|
|
|
|
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
|
|
|
|
|
|