概括积累了一两周，好久没做笔记了，今天，我将展示在之前两周的实战经验：如何使用Python和自然语言处理构建知识图谱。网络图是一种数学结构，用于表示点之间的关系，可通过无向/有向图结构进行可视化展示。它是一种将相关节点映射的数据库形式。知识库是来自不同来源信息的集中存储库，如维基百科、百度百科等。知识图谱是一种采用图形数据模型的知识库。简单来说，它是一种特殊类型的网络图，用于展示现实世界实体、事实

前言本文侧重讲解：什么是知识图谱LLM与langchain/数据库/知识图谱的结合应用比如，虽说基于知识图谱的问答早在2019年之前就有很多研究了，但谁会想到今年KBQA因为LLM如此突飞猛进呢第一部分知识图谱入门导论//待更..第二部分LLM与知识图谱的结合2.1LLM为何要与知识图谱相结合通过本文之前或本博客内之前的内容可知，由于大部分LLM都是基于过去互联网旧的预训练语料训练、推理而来，由此

大家好，我是微学AI，今天给大家介绍一下知识图谱实战应用28-基于py2neo的ICD-11疾病分类的知识图谱的查询与问答实战应用。

大家好，我是微学AI，今天给大家介绍一下知识图谱实战应用27-基于多模态数据的洪涝灾害知识图谱构建与实际应用。

大家好，我是微学AI，今天给大家介绍一下知识图谱实战应用26-基于知识图谱构建《本草纲目》的中药查询与推荐项目应用，本文通过Py2neo连接到知识图谱数据库，系统实现了中药的快速查询、关系分析、智能推荐和知识展示等功能

大家好，我是微学AI，今天给大家介绍一下知识图谱实战应用25-基于py2neo的超市商品的图谱构建与商品推荐系统的实现，本篇文章，我将指导大家如何使用py2neo和Neo4j构建一个实用的超市商品知识图谱和推荐系统

大家好，我是微学AI，今天给大家介绍一下知识图谱实战应用24-基于py2neo的学生个性化课程的推荐系统，本项目利用知识图谱技术来提供个性化的在线学习体验，构建了一个包含数百门课程和学习资源的知识图谱，

大家好，我是微学AI，今天给大家介绍一下知识图谱实战应用23-【知识图谱的高级用法】Neo4j图算法的Cypher查询语句实例，Neo4j图算法是一套在Neo4j图数据库上运行的算法集合。

大家好，我是微学AI，今天给大家介绍一下知识图谱实战应用22-数据导入技巧与基于py2neo的金融领域风险评估的应用。本文的金融领域风险评估的应用旨在利用知识图谱技术对金融风险进行评估和管理。

大家好，我是微学AI，今天给大家介绍一下知识图谱实战应用21-基于Py2neo的知识图谱的华语音乐的推荐系统，本文将构建一个华语音乐的知识图谱，这个过程包括收集华语音乐相关的数据，例如歌曲、艺术家、专辑等信息

大家好，我是微学AI,今天给大家介绍一下知识图谱实战应用20-基于知识图谱的中文图书的查询与推荐系统，本文将详细介绍如何使用Py2neo构建一个基于知识图谱的中文图书推荐应用项目。

大家好，我是微学AI，今天给大家介绍一下知识图谱实战应用16-知识图谱在化学物质结构上的应用，快速查找化学分子式与结构。在化学领域，知识图谱可以应用于化学物质结构上。

大家好，我是微学AI，今天给大家介绍一下知识图谱实战应用15-知识图谱在生物基因学上的应用，实现基因与疾病关联查询。

大家好，我是微学AI，今天给大家介绍一下知识图谱实战项目14-企业相关文件管理领域的应用，企业相关文件管理是一个非常重要的领域，其目的是为了方便企业员工管理各种类型的文档，包括办公文档、合同、图纸、设计文档等

大家好，我是微学AI，今天给大家带来知识图谱重要讲述，讲明白什么是知识图谱，知识图谱可以做什么，需要学哪些知识，与自然语言处理的关系。很多人认为知识图谱是关系图谱，可能涉及人工智能的东西不多，其实知识图谱与自然语言处理紧密结合，与深度学习，图神经网络也是紧密结合的。一、知识图谱知识图谱（KnowledgeGraph）是一种表示现实世界中事物及其关系的语义网络，它将各种信息进行结构化的组织和编码，形

