AI知识图谱

Knowledge Table 是一个开源工具包，旨在简化从非结构化文档中提取和探索结构化数据的过程。它通过自然语言查询界面，使用户能够创建结构化的知识表示，如表格和图表。该工具包具有可定制的提取规则、精细调整的格式化选项，并通过UI显示的数据溯源，适应多种用例。它的目标是为业务用户提供熟悉的电子表格界面，同时为开发者提供灵活且高度可配置的后端，确保与现有RAG工作流程的无缝集成。

GraphReasoning是一个利用生成式人工智能技术将1000篇科学论文转化为知识图谱的项目。通过结构化分析，计算节点度、识别社区和连接性，评估聚类系数和关键节点的介数中心性，揭示了迷人的知识架构。该图谱具有无标度性质，高度互联，可用于图推理，利用传递性和同构性质揭示前所未有的跨学科关系，用于回答问题、识别知识空白、提出前所未有的材料设计和预测材料行为。

Fact Finder 是一个开源的智能问答系统，它使用语言模型和知识图谱来生成自然语言回答和提供证据。该系统通过调用语言模型生成Cypher查询，查询知识图谱以获取答案，并使用另一个语言模型调用生成最终的自然语言回答。Fact Finder 的主要优点包括能够提供透明性，允许用户查看查询和证据，以及通过可视化子图提供直观的证据。

Triplex是一个创新的开源模型，能够将大量非结构化数据转换为结构化数据，其在知识图谱构建方面的表现超越了gpt-4o，且成本仅为其十分之一。它通过高效的将非结构化文本转换为知识图谱的构建基础——语义三元组，大幅降低了知识图谱的生成成本。

knowledge_graph_maker是一个Python库，能够根据给定的本体论将任意文本转换为知识图谱。知识图谱是一种语义网络，代表现实世界实体之间的网络和它们之间的关系。该库通过图算法和中心性计算，帮助用户深入分析文本内容，实现概念之间的连接性分析，以及通过图检索增强生成（GRAG）技术，提升与文本的交流深度。

llm-graph-builder是一个利用大型语言模型（如OpenAI、Gemini等）从非结构化数据（PDF、DOCS、TXT、YouTube视频、网页等）中提取节点、关系及其属性，并使用Langchain框架创建结构化知识图谱的应用程序。它支持从本地机器、GCS或S3存储桶或网络资源上传文件，选择LLM模型并生成知识图谱。

Knowledge Graph RAG 是一个开源的Python库，它通过创建知识图谱和文档网络来增强大型语言模型（LLM）的性能。这个库允许用户通过图谱结构来搜索和关联信息，从而为语言模型提供更丰富的上下文。它主要应用于自然语言处理领域，尤其是在文档检索和信息抽取任务中。

prettygraph是一个基于Python的Web应用程序，由@yoheinakajima开发，展示了一种新的UI模式，用于将文本输入动态地转换为知识图谱。该项目是一个快速原型，旨在提供一种简单的UI想法，通过实时更新UI中的文本高亮来生成知识图谱。

MyGO是一个用于多模态知识图谱补全的工具，它通过将离散模态信息作为细粒度的标记来处理，以提高补全的准确性。MyGO利用transformers库对文本标记进行嵌入，进而在多模态数据集上进行训练和评估。它支持自定义数据集，并且提供了训练脚本以复现实验结果。

ULTRA是一个知识图谱推理的基础模型。单个预训练的ULTRA模型可以在任何多关系图谱上执行链接预测任务,并支持任意实体/关系词汇。性能优于许多专门针对每个图谱进行训练的SOTA模型。遵循基础模型的预训练-微调范式,可以在任何图谱上立即使用预训练的ULTRA检查点进行零样本推理,也可以进行进一步的微调。ULTRA为任何知识图谱提供了统一的、可学习的、可转移的表示。ULTRA使用图神经网络和NBFNet的修改版本。它不学习针对下游图谱的特定实体和关系嵌入,而是基于关系之间的交互获得相对关系表示。