【新书】《知识图谱与大语言模型的协同应用》，544页pdf

📘 内容简介

将**知识图谱（Knowledge Graphs, KG）与大语言模型（Large Language Models, LLMs）**结合，以构建更强大、更可靠、且具可解释性的人工智能系统。知识图谱通过建模对象、事件、概念及其相互关系，帮助你在数据中识别关键模式，从而做出更优决策。与 LLM 相结合，它们在处理结构化与非结构化企业数据、构建推荐系统、欺诈检测机制或客服对话系统等任务中展现出巨大潜力。

本书提供了系统的方法与工具，帮助读者高效地组织数据、建模知识图谱，并将其融入 LLM 的工作流程之中（反之亦然），实现互补增强。

📖 你将学到：

使用自顶向下、需求驱动的迭代方法建模知识图谱 * 从本体（Ontology）、分类体系（Taxonomy）与结构化数据构建知识图谱 * 利用 LLM 从非结构化数据源中自动构建知识图谱 * 应用机器学习算法补全知识图谱并挖掘其中的洞见 * 在知识图谱上进行推理，并构建基于 KG 的 RAG 系统以增强 LLM

💡 技术亮点

结合知识图谱与 LLM 可显著： * **减少幻觉（Hallucination）**现象 * 提升输出的可解释性

增强推理与知识一致性

知识图谱通过自然地编码数据间的关系，使得 AI 系统即便在领域知识有限的情境下，也能保持更高的可靠性与准确性。

🧩 本书特色

展示如何在基于 LLM 的应用与 RAG 管线中引入来自结构化与非结构化源的知识图谱

提供涵盖医疗、金融风控等领域的真实案例研究

深入讨论知识表示与推理策略的工程实践

🧠 书中内容一览

Part 1

知识图谱与 LLM：强强联合 1. 智能系统的混合范式

Part 2

从本体创建首个知识图谱
从简单网络到多源数据融合 Part 3
从非结构化数据中抽取领域知识
使用 LLM 构建知识图谱
实体消歧（Named Entity Disambiguation）
基于开放式 LLM 与领域本体的实体消歧 Part 4
知识图谱上的机器学习入门
图特征工程：手动与半自动方法
图表示学习与图神经网络（GNN）
节点分类与链接预测 Part 5
基于知识图谱的 RAG 系统
使用自然语言向知识图谱提问
利用 LangGraph 构建问答智能体

👩💻 读者对象

适合机器学习工程师、AI 工程师、数据科学家与数据工程师。书中示例均使用 Python 实现。

👨🔬 作者简介

Dr. Alessandro Negro：GraphAware 首席科学家，《Graph-Powered Machine Learning》作者，GraphAware Hume 平台联合创始人。 * Dr. Vlastimil Kus：GraphAware 首席数据科学家，专长于 NLP 与图机器学习。 * Dr. Giuseppe Futia：GraphAware 高级数据科学家、意大利都灵理工大学博士，研究方向为图表示学习与知识图谱自动构建。 * Fabio Montagna：GraphAware 首席机器学习工程师，专注于将科研成果快速转化为工业应用。