#知识图谱

做知识图谱嵌入的朋友可以看看，这个 PyTorch 库把编码器、解码器、采样器都拆成积木随便拼，还自带防数据泄漏的预处理。

教育领域一个很实际的问题：手工标注 Q-matrix 太贵，作者用 11 个智能体流水线自动建课程知识图谱，每章只要 1.19 美元，论文还诚实标注了评估局限。

研究者把知识图谱问答拆开看：小模型答案对了，走的路径未必对。用 PED 指标测出了 Hits@1 看不见的差距。

一份新出的合规评测基准 EADC，用知识图谱加法律专家标注做出 4400 多条 QA，专测模型会不会踩法律红线，做合规的对口。

RA-MMEA 先评估图像可靠性再融合，替代直接拼图片的做法，专治图像噪声拖累实体对齐，代码将开源。

GPT-4在急诊复诊评估上过度判断，但知识图谱算法表现不错，医疗AI应用又添新案例。

QUEST方法改进了不确定知识图谱补全，通过谱初始化和图正则化提升了预测准确性和训练稳定性。

研究人员提出本体对齐集成框架，通过投票融合不同技术，在多个基准测试中超越单一对齐器性能。

PyKEEN团队推出新框架，让知识图谱负采样更灵活，兼容现有工作流。

这篇论文提出了一个创新的框架，通过增强上下文信息来提高多模态知识图谱RAG的性能，对于想要了解如何提升多模态知识图谱应用效果的人来说是个好资源。

这篇论文讲怎么用RAG和LLM把技术文档自动变成知识图谱，用在反应堆诊断上，跑得还稳，搞可靠性的可以看看。

做城市计算或交通预测的可以看看，这个数据集把站点、道路、POI串成了知识图谱，还开放了链接数据，比纯表格好用。

KGCaRe把知识图谱和RAG结合，复杂条件问答比普通RAG更准，多个模型上都赢了，代码也开源了。

这篇论文用690个技能做测试，发现简单混合排序比知识图谱更靠谱，还提醒大家别用自编查询骗自己。

这篇论文提出了 COntExt，用运行指标自动帮你扩展本体，不用再手动梳理概念关系，四个安全本体上验证过效果。

FICE这个新模型，不用重训练就能用在没见过的知识图谱上，基数估计误差比之前最好的还低一半多，而且速度快到亚毫秒。

想系统理解文本、表格和知识图谱为什么打架？看看这篇论文，它用SPARQL和LLM自动找出不一致，还分了四种类型，挺实用的。

APS团队搞了个能检索几十年知识库的RAG系统，把BM25的63.8%准确率提到了70.3%。交叉编码器是关键，去掉掉32.8%得分。科学设施运维AI神助攻，代码和基准都开源了。

这篇论文把知识图谱和可解释AI怎么配合讲清楚了，还给出了四种具体集成模式，干城市矿产评估的可以看看。

Marble团队把小学课程知识图谱开源了，1590个概念、3221条关系，按英美课标整理，直接拿来就能做教学产品。

AI Will@FinanceYF5原文

TopoBrick不用训练就能预测建筑传感器数据，靠知识图谱和智能采样选变量，比很多基础模型还准，跟专门训练的模型差不多。

这篇论文教你用小知识图谱提升小表格模型在专业领域的效果，比普通微调更靠谱，还揭示了持续微调的风险。

一篇论文提出了一个能处理模糊量化查询的通用框架，不挑量化器类型和数据源，还开源了Q2S2实现。

这篇论文提出一个好方法：用知识图谱加小模型自动修SysML v2语义错误，修复率飙到91%，相比传统编译器管不了语义错误，这招很实用。

做科学知识图谱或文献挖掘的团队可以直接用这个开源管线，省去自己设计抽取流程的麻烦，尤其适合需要跨论文推理的科研场景。