当前位置：首页 > wzjs >正文

南昌做网站怎么向google提交网站

wzjs 2025/9/11 3:16:05

南昌做网站,怎么向google提交网站,企业商务网站的技术,网站维护主要需要会什么1. 自然语言处理、知识图谱、对话系统三大技术研究与应用 https://github.com/lihanghang/NLP-Knowledge-Graph 深度学习-自然语言处理(NLP)-知识图谱：知识图谱构建流程【本体构建、知识抽取（实体抽取、关系抽取、属性抽取）、知识表示、知…

1. 自然语言处理、知识图谱、对话系统三大技术研究与应用

https://github.com/lihanghang/NLP-Knowledge-Graph

深度学习-自然语言处理(NLP)-知识图谱：知识图谱构建流程【本体构建、知识抽取（实体抽取、关系抽取、属性抽取）、知识表示、知识融合、知识存储】 - 元気森林 - 博客园

https://www.cnblogs.com/-402/p/16529422.html

2.自然语言处理 --- NLP入门指南

https://blog.csdn.net/zwqjoy/article/details/103546648

3.自然语言处理方向项目和工具集合

https://github.com/HanXinzi-AI/awesome-NLP-resources

4.NLP_知识图谱_介绍、构建、问答知识

https://blog.csdn.net/weixin_42504788/article/details/137715412

5.NLP实践笔记

https://github.com/sherpahu/NLP_practice

https://github.com/sherpahu/NLP_practice/tree/master/markdown%E6%A0%BC%E5%BC%8F

6.funNLP

https://github.com/fighting41love/funNLP

7.老刘说NLP

https://github.com/liuhuanyong

老刘说知识图谱实践指引

老刘说知识图谱实践指引：知识图谱代表性全流程开源项目、NER/RE关键模型与开放课程概述 - 智源社区

https://github.com/liuhuanyong/DomainWordsDict

8.NLP第20课：Neo4j 从入门到构建一个简单知识图谱

https://zhuanlan.zhihu.com/p/112382328

9.基于深度学习的开源中文知识图谱抽取框架

https://github.com/zjunlp/DeepKE

10.【知识图谱：从零开始的构建艺术】：一步步构建你的知识图谱

https://wenku.csdn.net/column/193ttjzhkn

11.knowledge graph知识图谱,从零开始构建知识图谱

https://github.com/myhhub/KnowledgeGraph

12.知识图谱构建流程步骤详解

https://xushuai.blog.csdn.net/article/details/125061428

13.基于自然语言处理的金融知识图谱构建系统

https://github.com/EasonWong0327/NLP-Knowledge_Graph

14.知识图谱入门——认识知识图谱

https://zhuanlan.zhihu.com/p/396516565

15.整理知识图谱相关学习资料，提供系统化的知识图谱学习路径

https://github.com/husthuke/awesome-knowledge-graph

16.东南大学《知识图谱》研究生课程

https://github.com/npubird/KnowledgeGraphCourse

17.【大模型:知识图谱】--1.通俗易懂解释知识图谱

https://blog.csdn.net/qq_58602552/article/details/148130513

https://blog.csdn.net/qq_58602552/category_12897577.html

18.【GraphRAG】构建知识图谱：从技术到实战的完整指南

https://blog.csdn.net/2301_81888214/article/details/142761555

19.知识图谱构建 DeepKg

https://github.com/powerycy/DeepKg

20.LLM 知识图谱构建器：从零到 GraphRAG 只需五分钟

https://fisherdaddy.com/posts/llm-knowledge-graph-builder/

https://neo4j.com/developer-blog/graphrag-llm-knowledge-graph-builder/

什么是 Neo4j LLM 知识图谱构建器？

Neo4j LLM 知识图谱构建器是一款创新的在线应用，无需编写代码和 Cypher 查询，即可将非结构化文本转化为知识图谱，提供神奇的文本到图谱体验。

它使用机器学习模型 (大语言模型：OpenAI、Gemini、Diffbot) 将 PDF、网页和 YouTube 视频转换为实体及其关系的知识图谱。

21.从零构建知识图谱：使用大语言模型处理复杂数据的11步实践指南

https://blog.csdn.net/deephub/article/details/147948306

22.使用 LLM 从零构建知识图谱

https://blog.csdn.net/weixin_53707653/article/details/148592255

23.基于大语言模型LLM 的知识图谱生成工具

支持从文本中自动提取实体关系并可视化展示。

https://github.com/Tunnello/KnowledgeGraph-Streamlit

24.Python中LLM的知识图谱构建：动态更新与推理

https://binarydreams.blog.csdn.net/article/details/145232666

25.语析 - 基于大模型的知识库与知识图谱问答平台

https://blog.csdn.net/jaykm/article/details/145930433

https://github.com/xerrors/Yuxi-Know

基于智能体 RAG 知识库的知识图谱问答系统。Langgraph + VueJS + Flask + Neo4j。大模型适配 OpenAI、Ollama、vLLM、国内主流大模型平台的模型调用。支持推理模型DeepSeek-R1、联网检索、工具调用。

