|
|
|
|
|
|
|
|
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
|
|
|
| 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） |
|
|
|
| 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 |
|
|
|
|
|
| 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
|
|
|
|
|
|
|
