求知 文章 文库 Lib 视频 iPerson 课程 认证 咨询 工具 讲座 Model Center   模型库  
会员   
 
 
 
  开班计划 | 认证培训 | 技术学院 | 管理学院 | 嵌入式学院 | 机械 | 军工学院 | 定向培养 | 专家指导 | 角色培养  
 电话 English
成功案例   品质保证
成功案例
中航信 数据湖架构原理与应
某医疗磁 数据采集与处理
某科技公 大数据(Hadoo
诺基亚 Python基础
天津电子 Elasticse
中国电信 数据仓库与数据挖掘
某航天科 MySQL性能优化

相关课程  
并发、大容量、高性能数据库
高级数据库架构设计师
Hadoop原理与实践
HBase原理与高级应用
Oracle 数据仓库
数据仓库和数据挖掘
Oracle数据库开发与管理
 
全部课程 >数据库与大数据  
(知识图谱+图数据库)*大模型
8501 次浏览  65 次
邹老师
AI技术资深专家
 
地点时间:北京+线上:8月28-29日;上海、深圳根据报名开班
课程费用:4500元/人(原价5700元/人)
报公开课  
企业内训:可以根据企业需求,定制内训,详见 内训学习手册


在大数据时代,不断挖掘数据蕴含的知识才能让数据产生更多价值。这涉及到 2 个方面:
•  如何把数据梳理并存放在合适的数据库中,
•  如何对数据进行知识发现建立知识图谱
本课程关注图数据库和知识图谱,讲解如何对原始数据整合,知识抽取,建立知识图谱,并应用知识图谱实现业务的优化和升级。

培训目标:
1 、了解大模型与知识图谱的互补性
      •  知识图谱对大模型的增强技术路径
      •  大模型对知识图谱的增强技术路径
2 、学习知识图谱原理与大模型的融合应用
      •  知识表示与建模 (本体与大模型协同)
      •  知识源的获取 (大模型引擎)
      •  知识融合 (大模型增强)
      •  知识推理 (大模型协同推理)
      •  知识存储 (图数据库与查询语言)
3、学习参考知识图谱的应用案例
      •  案例1:用neo4j搭建音乐知识图谱
      •  案例2:基于知识图谱的问答机器人
      •  案例3:城市知识图谱构建
培训对象:知识工程师,大数据工程师
学员基础:熟悉数据库一般基础知识
授课方式:讲师讲授+案例解析+互动交流+现场答疑
培训内容:2天