26.林业病虫害智能问答系统DeepForest

https://deepforest.weilanx.com/index.html

https://github.com/Azure12355/deep-forest

https://gitee.com/azure12355/deep-forest

27.知识图谱：从0到 ∞

https://blog.csdn.net/hyc010110/category_12799114.html

28.fanjianglin知识图谱

https://blog.csdn.net/fanjianglin/category_12628659.html

29.开源学习版！PDF到知识图谱：DeepSeek与OpenAI，轻松部署本地langchain和neo4j问答系统Datagraphx学习版

https://www.bilibili.com/video/BV1Z5F5efEUZ/

DeepSeek与OpenAI模型：用于文本分析与自然语言处理。

LangChain：实现文档处理与交互式问答。

Neo4j：用于构建与展示知识图谱。

Plotly：用于图数据库可视化。

项目地址：https://github.com/adoresever/DataGraphX_Learn

30.农业知识图谱(KG)

https://github.com/shanwf/Agriculture_KG

https://github.com/qq547276542/Agriculture_KnowledgeGraph

https://github.com/2019agriculture/Agriculture_KnowledgeGraph

https://github.com/chenjj9527/AgricultureKnowledgeGraph

农业知识图谱(AgriKG)：农业领域的信息检索，命名实体识别，关系抽取，智能问答，辅助决策。

该项目已停止维护。因此项目代码仅供参考，项目中包含的数据可免费用于学术等非商业用途。

Github 项目推荐 | 农业知识图谱(KG)：农业领域的信息检索，命名实体识别-腾讯云开发者社区-腾讯云

农业知识图谱(KG)：农业领域的信息检索，命名实体识别

https://github.com/zhangyqCS/KnowledgeGraph_Agriculture

农业领域知识图谱的构建，包括数据爬取(百度百科)、数据分类、利用结构化数据生成三元组、非结构化数据的分句(LTP)，分词(jieba)，命名实体识别(LTP)、基于依存句法分析(主谓关系等)的关系抽取和利用neo4j生成可视化知识图谱

https://github.com/JunKuang-algo/Agriculture-KnowledgeGraph-Data

对知识库Wikidata的爬虫以及数据处理脚本将三元组关系对齐到语料库的脚本获取知识图谱数据的脚本

31.知识图谱实战项目推荐

https://www.163.com/dy/article/G0LBH82005380EIV.html

（1）知识图谱构建，自动问答，基于kg的自动问答。以疾病为中心的一定规模医药领域知识图谱，并以该知识图谱完成自动问答与分析服务。

地址：https://github.com/liuhuanyong/QASystemOnMedicalKG

本项目立足医药领域，以垂直型医药网站为数据来源，以疾病为核心，构建起一个包含7类规模为4.4万的知识实体，11类规模约30万实体关系的知识图谱。本项目将包括以下两部分的内容：

基于垂直网站数据的医药知识图谱构建
基于医药知识图谱的自动问答

（2）本项目提出了中文复合事件的概念与显式模式，包括条件事件、因果事件、顺承事件、反转事件等事件抽取，并形成事理图谱。

地址：https://github.com/liuhuanyong/ComplexEventExtraction

（3）罪名法务智能项目,内容包括856项罪名知识图谱, 基于280万罪名训练库的罪名预测,基于20W法务问答对的13类问题分类与法律资讯问答功能.

