知識增強大模型

作者：王文廣|責編:張爽
出版社：電子工業
ISBN：9787121499166

出版日期：2025/03/01
裝幀：平裝
頁數：392

人民幣：RMB 118 元售價：元

內容大鋼

全書共分10章，全面介紹知識增強大模型涉及的各類技術，涵蓋大模型、向量資料庫、圖資料庫、知識圖譜、檢索增強生成、GraphRAG等內容，並輔以豐富的實例、精心繪製的插圖和深入淺出的技術解析，幫助讀者快速掌握知識增強大模型的理論，引導讀者逐步構建知識增強大模型應用。
本書既可以作為人工智慧相關的技術從業者、企業或機構管理者的工具書，指導實際工作；也適合作為人工智慧、電腦等相關專業高年級本科生或研究生學習知識增強大模型應用開發的入門圖書和進階指南。

作者介紹

王文廣|責編:張爽
王文廣，浙江大學電腦科學與技術碩士，高級工程師，知識圖譜與認知智能領域知名專家。現任達觀數據副總裁，專註于自然語言處理、知識圖譜、圖像與語音分析、認知智能、大數據和圖分析等方向的技術研究、產品開發和產業應用，為金融、智能製造、醫療與生物醫藥、半導體等行業提供認知智能產品和技術服務。現為上海市人工智慧技術標準化委員會委員，上海市科學技術委員會評審專家、人工智慧領域標準編製專家，CCF高級會員，CIPS語言與知識計算專委會委員，CAAI深度學習專委會委員。主導或參與過百余個人工智慧科學研究和產業應用項目，曾獲得國際、國內多個頂尖演算法競賽獎項，申請人工智慧領域國家發明專利數十項，並參與編製人工智慧領域的多個國家標準、行業標準和團體標準。

第1章  緒論：迎接大模型紀元
  1.1  大模型崛起
  1.2  大模型的固有特性
    1.2.1  幻覺
    1.2.2  知識陳舊
  1.3  知識增強大模型
  1.4  迎接大模型紀元
第2章  大語言模型
  2.1  大模型概述
  2.2  語言模型簡史
  2.3  大模型為何如此強大
    2.3.1  語言模型與無監督學習
    2.3.2  人類反饋強化學習
    2.3.3  情境學習與思維鏈
  2.4  如何使用大模型
    2.4.1  翻譯
    2.4.2  文本摘要
    2.4.3  求解數學問題
    2.4.4  語言學習和考試
    2.4.5  高效撰寫文章
    2.4.6  自動化編程和輔助編程
    2.4.7  數據分析
  2.5  垂直大模型
    2.5.1  什麼是垂直大模型
    2.5.2  垂直大模型的特點
  2.6  思考題
  2.7  本章小結
第3章  向量資料庫
  3.1  向量表示與嵌入
    3.1.1  語言的向量表示
    3.1.2  圖像的向量表示
    3.1.3  知識圖譜的向量表示
  3.2  向量相似度
    3.2.1  L2距離
    3.2.2  餘弦相似度
    3.2.3  內積相似度
    3.2.4  L1距離
  3.3  向量索引與檢索方法
    3.3.1  最近鄰檢索和近似最近鄰檢索
    3.3.2  局部敏感哈希演算法
    3.3.3  基於圖結構的HNSW演算法
    3.3.4  向量量化與乘積量化
  3.4  Milvus向量資料庫
    3.4.1  Milvus架構
    3.4.2  向量索引方法
    3.4.3  向量檢索方法
    3.4.4  數據一致性
    3.4.5  用戶認證與許可權控制
  3.5  Milvus向量資料庫實戰指南
    3.5.1  安裝、配置和運行Milvus

    3.5.2  連接伺服器和創建資料庫
    3.5.3  數據準備
    3.5.4  創建集合
    3.5.5  創建索引
    3.5.6  插入數據
    3.5.7  載入數據
    3.5.8  標量查詢
    3.5.9  單向量檢索
    3.5.10  混合檢索
  3.6  其他主流的向量資料庫系統與工具
    3.6.1  原生向量資料庫
    3.6.2  資料庫的向量處理擴展
    3.6.3  向量索引和檢索庫
  3.7  思考題
  3.8  本章小結
第4章  檢索增強生成
  4.1  檢索增強生成概述
  4.2  為什麼需要RAG
    4.2.1  RAG、SFT與LoRA
    4.2.2  長上下文與RAG
    4.2.3  鋰電池供應鏈管理案例
    4.2.4  RAG的特點
  4.3  通用的RAG流程
    4.3.1  創建知識庫
    4.3.2  知識檢索
    4.3.3  大模型生成答案
    4.3.4  質量評估與迭代優化
  4.4  使用Dify構建RAG系統
    4.4.1  Dify概述
    4.4.2  安裝Dify
    4.4.3  初始化Dify
    4.4.4  創建知識庫
    4.4.5  簡單的RAG應用
    4.4.6  RAG效果優化
    4.4.7  引入Elasticsearch
    4.4.8  構建RAG系統
  4.5  RAG系統的最佳實踐
    4.5.1  文本分塊
    4.5.2  分層檢索
    4.5.3  查詢改寫
    4.5.4  檢索路由
  4.6  其他主流的RAG系統框架
    4.6.1  LobeChat
    4.6.2  Quivr
    4.6.3  LlamaIndex
    4.6.4  Open WebUI
  4.7  思考題
  4.8  本章小結
第5章  知識圖譜技術體系
  5.1  什麼是知識圖譜

