Nebula Siwi:基于图数据库的智能问答助手思路分析
摘要:本文重点分析 Nebula Siwi 智能问答思路,具体代码可参考[2],使用的数据集为 Basketballplayer[3]。部分数据和 schema 如下所示: 一.智能问答可实现的功能 1.Nebula Siwi 源码整体结构 主要包括前段(Vue)和后端(Flask)代码结构,整体结构如下
阅读全文
posted @
2024-02-04 00:00
扫地升
阅读(340)
推荐(0) 编辑
NebulaGraph实战:3-信息抽取构建知识图谱
摘要:自动信息抽取发展了几十年,虽然模型很多,但是泛化能力很难用满意来形容,直到LLM的诞生。虽然最终信息抽取质量部分还是需要专家审核,但是已经极大的提高了信息抽取的效率。因为传统方法需要大量时间来完成数据清洗、标注和训练,然后来实体抽取、实体属性抽取、实体关系抽取、事件抽取、实体链接和指代消解等等。现在
阅读全文
posted @
2023-09-26 00:12
扫地升
阅读(873)
推荐(0) 编辑
NebulaGraph实战:2-NebulaGraph手工和Python操作
摘要:图数据库是专门存储庞大的图形网络并从中检索信息的数据库。它可以将图中的数据高效存储为点(Vertex)和边(Edge),还可以将属性(Property)附加到点和边上。本文以示例数据集basketballplayer为例,通过nGQL操作和Python脚本两种方式构建图谱。数据[10]和代码[9]详
阅读全文
posted @
2023-09-24 20:51
扫地升
阅读(332)
推荐(0) 编辑
NebulaGraph实战:1-NebulaGraph安装和基础操作
摘要:以前使用Neo4j图数据库,考虑到生产环境需要最终选择了NebulaGraph图数据库。对于数据要求比较高的领域,比如医疗、财务等,暂时还是离不开知识图谱的。后面主要围绕LLM+KG做一些行业解决方案和产品,涉及的技术主要是对话、推荐、检索这3个大的方向,可用于客服系统和聊天机器人等。 1.安装Ne
阅读全文
posted @
2023-09-24 20:51
扫地升
阅读(452)
推荐(0) 编辑