主题 课程安排
第1章:大模型与知识图谱:融合与协同概述 1) 大模型基础与幻觉
      •  大模型预训练、微调与应用生态(Transformer/GPT结构核心剖析)
      •  大模型家族与发展趋势(从LLaMA到ChatGPT、多模态、专家模型)
      •  大模型的核心挑战:幻觉问题、事实准确性、可解释性差、专业领域知识更新滞后
2) 知识图谱基础与演进
      •  知识图谱的本质:结构化语义知识表示与符号推理
      •  从传统知识图谱到动态、多模态知识图谱的演进
      •  知识图谱的核心价值:提供精准、可解释的结构化知识
3) 协同融合的必要性与总体技术路线
     •  大模型与知识图谱的互补性:感知与认知、表示与推理、生成与验证
     •  融合的总体技术路线图:大模型赋能知识图谱构建 vs. 知识图谱增强大模型能力
     •  典型应用场景概览:智能问答、辅助诊疗、工业运维、法律咨询、内容生成
第2章:知识表示与建模:从传统本体到与大模型协同 1) 知识表示框架与发展
     •  知识表示概述:RDF/RDFS/OWL本体建模与序列化方法
     •  知识图谱的发展历史:从语义网到大规模事理图谱
2) 大模型增强的知识建模与本体构建
     •  利用大语言模型自动化生成本体与关系架
     •  大模型驱动的本体对齐
3) 实战案例
     •  使用Protégé进行领域本体手工构建
     •  使用大模型(如Grok、Claude、Qwen、DeepSeek)自动化构建
     •  使用大模型扩展如音乐本体模型
第3章:知识获取与抽取:大模型作为核心引擎 1) 多源数据获取与预处理
     •  结构化、非结构化、多模态数据源
     •  数据清洗与转换(ETL流程)
2) 大模型驱动的知识抽取革命
     •  传统抽取技术(NER、RE、EE)与神经网络(RNN/LSTM/CRF/BERT)
     •  基于大模型的知识抽取
     •  基于LLM的零样本/少样本实体识别与关系抽取
     •  基于大模型的事件抽取与属性填充
     •  融合领域小模型与大模型的混合抽取框架
3) 实战案例
     •  使用大模型(如DeepSeek-R1)从医学文献中抽取疾病、症状、药品实体及关系
     •  使用大模型从工业设备手册(PDF/表格)中抽取实体与关系构建运维知识图谱
第4章:知识融合:知识一致性与准确性 1) 知识融合概述
     •  实体统一、消歧与知识合并的核心挑战
2) 大模型增强的知识融合
     •  利用大模型的语义理解能力进行深层语义消歧
     •  基于大模型生成统一表示与对齐规则
3) 实战案例
     •  基于大模型完成实体统一与消歧
第5章:知识存储与查询:支撑高效推理与服务 1) 知识存储数据库选型
     •  图数据库(Neo4j、Amazon Neptune)
     •  原生图存储与RDF存储(Apache Jena)
2) 知识查询语言
     •  SPARQL(用于RDF)
     •  Cypher(用于Neo4j属性图)
3) 实战案例
     •  Neo4j的部署及用于音乐、医疗知识图谱
第6章:知识推理:符号与神经的融合 1) 知识推理概述
     •  本体推理任务与方法(基于规则、基于嵌入)
2) 大模型与知识图谱协同推理
     •  利用LLM学习复杂规则或补全知识图谱
3) 实战案例
     •  基于规则和知识的推理
第7章:知识图谱应用案例实战 1) 案例1:从零搭建音乐知识图谱(Neo4j)
     •  数据模型设计、爬虫获取数据(歌星、歌曲、专辑)、构建与展示
2) 案例2:医药图谱的问答系统实现
     •  传统方法:基于语义解析或信息检索的KBQA
     •  结合大模型:利用KG增强大模型问答的准确性和多样性
3) 案例3:城市知识图谱构建与应用
     •  城市数据模型设计、知识抽取、构建与应用
第8章:大模型与知识图谱的相辅相成 1) 大模型增强知识图谱技术路径详解
     •  大模型增强知识图谱全生命周期:
     •  数据标注:自动化生成训练数据与标注
     •  知识建模:自动化本体生成与演化
     •  知识融合:提升消歧与对齐效果
     •  知识推理:补全缺失链接与发现隐含关系
     •  可视化与文本生成:自动化生成图谱描述与可视化叙事
2) 知识图谱增强大模型技术路径详解
     •  知识增强的预训练:将知识图谱信息注入大模型训练过程
     •  增强监督微调/对齐微调:探讨知识图谱生成高质量指令微调数据
     •  增强推理能力:
     •  提供外部知识记忆库,减少幻觉
     •  提升常识与领域知识推理能力
     •  增强推理的可解释性(提供推理路径)
     •  增强语义理解:利用知识图谱深化对实体、关系及其上下文的理解
第9章:总结与展望 1) 核心技术总结:知识图谱与大模型融合的技术思维
2) 未来趋势展望:
     •  动态知识图谱与流式学习
     •  更具可解释性的神经符号融合系统
     •  超大规模知识图谱与大模型的协同进化
     •  垂直领域(生物医药、材料科学等)的深度应用
4) 伦理、偏差与挑战:数据隐私、知识偏差、系统可靠性
   
8501 次浏览  65 次
其他人还看了课程
Oracle海量数据和性能优化  3501 次浏览
数据挖掘与现代企业的数据化运营实践  4235 次浏览
SQL Server数据库开发与管理  3126 次浏览
数据挖掘原理、案例、工具与应用  4217 次浏览
大型互联网Redis技术实战  3009 次浏览
Teradata数据库管理、应用与优化  4382 次浏览
高级数据库架构设计师  8386 次浏览
定制内训



咨询服务:数据库设计与性能优化
咨询目标 对客户的数据库进行性能评价,设计优化,管理优化
咨询范围 数据库性能评价,数据库结构优化,数据访问SQL优化。
咨询方式 现有数据库调查,问题诊断,性能评价。
对数据库进行逻辑结构优化,对数据库进行访问SQL优化。
建立数据库运行监控平台。运行监控与优化方法指导。
成功案例 建设银行,中国农业银行,中国工商银行,中航信
详情咨询:010-62670969, zhgx@uml.net.cn
课程计划
基于 UML 和EA进行分析设计 9-9[北京]
软件架构设计方法、案例实践 9-24[北京]
AI辅助软件测试方法与实践 9-26[北京]
代码质量标准与评审方法 11-6[北京]
OCSMP认证:OCSMP-MBF 11-18[北京]
Web应用安全、入侵检测 12-11[北京]