Python操作Neo4j例子（官方版本）Neo4j的Python版本驱动Neo4j提供了一个Python版本的驱动包，用来连接Neo4j数据库，从而完成图数据库的增删改查操作。1、安装指定版本的驱动包（我们这里采用Neo4.x版本，同neo4j安装包保持一致即可）$pipinstallneo4j==4.4.8--upgradeneo4j版本查看（ipython）neo4j版本查看（pycharm

大家好，我是微学AI，今天给大家讲一下知识图谱中利用协同过滤算法寻找相似用户。大家会看到一个新的名词：“协同过滤”，下面来介绍一下协同过滤算法。一、协同过滤算法协同过滤算法是一种基于用户行为分析的推荐算法。它的基本思想是利用用户之间的相似性来推荐物品，即如果两个用户喜欢同一样物品，那么他们可能会喜欢相似的其他物品。协同过滤算法可以分为两种类型：基于用户的协同过滤算法和基于物品的协同过滤算法。基于用

⚽开发平台：jupyterlab运行环境：python3、TensorFlow2.x《基于Tensorflow的知识图谱实战》（王晓华著）知识图谱（KnowledgeGraph）的概念由谷歌首先提出，旨在实现更智能的搜索引擎

1.学习背景上课没有好好听，现在跟着bilibili知识图谱实战教程知识图谱实战教程_哔哩哔哩_bilibili补习一下知识记录下；自己的学习笔记哈~之前记的电子笔记没有找到合适的记录软件；其实自己书写文档的功力还需要磨练

大家好，今天给大家带来知识图谱实战应用1-知识图谱的构建与可视化应用。知识图谱是一种概念模型，用于表示和组织实体之间的关系，从而实现大规模的语义查询和推理。

本文来自公众号PlantData知识图谱实战（ID：KGPlantData），内容整理自胡芳槐博士6月9日北理工知识图谱实战学习活动上分享的《知识图谱应用关键技术及行业应用》。

关于知识图谱的简介：知识图谱（KnowledgeGraph）作为大数据时代的重要设施基础,已经在下一代搜索引擎、智能问答系统，文本处理，自然语言处理等智能应用中有了广泛应用。知识图谱规范地定义了知识的存储,并且可以较为方便和高效的进行知识推理和决策。面向特定领域的知识图谱应用研究也越来越多。当前,基于机器人领域的知识图谱应用热度持续升高,但配套的智能问答系统相关技术尚不成熟。1.知识图谱部分领域的

参考这个视频：知识图谱实战：构建红楼梦知识图谱_哔哩哔哩_bilibili项目概述:采用http://www.openkg.cn/home(开放的知识图谱)中的四大名著的人物关系数据集，采用python

一、安装Neo4j在Windows环境中安装Neo4j并创建两个节点和他们之间的关系这个是先安装neo4jdesktop然后访问brower注意：neo4j和jdk的版本要对应neo4j4.x.x都要求jdk11以上我安装的是https://neo4j.com/artifact.php?name=neo4j-community-3.5.6-windows.zipjdk版本1.8下载后解压管理员方式

本文是B站上的一个项目，网址为：https://www.bilibili.com/video/BV11k4y1y7A3一、安装neo4j之前已经安装好了neo4j，安装可以参考这篇文章：https://blog.csdn.net/weixin_42247922/article/details/102996006二、启动neo4j找到命令提示符，右键以管理员的身份运行命令行输入neo4j.batco

⚽开发平台：jupyterlab运行环境：python3、tensorflow2.x第6章ResNet实现神经网络的飞跃|CIFAR-10、CIFAR-100数据集解析及可视化1.数据集获取2.数据及文件目录结构3.数据集存储数据结构4.提取数据4.1提取类别信息4.2提取图像、标签、文件名5.将图片数组转换为图片6.可视化每个类别的样本7.完整代码及其可视化结果说明：CIFAR-10、CIFAR

人工智能python，NLP，知识图谱，机器学习，深度学习人工智能：知识图谱实战前言一、实体建模工具Protege二、常用知识点总结1.知识图谱模型设计方法论2.知识图谱模型设计流程三、聊天机器人1.准备

