文章目录

水文模型知识图谱构建与应用（核心）

水文模型知识图谱构建与应用

题目：水文模型知识图谱构建与应用
作者：周逸凡 段浩 赵红莉 赵慧子 李豪 韩昆
期刊：《水利学报》2024年1期

概括：自顶向下构建
在这里插入图片描述

  1. 本体建模：图谱边界->概念术语节点->属性
  2. 实体抽取：bert模型->不同实体采用不同抽取策略并划定策略权重->不同策略的结果加分并进行排序(策略提取的实体加上对应权重分数)与模式过滤（去除可能是重复的但提取不一样）
  3. 关系抽取：采用直接匹配和模式匹配结合（常用方法是基于模板的关系抽取、基于监督学习的关系抽取与基于弱监督学习的关系抽取）
  4. 知识融合：通过词汇表映射法（同一模型的不同表述映射到标准名称）来实体融合解决实体多词共指+同样采用词汇映射表将同义评价指标整理对齐
  5. 知识存储：Neo4j存储

面向水利防汛抢险的知识图谱构建与应用

面向水利防汛抢险的知识图谱构建与应用
在这里插入图片描述

概括：多源文本->LLＭ+卷积模块+语义关联层面提升

  1. 数据处理：防汛抢险知识来自多源异构知识载体，半结构化和非结构化

  2. LLM通过提示词来提取出与防汛抢险相关的术语+聚类算法抽取术语主题重组优化

  3. 实体数据增强扩充数据，引入CNN改进提取模型

  4. 知识融合加工，再存到图数据库

亮点：三元组+《水利水电工程设计术语标准》SL26-2012—>五元组

知识图谱在水利工程中的构建与应用

知识图谱在水利工程中的构建与应用

  1. 数据清洗、整合和标准化处理
  2. 《水利对象分类与编码总则》确定概念节点（或者说节点类型）+对象基础信息作为类型的属性和属性数据节点+二分图映射算法（其中的节点可以分成两组，且每条边连接的节点分别来自不同组）来确定概念节点之间的关系
  3. 根据概率节点和属性和关系，通过具体数据进行实例化（推理规则蕴含在关系中）
  4. Echarts可视化提供检索和推荐

代码

https://github.com/FULLK/Intelligent_Water_Management_Emergency_Response-Studying/tree/master/%E6%B0%B4%E5%88%A9%E7%9F%A5%E8%AF%86%E5%9B%BE%E8%B0%B1

# 知识图谱 # 学习 # 人工智能
Logo
天工造物局

北京人形旗下天工造物具身智能开源社区，聚焦具身天工与慧思开物两大平台

更多推荐

graphify 视频音视频转写全流程解析：从 detect 结果到知识图谱文档的 Step 2.5

graphify 的核心能力是把任意语料（代码、文档、PDF、图片）转化为可查询的知识图谱，而视频与音频文件无法被直接阅读，必须先把它们转写成文本。本文围绕 `graphify` 运行手册中的转写参考文档 [transcribe.md](https://link.gitcode.com/i/d3285781588e0f1b84886dfdbc4fe7f6)，完整讲解 "Step 2.5 - Tra

avatar 天工造物局

ML-For-Beginners 终章：经典机器学习在金融、医疗、零售等八大行业中的真实落地场景

本篇技术指南基于开源课程仓库 ML-For-Beginners 的收尾课程《Postscript: Machine learning in the real world》（对应仓库目录 [9-Real-World/1-Applications](https://link.gitcode.com/i/6b23002df80861c20abf34d7db63ef41)）编写。该课此前 11 周的教学带

avatar 天工造物局

graphify 知识图谱查询实战：query / path / explain 与可审计的答案闭环

本指南以 graphify 的 Trae 版查询技能参考（[graphify/skills/trae/references/query.md](https://link.gitcode.com/i/72a7875d46ec6d3706d31791f3cdcbe0)）为主体，系统讲解如何针对**已构建好的知识图谱**执行三类查询：语义相关节点遍历（query）、两概念间最短路径（path）、单节点关

avatar 天工造物局