选择合适的核函数可以显著提高模型的性能。 # 创建高斯过程回归模型，就如同一个武学大师gpr = GaussianProcessRegressor(kernel=kernel, n_restarts_optimizer=9)创建一个高斯过程回归模型 ，这个模型就像是一个武学大师，能够吸收和理解不同门派的武学秘籍。 # 训练模型，犹如将不同门派的武功秘籍尽收囊中gpr.fit(X, y)训练模型，犹如这个武学大师将所有门派的武功秘籍尽收囊中，形成自己的独门绝技。
94900编辑于 2024-07-06 - 来自专栏数据分析
算法金 | 一个强大的算法模型，GP ！！
大侠幸会，在下全网同名「算法金」 0 基础转 AI 上岸，多个算法赛 Top 「日更万日，让更多人享受智能乐趣」高斯过程算法是一种强大的非参数机器学习方法，广泛应用于回归、分类和优化等任务中。 超参数选择困难：高斯过程模型的性能依赖于核函数和超参数的选择，选择不当会影响模型效果。对核函数的依赖：核函数的选择对高斯过程的性能影响重大，不同的核函数可能导致截然不同的结果。 接下来，我们使用高斯过程回归模型对战斗胜率进行建模和预测。 我们展示了高斯过程回归模型在预测战斗胜率方面的应用。模型能够较好地拟合数据，并提供置信区间以表示预测的不确定性。每天一个简单通透的小案例，如果你对类似于这样的文章感兴趣。 欢迎关注、点赞、转发~ [ 抱个拳，总个结 ] 高斯过程的基本原理和数学表述：高斯过程是一种强大的非参数机器学习方法，通过核函数度量数据点之间的相似性，并能够提供预测的不确定性估计。
89500编辑于 2024-06-13 - 来自专栏DeepHub IMBA
Recognize Anything:一个强大的图像标记模型
Recognize Anything是一种新的图像标记基础模型，与传统模型不同，它不依赖于手动注释进行训练;相反，它利用大规模的图像-文本对。 结合标题和标注任务，训练一个自动标注的初步模型。该模型由原始文本和解析后的标签进行监督。 利用数据引擎创建额外的注释并纠正不正确的注释。 没有使用基线模型预测特定类别的标签也被淘汰。这样可以通过预测区域而不是整个图像，可以提高标记模型的精度。 结果 在多标签分类、检测、分割和视觉语言模型方面，RAM与最先进的模型进行了比较。 多标签分类模型:虽然监督模型在特定领域表现出色，但它们很难推广到其他领域和未知类别。通才模型在所有领域都不能达到令人满意的准确性。 视觉语言模型:尽管它们具有开放集识别能力，但像CLIP和BLIP这样的模型的准确性低于标准，可解释性有限 RAM在几乎所有数据集中都明显超过这些模型，显示出卓越的性能。
95220编辑于 2023-09-15 - 来自专栏生信菜鸟团
临床模型 | 大型语言模型编码临床知识 | Nature
评估这些模型的临床知识通常依赖于基于有限基准的自动化评估。 Flan-PaLM 540B 在所有这些子集上取得了最先进的性能，超过了强大的语言模型，例如 PaLM、Gopher、Chinchilla、BLOOM、OPT 和 Galactica。 鉴于这些结果以及Flan-PaLM 5400亿参数模型的强大性能，我们在下游实验和消融实验中基于此模型进行构建。 扩展图示见补充信息的第7节。 这些结果表明，仅靠记忆不能解释通过扩展模型规模所观察到的强大性能。 Para_04 已经有多项努力尝试在生物医学语料库上训练语言模型，特别是在 PubMed 上。 即使像 Flan-PaLM 这样强大的大语言模型也可能生成不适合在安全关键的医疗领域使用的答案。
46100编辑于 2025-03-28 AI大模型知识库
而基于AI大模型构建的知识库系统，通过自然语言处理技术和深度学习算法，能够自动完成文本解析、语义关联与智能检索，使分散的知识资源形成有机网络，为企业知识管理带来革命性变革。 一、核心技术架构解析现代AI知识库采用多层神经网络结构，包含预训练语言模型作为基础层，结合领域适配微调技术实现专业术语理解。 相较于传统方案，AI大模型知识库在技术特性上展现出显著优势：语义理解深度方面，传统方案依赖关键词匹配，误差率高，而AI方案具备上下文感知能力，准确率超92%；更新维护成本上，传统方案人工录入月均耗时120h 三、实施路径规划建议成功部署AI大模型知识库需经历三个阶段：首先是领域定制化训练，使用企业专属语料对基座模型进行调优，确保模型适配企业业务场景；其次是人机协同校验机制建立，通过人工复核保障输出内容的合规性与准确性 五、未来演进方向展望随着多模态融合技术的发展，下一代AI大模型知识库将突破文本局限，实现图纸三维模型与操作视频的联动检索，拓展知识呈现与应用形式。
49810编辑于 2025-10-16- 来自专栏机器之心
刷新50多个NLP任务基准，并登顶SuperGLUE全球榜首，百度ERNIE 3.0知识增强大模型显威力
近日，百度 ERNIE 升级到 3.0，重磅发布知识增强的百亿参数大模型。该模型除了从海量文本数据中学习词汇、结构、语义等知识外，还从大规模知识图谱中学习。 论文链接：https://arxiv.org/pdf/2107.02137.pdf Demo 链接：https://wenxin.baidu.com/wenxin/ernie ERNIE 3.0 知识增强大模型 ：百亿级预训练中首次引入大规模知识 近一年来，以 GPT-3、Switch-Transformer 为代表的大规模预训练模型，带来了人工智能领域新的突破，由于其强大的通用性和卓越的迁移能力，掀起了预训练模型往大规模参数化发展的浪潮 通过将大规模知识图谱的实体关系与大规模文本数据同时输入到预训练模型中进行联合掩码训练，促进了结构化知识和无结构文本之间的信息共享，大幅提升了模型对于知识的记忆和推理能力。 ? ERNIE 3.0 对知识的掌握，同样大幅提升，通过知识图谱对模型进行增强，让模型具备更强的知识记忆和推理能力。
1.1K20发布于 2021-07-14 - 来自专栏NewBeeNLP
模型压缩 | 知识蒸馏经典解读
当数据知识量(水量)超过模型所能建模的范围时(容器的容积)，加再多的数据也不能提升效果(水再多也装不进容器)，因为模型的表达空间有限(容器容积有限)，就会造成underfitting； 而当模型的参数量大于已有知识所需要的表达空间时 也就是说，一个模型的参数量基本决定了其所能捕获到的数据内蕴含的“知识”的量。 合适的训练方法可以使得在模型参数总量比较小时，尽可能地获取到更多的“知识”(下图中的3与2曲线的对比). ? 知识蒸馏的理论依据 Teacher Model和Student Model 知识蒸馏使用的是Teacher—Student模型，其中teacher是“知识”的输出者，student是“知识”的接受者。 知识蒸馏的过程分为2个阶段: 原始模型训练: 训练”Teacher模型”, 简称为Net-T，它的特点是模型相对复杂，也可以由多个分别训练的模型集成而成。
3.6K20发布于 2020-08-26
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