#知识图谱

GraphRAG是一个革新的数据管道和转换套件，旨在利用大型语言模型(LLMs)的力量从非结构化文本中提取有意义的结构化数据。该项目通过加快索引过程并优化提示调整，提供在Azure上的端到端用户体验，有效增强LLMs处理私有数据的能力。此外，GraphRAG的研究和开发还专注于推动负责任的AI使用，确保用户能够最大限度地发挥系统的潜力并减少限制的影响。

PandaGPT是一个智能文件阅读网站，旨在简化用户的阅读体验。通过上传文件，用户可以快速从文件中获取信息，无需逐字阅读。PandaGPT基于OpenAI的最先进模型，已成功处理超过50,000个文件和回答了200,000多个问题。通过集成先进的技术，为企业和个人用户提供了高效的文件处理解决方案。

KG-RAG，一种融合生物医学知识图谱SPOKE与大型语言模型的检索增强生成系统，专为提升特定领域的语义理解而设计。了解其配置、运行方法及在生物医学应用中的实例。

R2R旨在弥合本地LLM实验与可扩展的生产级检索增强生成（RAG）应用之间的差距。R2R提供最新的RAG技术，基于RESTful API构建，使用简便。其主要功能包括多模态支持、混合搜索、图形RAG、应用管理、可观察性、可配置性和扩展性。通过R2R仪表板用户界面，可直观管理和分析RAG引擎性能。

Memary通过模拟人类记忆增强AI代理性能，提供高级记忆管理如聊天代理记忆访问与执行回溯，结合内存模块与知识图谱支持多模型集成，助力开发者优化智能应用。

Nucleoid是一款结合神经符号AI和知识图谱的创新平台，提供基于逻辑的声明运行环境，实现数据与逻辑的动态分析与适应。其多语言支持和透明的推理过程使决策过程更易于理解。

本项目汇集了有关统一大型语言模型（LLM）和知识图谱（KG）的最新研究论文和资源。KG能够存储丰富的事实知识，但构建复杂且难以处理不完全和动态变化的KG。该项目展示了三个主要框架：KG增强的LLM、LLM增强的KG以及LLM与KG的协作。多篇论文已在ACL、TKDE、EMNLP、ICLR等顶级会议上发表，助力研究人员和从业者深入了解这一新兴领域。

RSPapers提供综合的推荐系统研究资源，覆盖系统教程、综合调研和多种议题，如社交、基于深度学习、冷启动、效率、探索与利说问题等，加上基于知识图谱和评论的最新研究。该资源库定期更新，包含多领域实用案例及隐私保护策略，非常适合研究者与实践者。

KG-LLM-Papers收录了将知识图谱与大型语言模型结合的尖端研究论文，旨在推动这一创新交叉学科领域的进步。该项目提供多样化的研究方法、详尽的调查报告、实用的资源与基准测试，解析大型语言模型在知识图谱中的作用。我们欢迎社区成员通过发布问题或提交拉取请求来补充更多研究论文，共同推动学科发展。

利用大语言模型与知识图谱，提供优化的规划-检索-推理框架，实现忠实与可解释的推理。预训练权重和自动下载的数据集简化了关系路径生成和答案推理过程，并支持多种大语言模型的插拔式推理，使推理结果更具解释性和灵活性。

Chat 是一款基于自然语言理解和机器学习的聊天机器人系统，提供丰富的语义分析和知识图谱构建工具，适合从头搭建聊天机器人。支持多用户并发和自定义对话场景，易于修改和扩展。适用于对知识图谱和 KBQA 感兴趣的用户，支持 Python 3.3-3.6，通过 pip 安装后可快速启动数据库和语义服务器。

DeepKE是一款支持命名实体识别、关系抽取和属性抽取的知识图谱构建工具。其多功能性使其适用于多模式、低资源和文档级的知识提取场景。用户可以通过DeepKE-LLM和OneKE模型进行大规模语言模型集成，并能快速训练监督模型。工具包提供详细的文档、在线演示和多种模型选择，包括NER、关系抽取和事件抽取。支持Linux环境及Docker镜像配置，确保高效信息抽取。

收录中文医学自然语言处理（NLP）各类资源，如术语集、语料库、词向量、预训练模型、知识图谱、命名实体识别、问答系统和信息抽取工具。项目旨在推动中文医学NLP技术发展，提供丰富的开源数据集和工具，包含中文医疗信息处理挑战榜CBLUE数据集、中文电子病历预训练Bert模型及多种医学词汇和知识图谱资源。这些材料涵盖术语标准化、文本分类等领域，为中文医学NLP研究和应用奠定坚实基础。