    5.1.1  知識圖譜的相關概念及其定義
    5.1.2  知識圖譜實例
    5.1.3  大腦的聯想機制與知識圖譜的關係建模
  5.2  DIKW模型與知識圖譜
    5.2.1  DIKW模型
    5.2.2  從DIKW模型到知識圖譜
    5.2.3  知識圖譜的內涵與外延
    5.2.4  知識的源流與知識圖譜
  5.3  知識圖譜的技術體系
    5.3.1  知識圖譜模式設計與管理
    5.3.2  知識圖譜構建技術
    5.3.3  知識圖譜存儲技術
    5.3.4  知識圖譜應用技術
    5.3.5  用戶介面與界面
  5.4  知識圖譜模式設計的基本原則
    5.4.1  賦予一類事物合適的名字
    5.4.2  建立事物間清晰的聯繫
    5.4.3  明確且正式的語義表達
  5.5  知識圖譜模式設計的六韜法
  5.6  大模型結合六韜法設計知識圖譜模式
    5.6.1  場景：對齊參與各方的認知
    5.6.2  復用：站在巨人的肩膀上
    5.6.3  事物：定義實體類型及屬性
    5.6.4  聯繫：場景需求之下的普遍聯繫
    5.6.5  約束：多層次的約束規範
    5.6.6  評價：迭代優化的起點
  5.7  知識圖譜模式設計的最佳實踐
    5.7.1  熟知知識圖譜及其具體應用領域
    5.7.2  明確邊界，切記貪多嚼不爛
    5.7.3  高內聚、低耦合
    5.7.4  充分利用可視化工具
  5.8  思考題
  5.9  本章小結
第6章  構建知識圖譜
  6.1  知識圖譜構建技術概述
    6.1.1  映射式構建技術
    6.1.2  抽取式構建技術
  6.2  抽取實體和實體屬性
    6.2.1  實體、實體屬性及其抽取
    6.2.2  用大模型抽取實體和實體屬性
  6.3  抽取關係和關係屬性
    6.3.1  實體間的關係和關係抽取
    6.3.2  用大模型抽取關係和關係屬性
  6.4  抽取事件
    6.4.1  事件、事件要素和事件抽取
    6.4.2  用大模型抽取事件
  6.5  多語言和跨語言
  6.6  知識抽取的評價指標
  6.7  思考題
  6.8  本章小結

第7章  圖資料庫與圖計算
  7.1  圖資料庫概述
    7.1.1  頂點、邊、屬性與標籤
    7.1.2  圖資料庫的存儲與查詢
    7.1.3  主流的圖資料庫
  7.2  JanusGraph分散式圖資料庫
    7.2.1  JanusGraph系統架構
    7.2.2  CAP理論與JanusGraph
    7.2.3  與搜索引擎的集成
    7.2.4  事務和故障修復
    7.2.5  屬性圖模式的定義
    7.2.6  圖查詢語言Gremlin
  7.3  JanusGraph實戰指南
    7.3.1  安裝、運行和配置JanusGraph
    7.3.2  在JanusGraph中定義屬性圖模式
    7.3.3  為圖創建索引
    7.3.4  索引的狀態及動作
    7.3.5  查看屬性圖模式
    7.3.6  為圖插入頂點、邊和屬性
    7.3.7  查詢的起始與終末
    7.3.8  提取圖中元素的信息
    7.3.9  過濾查詢條件
    7.3.10  圖的遊走
    7.3.11  分組與聚合
    7.3.12  分支與循環
    7.3.13  match、map、filter和sideEffect
    7.3.14  性能優化工具的使用
  7.4  JanusGraph的可視化
    7.4.1  JanusGraph-Visualizer
    7.4.2  其他可視化工具
  7.5  遍歷與最短路徑演算法
    7.5.1  廣度優先搜索
    7.5.2  深度優先搜索
    7.5.3  路徑和最短路徑
  7.6  中心性
    7.6.1  中心性的概念及應用
    7.6.2  度中心性
    7.6.3  親密中心性
    7.6.4  中介中心性
    7.6.5  特徵向量中心性
    7.6.6  PageRank
  7.7  社區檢測
    7.7.1  社區檢測概述
    7.7.2  社區檢測演算法一覽
    7.7.3  Leiden演算法實戰
    7.7.4  社區檢測演算法的應用場景
  7.8  思考題
  7.9  本章小結
第8章  圖模互補應用範式
  8.1  圖模互補概述