当然，真正一直在研究CNN的专家是YannLeCun，小扎后来拉他去FB做AIresearch的头。第一个CNN模型就是他搞出来的，即LeNet，原来就是做图像数字识别。不得不说，CNN非常适合2-D信号的处理任务，RNN呢，是时域上的拓展。现在CNN在计算机视觉应用的非常成功，传统机器学习方法基本被弃之不用。其中最大的一个原因就是，图像数据的特征设计，即特征描述，一直是计算机视觉头痛的问题，在深

本文为数据集整理以及代码存放，本内容已经录制b站课程，如有需要可以前去观看，建议点赞投币～视频内容简介，最后可以带大家确实做一个知识图谱b站课程地址：https://www.bilibili.com/video/BV11k4y1y7A3补充内容：允许neo4j数据库后，输入如下地址即可进入数据库：http://localhost:7474/browser/py2neo版本为：4.1效果图：基础代码

交叉确认集是从训练集中抽取一部分用来调整模型参数模型构建的时候一定要选用跟模型相匹配的数据其中，未登录词是指当下出现的新词，未纳入词典中的词例如：X为电影，Y为院，通过公式计算X与Y的凝聚程度，较大则为一个词，反之不是一般采用默认模式（精确模式），不采用全模式，精确模式：会将这句话中的词进行切割，全模式：只要是单词就会显示IDF的作用就是为了凸显出在文章当中出现的在其他文章当中出现频率较小的词的重

一、图数据库概述与优缺点选择数据库要根据实际的场景，不能根据个人的喜好如果将所有的信息都汇总到一个表，则表的内容过多，不利于管理不要使用太过丰富的属性，因为属性是不加索引的图数据库中会有多个节点同时指向一个节点，在访问时，会导致速度较慢，此时解决方法一般为，为此节点建立几个虚拟的节点，例如将其分类，减轻此节点的压力。二、图查询语言与典型使用场景三、知识图谱可视化表示

知识图谱概述知识学科的学科地位：人工智能（AI）–〉知识工程（KE）–〉知识表示（KR）–〉知识图谱（KG）知识图谱是语义网络的最终目标。知识图谱的诞生标志：2012年5月，google收购了metaweb公司，并正式发布知识图谱。现状：搜索引擎无法理解搜索的关键词、无法精准的回答，而搜索的需求是让搜索通往答案。（以前实现的搜索的算法是pagerank算法（页面排名），计算出度和入度）根本问题在于

一、前言这是系列博文《知识图谱实战开发案例剖析》第4部分：知识图谱应用，第16节：第一个智能对话机器人。该系列内容同时已经录制成视频课程，感兴趣的可以访问网易云课堂。

一、前言2018年初开始从事线上课程的开发，陆续开发了几门课程，《人工智能产品经理最佳实践》《知识图谱实战开发完全剖析》和《智能对话机器人实战开发完全剖析》，其中每一个专题都是自己对于这个新兴领域的探索和实践经验的总结

文章目录一、Neo4j介绍1、安装JavaJRE2、安装Neo4j二、Cypher基本语句1、基本CQL语句2、MATCH3、Cypher导入CSV数据三、示例1：药材供应链图谱实现1、导入数据创建实体2、导入数据创建关系（1）示例图谱（2）数据导入与显示3、完整代码四、示例2：python与neo4j1、准备工作（1）安装py2neo（2）py2neo连接neo4j2、构建知识图谱（1）清空数据

第一章：一、知识图谱与人工智能人工智能的业务架构人工智能技术架构智能人机对话业务模型人工智能发展阶段一、知识图谱的典型应用在语义理解中的应用在传统搜索中仅仅通过匹配英达，儿子，无法正确区分开这三类问题，但是当引入实体关系的结构化数据后，就很容易区分。在智能搜索中的应用搜索结果包括该实体的相关属性智能问答辅助决策一、知识图谱的系统架构知识获取知识存储(RDF/neo4j)知识表示知识应用知识架构：语

知识图谱实战案例完全剖析（附完整源码和数据集）—2070人已学习课程介绍课程定位：系统学习知识图谱的佳实践；系统学习：完全覆盖知识建模、图数据库、知识应用和知识获取；实战指引：一套完整的知识建模方法论；

这部分内容同时也是系列课程《知识图谱实战开发案例剖析》的学习导论。相关课程已经开放在网易云课堂，关注的朋友可以前往查看。

一、前言《知识图谱实战开发案例剖析》系列课程终于上线，本系列文章是作为课程内容的摘要信息，陆续发布，线上课程地址：CSDN学院https://edu.csdn.net/course/detail/7038