PyKEEN是一个专为知识图谱嵌入设计的Python开源库，支持多模态信息的训练与评估。通过pipeline函数提供高层次的可扩展功能，可以轻松训练和评估模型。内置37个数据集和多个模型，支持自定义数据集和模型扩展。集成了Optuna和PyTorch Lightning，适用于多种训练循环和评估方法。访问https://pykeen.readthedocs.io了解更多信息。

Awesome-Graph-LLM项目汇集图相关大语言模型(Graph-LLM)领域的前沿研究成果和资源。内容涵盖数据集、基准测试、综述文章,以及图推理、节点分类、图分类等应用。项目还收录图提示、通用图模型和多模态模型等新兴方向的相关工作,为Graph-LLM研究提供全面参考。

该资源列表汇总了图上大语言模型(LLMs on Graphs)领域的前沿研究成果。内容涵盖纯图、文本属性图和文本配对图等多个方面,包括数据集、直接回答、启发式推理和算法推理等关键主题。列表基于综述论文整理,并持续更新,为研究人员提供全面参考,推动图上大语言模型研究进展。

这个开源项目提供了全面的NLP学习资源，涵盖文本分类、信息抽取、知识图谱、机器翻译等多个领域的理论和实战教程。项目为NLP初学者设计了详细的学习路径，同时也包含了大模型应用等前沿内容。资源丰富且实用，适合希望深入学习自然语言处理的人员参考。

ToG是一个结合知识图谱与大语言模型的推理框架，通过'图思考'方式增强模型的推理能力。该框架支持Freebase和Wikidata知识图谱，显著提高了模型在复杂任务中的表现。ToG项目已在GitHub开源，提供了代码和详细说明，为相关研究提供了实验基础。该框架的创新在于深度融合知识图谱，实现了更精确和可靠的推理过程。

nlp_paper_study项目是一个综合性NLP学习资源库，涵盖论文阅读方法、经典会议论文解读、理论学习和实战经验。内容包括transformer、预训练模型、信息抽取、知识图谱等多个NLP主题，从基础到前沿。项目还提供竞赛经验和实用工具介绍，帮助研究者和工程师系统掌握NLP知识，提升科研与应用能力。

BioCypher是一款专为生命科学领域设计的知识图谱工具，旨在简化创建和维护过程。它提供了灵活的数据存储、集成和推理功能，支持复杂数据的探索和分析。BioCypher可应用于人工智能研究，并具有用户友好的界面。该工具提供全面的文档和教程，帮助研究人员轻松构建和管理知识图谱。作为开源项目，BioCypher不断发展，为生物医学研究提供有力支持。

ShenNong-TCM-LLM是基于LlaMA的中医药大规模语言模型，采用实体为中心的自指令方法和中医药知识图谱生成指令数据。该模型旨在提升人工智能在中医药领域的知识和回答能力，推动大模型在传统医学中的应用。ShenNong-TCM-LLM能回答中医药问题，提供中医诊断和治疗建议，在中医药领域展现出优秀性能。

knowledge_graph_maker是一个基于Python的工具，可将文本转换为基于指定本体的知识图谱。该工具支持大规模文本处理，利用大型语言模型(LLM)提取实体和关系，并能与Neo4j数据库集成。它可用于分析概念重要性、发现知识社区，以及实现图检索增强生成(GRAG)，为文本分析和高级问答系统提供支持。

AutoKG项目研究了大型语言模型在知识图谱构建和推理中的应用。该项目评估了多个主流语言模型在零样本和单样本设置下的性能，提出了基于多智能体的知识图谱构建和推理方法，并探索了语言模型的虚拟知识能力。这些研究为知识图谱技术的发展提供了新的视角和可能性。

MindGraph是一个开源的图形化CRM原型项目，专注于自然语言交互功能。该项目采用Python开发，具备实体管理、集成触发和搜索等功能。它使用schema驱动方法创建知识图谱，支持多种数据库集成。MindGraph提供图形可视化和动态数据交互的前端界面，为开发者提供了灵活的CRM开发基础。

meet-libai项目构建了李白知识图谱并开发智能问答系统。该系统整合诗歌和生平资料,应用自然语言处理技术实现诗歌鉴赏和文化普及。功能包括属性查询、关系探索、语音和图像生成,为探索李白诗词和唐代文化提供了便捷途径。

InstaGraph是一个开源项目，可将文本或URL转换为知识图谱。该工具基于OpenAI的GPT-3.5技术，生成彩色图形以展示复杂主题中的实体关系。InstaGraph支持动态文本转图形、节点和边缘的颜色编码，并采用响应式设计。除了易于安装和使用外，它还提供API接口便于集成。项目正在开发图形存储、历史记录和图形合并等新功能，致力于构建大规模知识图谱。