地址：https://github.com/liuhuanyong/CrimeKgAssitant

本项目将完成两个大方向的工作: 1, 以罪名为核心,收集相关数据,建成基本的罪名知识图谱,法务资讯对话知识库,案由量刑知识库. 2, 分别基于步骤1的结果,完成以下四个方面的工作。

基于案由量刑知识库的罪名预测模型
基于法务咨询对话知识库的法务问题类型分类
基于法务咨询对话知识库的法务问题自动问答服务
基于罪行知识图谱的知识查询

（4）中文人物关系知识图谱项目,内容包括中文人物关系图谱构建,基于知识库的数据回标,基于远程监督与bootstrapping方法的人物关系抽取,基于知识图谱的知识问答等应用。

地址：https://github.com/liuhuanyong/PersonRelationKnowledgeGraph

（5）军事知识图谱。基于mongodb存储的军事领域知识图谱问答项目，包括飞行器、太空装备等8大类，100余小类，共计5800项的军事武器知识库，该项目不使用图数据库进行存储，通过jieba进行问句解析，问句实体项识别，基于查询模板完成多类问题的查询，主要是提供一种工业界的问答思想。

地址：https://github.com/liuhuanyong/QAonMilitaryKG

（6）京东知识图谱，基于京东网站的1300种商品上下级概念，约10万商品品牌，约65万品牌销售关系，商品描述维度等知识库，基于该知识库可以支持商品属性库构建，商品销售问答，品牌物品生产等知识查询服务，也可用于情感分析等下游应用．

网址：https://github.com/liuhuanyong/ProductKnowledgeGraph

32.一些优秀的知识图谱项目

https://blog.csdn.net/stay_foolish12/article/details/127220994

(1)利用网络上公开的数据构建一个小型的证券知识图谱/知识库

https://github.com/lemonhu/stock-knowledge-graph

(2)医疗保险领域知识图谱

https://github.com/AdiaLoveTrance/MedicalInsuranceKG

(3)农业知识图谱(AgriKG)：农业领域的信息检索，命名实体识别，关系抽取，智能问答，辅助决策

https://github.com/qq547276542/Agriculture_KnowledgeGraph

(4)漫威英雄的知识图谱

https://github.com/YZHANG1270/Marvel_KnowledgeGraph

(5)基于知识图谱的《红楼梦》人物关系可视化及问答系统

https://github.com/chizhu/KGQA_HLM

(6)小型金融知识图谱构建流程

https://github.com/jm199504/Financial-Knowledge-Graphs

(7)中式菜谱知识图谱可视化（CookBook-KG）

https://github.com/ngl567/CookBook-KG

(8)从无到有构建一个电影知识图谱，并基于该KG，开发一个简易的KBQA程序

https://github.com/SimmerChan/KG-demo-for-movie

(9)上市公司高管图谱

https://github.com/Shuang0420/knowledge_graph_demo

(10)红楼梦人物关系图谱

https://github.com/chizhu/KGQA_HLM

(11)通用领域知识图谱

https://github.com/Pelhans/Z_knowledge_graph

(12)免费1.5亿实体通用领域知识图谱

https://github.com/ownthink/KnowledgeGraph

Tunnello/KnowledgeGraph-Streamlit

https://github.com/Tunnello/KnowledgeGraph-Streamlit

基于大语言模型LLM 的知识图谱生成工具，支持从文本中自动提取实体关系并可视化展示。

demo

试用网址：https://knowledgegraph-app.streamlit.app/
介绍文章：使用大语言模型 + streamlit-agraph 生成和可视化知识图谱

使用大语言模型 + streamlit-agraph 生成和可视化知识图谱

zjunlp/DeepKE

基于深度学习的开源中文知识图谱抽取框架

https://github.com/zjunlp/DeepKE/blob/main/README_CN.md

DeepKE 是一个开源的知识图谱抽取与构建工具，支持cnSchema、低资源、长篇章、多模态的知识抽取工具，可以基于PyTorch实现命名实体识别、关系抽取和属性抽取功能。同时为初学者提供了文档，在线演示, 论文, 演示文稿和海报。

WenRichard/KBQA-BERT

https://github.com/WenRichard/KBQA-BERT

基于BERT的KBQA探索：https://zhuanlan.zhihu.com/p/62946533

基于知识图谱的问答系统，BERT做命名实体识别和句子相似度，分为online和outline模式

本项目主要由两个重要的点组成，一是基于BERT的命名实体识别，二是基于BERT的句子相似度计算，本项目将这两个模块进行融合，构建基于BERT的KBQA问答系统，在命名实体识别上分为online predict和outline predict；在句子相似度上，也分为online predict和outline predict，2个模块互不干扰，做到了高内聚低耦合的效果，最后的kbqa相当于融合这2个模块进行outline predict，具体介绍请见知乎专栏！

环境配置