知识图谱实战（超大量知识图谱应用场景落地实战机会）海知智能成立于2015年，团队成员来自斯坦福、UIUC、北大、哈工大等国内外顶尖高校，以及微软、高通、网易、腾讯、阿里等顶尖科技公司，拥有全球顶级人工智能研究机构

系列一：知识图谱完整项目实战（附源码）章节1:基础理论篇课时1完整项目案例运行演示21:18课时2项目开发环境安装部署12:13课时3项目业务需求分析07:49课时4项目总体架构设计25:07章节2:模型设计篇课时5知识图谱模型设计方法论15:44课时6知识图谱语义类型设计15:24课时7知识图谱语义关系设计08:52章节3:知识获取篇课时8开发环境安装部署11:55课时9汽车品牌数据获取10:3

知识图谱系列文章：[知识图谱实战篇]一.数据抓取之Python3抓取JSON格式的电影实体[知识图谱实战篇]二.Json+Seaborn可视化展

知识图谱系列文章：[知识图谱实战篇]一.数据抓取之Python3抓取JSON格式的电影实体[知识图谱实战篇]二.Json+Seaborn可视化展

知识图谱系列文章：[知识图谱实战篇]一.数据抓取之Python3抓取JSON格式的电影实体[知识图谱实战篇]二.Json+Seaborn可视化展示电影实体[知识图谱实战篇]三.Python提

知识图谱系列文章：[知识图谱实战篇]一.数据抓取之Python3抓取JSON格式的电影实体[知识图谱实战篇]二.Json+Seaborn可视化展示电影实体[知识图谱实战篇]三.Python提

系列一：知识图谱完整项目实战（附源码）章节1:基础理论篇课时1完整项目案例运行演示21:18课时2项目开发环境安装部署12:13课时3项目业务需求分析07:49课时4项目总体架构设计25:07章节2:模型设计篇课时5知识图谱模型设计方法论15:44课时6知识图谱语义类型设计15:24课时7知识图谱语义关系设计08:52章节3:知识获取篇课时8开发环境安装部署11:55课时9汽车品牌数据获取10:3

前面作者讲解了很多知识图谱原理知识，包括知识图谱相关技术、Neo4j绘制关系图谱等，但仍缺少一个系统全面的实例。为了加深自己对知识图谱构建的认识，为后续创建贵州旅游知识图谱打下基础，作者深入学习了张宏伦老师的网易云课程（星球系列电影），并结合自己的理解和技术分享了该系列专栏，从数据采集、数据展示、数据分析到知识图谱构建，文章后续还会讲解中文数据的实体识别、关系抽取、知识计算等。前面通过七篇文章基本

前面作者讲解了很多知识图谱原理知识，包括知识图谱相关技术、Neo4j绘制关系图谱等，但仍缺少一个系统全面的实例。为了加深自己对知识图谱构建的认识，为后续创建贵州旅游知识图谱打下基础，作者深入学习了张宏伦老师的网易云课程（星球系列电影），并结合自己的理解和技术分享了该系列专栏，从数据采集、数据展示、数据分析到知识图谱构建，文章后续还会讲解中文数据的实体识别、关系抽取、知识计算等。前面通过七篇文章基本

前面作者讲解了很多知识图谱原理知识，包括知识图谱相关技术、Neo4j绘制关系图谱等，但仍缺少一个系统全面的实例。为了加深自己对知识图谱构建的认识，为后续创建贵州旅游知识图谱打下基础，作者深入学习了张宏伦老师的网易云课程（星球系列电影），并结合自己的理解和技术分享了该系列专栏，从数据采集、数据展示、数据分析到知识图谱构建，文章后续还会讲解中文数据的实体识别、关系抽取、知识计算等。前面通过六篇文章基本

前面作者讲解了很多知识图谱原理知识，包括知识图谱相关技术、Neo4j绘制关系图谱等，但仍缺少一个系统全面的实例。为了加深自己对知识图谱构建的认识，为后续创建贵州旅游知识图谱打下基础，作者深入学习了张宏伦老师的网易云课程（星球系列电影），并结合自己的理解和技术分享了该系列专栏，从数据采集、数据展示、数据分析到知识图谱构建，文章后续还会讲解中文数据的实体识别、关系抽取、知识计算等。前面通过六篇文章基本