ChatLaw作为一款先进的AI法律助手，结合了混合专家模型和多智能体系统，致力于增强AI法律服务的可靠性和准确性。项目通过整合知识图谱和人工筛选方法，打造高质量法律数据集，用于训练混合专家模型，从而优化法律回应的精确度。引入标准操作程序后，ChatLaw有效减少了错误和幻觉问题。在Lawbench评测和法律职业资格统一考试中，ChatLaw均取得了出色成绩，充分展示了其在法律咨询领域的卓越能力。

本项目汇总了知识图谱与多模态学习融合研究的相关论文,主要包括知识图谱驱动的多模态学习(KG4MM)和多模态知识图谱(MM4KG)两个方向。KG4MM探讨知识图谱对多模态任务的支持,MM4KG研究多模态技术在知识图谱领域的应用。项目覆盖理解推理、分类、生成、检索等多种任务,提供了详细的文献列表和资源。这是一份系统全面的知识图谱与多模态学习交叉领域研究综述。

ToG项目提出了一种结合知识图谱的大语言模型推理框架，旨在实现更深入、更负责任的推理能力。该框架在复杂问答和知识推理任务中展现了良好性能，有助于提升AI系统的可解释性和准确性。项目开源代码支持Freebase和Wikidata知识图谱，为相关研究提供了实验平台。

FalkorDB是一款专为大型语言模型设计的知识图谱数据库。它采用稀疏矩阵和线性代数技术实现低延迟图查询,支持属性图模型和OpenCypher查询语言。FalkorDB提供多种编程语言的客户端库,可轻松集成到Redis中,为AI应用提供高效的知识检索能力。

dspy-neo4j-knowledge-graph项目结合DSPy、Neo4j和GPT-4技术，实现文本到知识图谱的自动化构建。系统能从文本中提取实体和关系，生成Cypher查询语句，并在Neo4j数据库中创建知识图谱。通过优化模式上下文，支持与现有数据结构的连接。项目提供简洁的安装和使用流程，为知识图谱研究和应用提供开源解决方案。项目采用Docker容器化部署Neo4j，简化了环境配置过程。使用Python虚拟环境管理依赖，确保了运行环境的一致性。系统通过环境变量配置API密钥和数据库连接，增强了安全性和灵活性。项目文档提供了详细的安装、使用和清理说明，便于用户快速上手和维护。

GraphRAG-Local-UI是一个开源的知识图谱构建和查询工具，支持本地部署大语言模型和嵌入模型。该项目提供直观的界面用于数据索引、提示词调优和信息查询，并具备实时知识图谱可视化功能。它适用于需要构建和探索复杂知识网络的研究人员和开发者，无需依赖云服务即可实现高效的知识管理和信息检索。

Easy-RAG是一个功能全面的检索增强生成(RAG)系统，支持多种文件格式的知识库管理。系统整合了Chroma、FAISS等向量数据库，并采用rerank技术提高信息检索效率。它具备纯大模型多轮对话和基于知识库的问答能力，适合学习、使用和自主扩展。Easy-RAG还支持音频视频的语音转文本功能，为构建智能对话系统提供了全面的解决方案。

GraphRAG Local Ollama是基于Microsoft GraphRAG的改编项目，支持使用Ollama下载的本地模型。该项目通过构建图形化文本索引，利用本地语言模型和嵌入模型回答全局性问题，适用于大规模文本语料库。相比OpenAPI模型，它具有高效、低成本的本地推理优势，同时提供简便的设置流程。这一工具特别适合需要处理私有数据或大量文本的用户。

Recall是一款智能化在线内容摘要工具，能快速总结并保存各类在线内容，如视频、文章和播客等。系统自动将摘要整理入个人知识库，并通过AI技术实现自动分类和内容关联。采用知识图谱技术，Recall帮助用户深入理解复杂主题，发现新的思路。此外，它还提供间隔重复学习和离线访问等功能，是提高知识管理效率的实用工具。

这款基于OpenAI技术的知识图谱工具能够自动生成主题相关的网络图。通过直观的图形呈现复杂知识关系，帮助用户快速理解和探索概念间的联系。该工具以龙的智慧为主题，为学习者、研究人员等求知者提供了新颖有趣的学习方式。只需输入关键词或主题，即可获得丰富的知识网络可视化展示。这款工具操作简单，适合各类求知者使用，为知识探索提供了便捷有效的可视化方法。