  8.2  圖模互補中的知識圖譜
    8.2.1  知識的確定性和一致性
    8.2.2  知識來源可追溯
    8.2.3  知識的實時與及時更新
    8.2.4  可解釋與可追溯的演繹推理
    8.2.5  糾錯機制與知識的持續維護
    8.2.6  基於圖機器學習與圖神經網路的概率推理
    8.2.7  知識圖譜的全局視野
  8.3  圖模互補中的大模型
    8.3.1  從任務描述到任務需求的理解
    8.3.2  利用知識圖譜檢索、整合和推理結果
    8.3.3  高質量的自然語言生成
    8.3.4  結合多源知識生成創新性內容
    8.3.5  概率推理能力與通用性
    8.3.6  知識抽取
    8.3.7  知識補全
    8.3.8  跨語言知識對齊
  8.4  圖模互補應用範式的特點
  8.5  大模型對知識圖譜的增強
    8.5.1  增強知識圖譜的構建
    8.5.2  增強知識圖譜的補全
    8.5.3  增強對知識的描述
    8.5.4  增強知識圖譜的推理
    8.5.5  增強知識圖譜的查詢
  8.6  知識圖譜對大模型的增強
    8.6.1  減少大模型的幻覺
    8.6.2  內嵌知識圖譜的大模型
    8.6.3  提升大模型的推理能力
    8.6.4  知識圖譜增強生成
    8.6.5  提升大模型生成內容的可解釋性
    8.6.6  應用案例
  8.7  基於圖模互補應用範式的智能系統的典型流程
  8.8  思考題
  8.9  本章小結
第9章  知識圖譜增強生成與GraphRAG
  9.1  知識圖譜增強生成的原理
    9.1.1  深度推理和實時推理
    9.1.2  全局視野與深度洞察
    9.1.3  知識整合
  9.2  知識圖譜增強生成的通用框架
  9.3  為知識圖譜創建索引
    9.3.1  圖索引
    9.3.2  文本索引
    9.3.3  向量索引
    9.3.4  混合索引
  9.4  從知識圖譜中檢索知識
    9.4.1  檢索方法
    9.4.2  檢索過程
    9.4.3  知識粒度
  9.5  知識表示形式

    9.5.1  鄰接表和邊表
    9.5.2  自然語言文本
    9.5.3  編程語言
    9.5.4  語法樹
    9.5.5  頂點序列
  9.6  GraphRAG概述
  9.7  GraphRAG實戰
    9.7.1  安裝GraphRAG和數據資源準備
    9.7.2  轉換為實體的關係屬性的DataFrame
    9.7.3  計算實體、關係的排序值
    9.7.4  為實體生成描述文本及向量化
    9.7.5  為關係生成描述文本及向量化
    9.7.6  社區分類和社區描述文本
    9.7.7  調用API生成GraphRAG可用數據
    9.7.8  大模型的初始化
    9.7.9  局部搜索與全局搜索
  9.8  思考題
  9.9  本章小結
第10章  知識增強大模型應用
  10.1  應用框架
  10.2  知識來源
    10.2.1  非結構化知識
    10.2.2  結構化資料庫
    10.2.3  知識圖譜
  10.3  知識運營
    10.3.1  知識的質量
    10.3.2  數據管理流程
    10.3.3  法律合規、隱私與知識產權
    10.3.4  可觀測性工具
  10.4  應用指南
    10.4.1  應用價值
    10.4.2  面向進取者：全面推進的策略
    10.4.3  面向保守者：試點驅動的策略
    10.4.4  選型的「四三二一」原則
    10.4.5  最佳實踐要點
  10.5  行業應用案例
    10.5.1  文檔助手
    10.5.2  教育領域應用場景
    10.5.3  智慧金融應用場景
    10.5.4  智慧醫療應用場景
    10.5.5  智能製造應用場景
  10.6  思考題
  10.7  本章小結
附錄A
附錄B
參考文獻

同類熱銷排行榜

最近瀏覽的商品

知識增強大模型