智能问答

领域知识图谱的医生推荐系统：利用BERT+CRF+BiLSTM的医疗实体识别，建立医学知识图谱，建立知识问答系统 本项目主要实现了疾病自诊和医生推荐两个功能并构建了医生服务指标评价体系。疾病自诊主要通过利用BERT+CRF+BiLSTM的医疗实体识别， 建立医学知识图谱， 从而实现基于患者问诊文本的疾病初诊。这个功能帮助患者初步了解自身的疾病情况并为下一步与医生的交流提供支持。 第二个功能是医生推荐。本平台采用基于Jacard距离的Minhash和minhashLSHForest算法来进行推荐， 匹配患者的咨询文本和医生的历史问诊信息，从而为患者推荐最适合的医生。最后我们使用django框架进...

基于中文金融知识的 LLaMA 系微调模型的智能问答系统：LLaMA大模型训练微调推理等详细教学 基于 LLaMA 系基模型经过中文金融知识指令精调/指令微调(Instruct-tuning) 的微调模型。通过中文金融公开问答数据+爬取的金融问答数据构建指令数据集，并在此基础上对 LLaMA 系模型进行了指令微调，提高了 LLaMA 在金融领域的问答效果。 基于已有数据和继续爬取的中文金融数据，将继续利用 GPT3.5/4.0 API 构建高质量的数据集，另在中文知识图谱-金融、CFLEB 金融数据集等数据上进一步扩充高质量指令数据集。   基于 Chinese-LLaMA 和中文金融数据进行...

RAG：AI大模型联合向量数据库和 Llama-index，助力检索增强生成技术 在大模型爆发的时代，快速准确地从大量数据中检索出有价值的信息变得至关重要。检索增强生成（RAG）技术，结合了传统的信息检索和最新的大语言模型（LLM），不仅能够回答复杂的查询，还能在此基础上生成信息丰富的内容。 RAG 技术的核心在于其能够将大型语言模型的生成能力与特定数据源的检索相结合。这意味着，当模型面对用户提出的问题时，它不仅依赖于自身训练时的知识，还可以实时地从外部数据源中检索相关信息，以此增强回答的准确性和丰富性。这种方法对于处理最新信息特别有效，能够有效弥补传统模型在时效性方面的不足。 这里我们将基于...

基于知识图谱的《红楼梦》人物关系可视化及问答系统（含码源）：命名实体识别、关系识别、LTP简单教学 文件树:  app.py是整个系统的主入口 templates文件夹是HTML的页面 |-index.html 欢迎界面 |-search.html 搜索人物关系页面 |-all_relation.html 所有人物关系页面 |-KGQA.html 人物关系问答页面 static文件夹存放css和js，是页面的样式和效果的文件 raw_data文件夹是存在数据处理后的三元组文件 neo_db文件夹是知识图谱构建模块 |-config.py 配置参数 |-create_graph.py 创建知识图...

基于罪名法务智能知识图谱（含码源）：基于280万罪名预测、20W法务问答与法律资讯问答功能  项目功能 目前知识图谱在各个行业中应用逐步打开,尤其在金融,医疗,法律,旅游方面.知识图谱助力法律智能,能够在一定程度上利用现有大数据以及机器学习/深度学习与自然语言处理技术,提供一些智能的解决方案.本项目将完成两个大方向的工作:  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. 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...

从零构建医疗领域知识图谱的KBQA问答系统：其中7类实体，约3.7万实体，21万实体关系。  项目效果  以下两张图是系统实际运行效果：  1.项目运行方式 运行环境：Python3 数据库：neo4j 预训练词向量：https://github.com/Embedding/Chinese-Word-Vectors或https://pan.baidu.com/s/14JP1gD7hcmsWdSpTvA3vKA 1、搭建知识图谱：python build_grapy.py。大概几个小时，耐心等待。 2、启动问答测试：python kbqa_test.py 部分代码展示： from entity_...

从零开始构建一个电影知识图谱，实现KBQA智能问答[上篇]：本体建模、RDF、D2RQ、SPARQL endpoint与两种交互方式详细教学 效果展示：  首先介绍我们使用的数据、数据来源和数据获取方法；其次，基于数据内部关系，介绍如何以自顶向下的方式构建本体结构。 1.数据准备 实践篇使用的数据是与电影相关的。基本统计数据如下：   演员数量：505 人   电影数量：4518 部   电影类型：19 类   人物与电影的关系：14451   电影与类型的关系：7898   演员的基本信息包括：姓名、英文名、出生日期、死亡日期、出生地、个人简介。 电影的基本信息包括：电影名称、电影简介、电影...

从零开始搭建医药领域知识图谱实现智能问答与分析服务（含码源）：含Neo4j基于垂直网站数据的医药知识图谱构建、医药知识图谱的自动问答等 项目介绍 关于知识图谱概念性的介绍就不在此赘述。目前知识图谱在各个领域全面开花，如教育、医疗、司法、金融等。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    项目效果展示 以下两图是实际问答运行过程中的截图：    项目运行方式  配置要求：要求配置neo4j数...

领域知识图谱-中式菜谱知识图谱：实现知识图谱可视化和知识库智能问答系统（KBQA) A knowledge graph for Chinese cookbook（中式菜谱知识图谱），可以实现知识图谱可视化和知识库智能问答系统（KBQA) 效果展示：   本项目开发的系统名称为AI Food Time，中文名为爱食光。如需体验可视化功能可直接访问点击可视化功能。 通过收集网上完全公开的有关中式菜谱的数据，经过数据清洗和分析，转换为知识图谱的存储结构，并提供可视化展示与搜索和智能问答等功能，为热爱美食与烹饪的人们提供方便快捷的中式菜谱服务，并以知识图谱的形式直观显示出不同菜品的关系及所用原料，在生...

ChatIE：通过多轮问答问题实现实命名实体识别和关系事件的零样本信息抽取，并在NYT11-HRL等数据集上超过了全监督模型 零样本信息抽取（Information Extraction，IE）旨在从无标注文本中建立IE系统，因为很少涉及人为干预，该问题非常具有挑战性。但零样本IE不再需要标注数据时耗费的时间和人力，因此十分重要。近来的大规模语言模型（例如GPT-3，Chat GPT）在零样本设置下取得了很好的表现，这启发我们探索基于提示的方法来解决零样本IE任务。我们提出一个问题：不经过训练来实现零样本信息抽取是否可行？我们将零样本IE任务转变为一个两阶段框架的多轮问答问题（Chat IE）...

手把手教学构建农业知识图谱：农业领域的信息检索+智能问答，命名实体识别，关系抽取，实体关系查询 1.项目介绍： 效果展示：     目录结构：  . ├── MyCrawler // scrapy爬虫项目路径(已爬好) │   └── MyCrawler │   ├── data │   └── spiders ├── data\ processing // 数据清洗(已无用) │   └── data ├── demo // django项目路径 │   ├── Model // 模型层，用于封装Item类，以及neo4j和csv的读取 │   ├── demo // 用于写页面的逻辑(Vi...

从零开始构建一个电影知识图谱，实现KBQA智能问答[下篇]：Apache jena SPARQL endpoint及推理、KBQA问答Demo超详细教学 效果展示：   1.Apache jena SPARQL endpoint及推理 在上一篇我们学习了如何利用 D2RQ 来开启 endpoint 服务，但它有两个缺点：   不支持直接将 RDF 数据通过 endpoint 发布到网络上。   不支持推理。   这次我们介绍的 Apache Jena 能够解决上面两个问题。 1.1.Apache Jena 简介 Apache Jena（后文简称 Jena），是一个开源的 Java 语义网框架（...