2048 AI社区

2048 AI社区

AI资讯 AI造物社区 MCP

话题讨论活动竞赛科技篇产业对接

去全站搜索看看？

登录社区云

登录社区云，与社区用户共同成长

2048 AI社区

邀请您加入社区

欢迎加入社区

欢迎加入社区

neo4j

【银行合规 RAG 实战】一文搞懂 KM 知识库：内规外规、1-hop、Neo4j 侧车、RRF 融合检索

做过银行合规 / 监管科技项目的同学，大概率踩过这个坑：向量检索明明命中了《反洗钱管理办法》，却漏掉了外规里点名引用的《客户尽职调查实施细则》——不是文档没入库，是**「谁引用谁、谁约束谁」这条链，系统里根本没有**。我们团队在做AI 合规审查平台的 KM（Knowledge Management）模块演进时，从「能存能搜」走向「能连能溯」，中间一堆术语——内规外规、Phase 1、1-hop、N

Java后端的Ai之路
2026-06-30 20:20:14

 431

 9

#neo4j #知识图谱 #人工智能
AI Agent 长期记忆架构实战：Mem0 + LangGraph + Neo4j，让 Agent 真正记住你

RAG解决检索，但Agent需要记忆。本文从记忆分层架构、Mem0集成、Neo4j图记忆、LangGraph持久化四个维度，提供Agent长期记忆的完整实战方案。包含Mem0+LangGraph可运行代码和图记忆查询示例。

玖日大大
2026-05-19 13:47:53

 455

 2

#人工智能 #架构 #neo4j
企业知识工程的三条路线：Neo4j 知识中台、Agent + Action 与本体原生 Runtime

过去几年，“本体论”“知识图谱”“GraphRAG”“Agent”“Tool Calling”这些概念在企业知识工程和 AI 应用建设中频繁出现。本体到底应该是文档里的定义、数据库里的结构，还是运行时可以直接执行的业务对象？中台 + Neo4j / 图数据库：把本体做成企业知识资产；：让大模型动态调用知识能力；本体原生 Runtime：让本体直接成为业务运行时。本文将围绕这三条路线，分析它们的架构

 一个数据大开发
2026-05-12 20:04:42

 597

 9

#neo4j #大数据 #python
Neo4j CQL 核心命令与操作

MATCH (n:`西游`) RETURN id(n), n.name, n.tail, n.relation。MATCH (n:`西游`) RETURN n LIMIT 2-- 前两行。WHERE n.name = '孙悟空' OR n.name = '猪八戒'MATCH (n:person {name:"沙僧"})<-[r]-(m)MATCH (n:`西游`) RETURN n LIMIT 2

KIKI3666
2026-04-09 14:09:03

 414

 3

#neo4j #数据库
Spring AI 1.1.2 + Neo4j：用知识图谱增强 RAG 检索（下篇：检索与整合）

在上篇中，我们完成了知识图谱的基础搭建：环境配置、实体模型设计、LLM 自动抽取实体，以及 Neo4j 的部署。本篇将介绍如何利用构建好的知识图谱进行检索，并整合到 RAG 流程中，实现知识图谱增强的智能问答系统。

q377914753
2026-03-06 08:14:36

 766

 17

#人工智能 #spring #neo4j
Spring AI 1.1.2 + Neo4j：用知识图谱增强 RAG 检索（上篇：图谱构建）

传统的 RAG（检索增强生成）系统主要依赖向量相似度检索，虽然能够找到语义相近的文档，但往往忽略了知识之间的关联关系。本系列文章将介绍如何使用 Spring AI 1.1.2 结合 Neo4j 图数据库，通过知识图谱增强 RAG 检索能力，让 AI 不仅能找到相似的知识，还能发现关联的知识。

q377914753
2026-03-05 09:00:00

 844

 12

#人工智能 #spring #neo4j
LangGraph 实战指南：从零构建一个会“思考”的 AI 智能体

你是否曾为设计一个复杂的 AI 工作流而头疼？想让 AI 根据情况动态决定下一步，而不是机械地走完固定流程？

程序猿李巡天
2026-03-02 21:20:24

 1058

 23

#人工智能 #知识图谱 #neo4j +1
打造高可靠AI助手实战教程（非常详细），Skill编排与Workflow设计全攻略，收藏这一篇就够了！

2025 年 AI 辅助编程领域经历了多次里程碑式的快速发展。

程序猿李巡天
2026-03-02 21:19:15

 1124

 20

#人工智能 #知识图谱 #neo4j +1
人工智能本体论基础教程（非常详细），大模型构建AI概念层级，收藏这一篇就够了！

本文介绍了人工智能本体论（AIO），这是一个系统化的AI概念、方法及其相互关系的知识框架。AIO通过人工策划和大语言模型辅助开发，旨在应对快速发展的AI领域，为AI研究者、开发者和教育工作者提供标准化术语和概念体系。该本体论围绕六个顶层分支构建，涵盖技术与伦理层面，采用本体开发工具包（ODK）进行创建和维护，通过AI驱动的策展支持实现动态更新，已在GitHub和BioPortal开源发布。

程序猿李巡天
2026-03-02 21:17:52

 1221

 8

#人工智能 #知识图谱 #neo4j +1
低代码测试革命：破解E2E自动化误报困局的实践路径

摘要：传统E2E测试中30%以上的误报（False Positive）导致团队日均浪费2.5小时诊断时间。低代码/无代码测试平台（LCAP）通过智能定位容错、流程韧性增强和结果智能仲裁三层防御体系，显著降低误报率。例如，某金融平台采用LCAP后误报次数从每周42次降至3次，诊断效率提升76%。LCAP通过动态阈值校准、跨链路追踪和误报根因矩阵（RCA Matrix）等技术优化测试可靠性。实际案例

 2501_94309040
2026-03-01 16:22:15

 653

 26

#低代码 #自动化 #运维 +4
RAG+SQL混合查询Agent实战：从入门到精通（非常详细），收藏这一篇就够了！

你有没有遇到过这样的困境:用户问你一个问题,你得先判断是该去文档库里翻翻,还是该查查数据库?更头疼的是,如果判断错了,给出的答案要么不准确,要么干脆答非所问。

程序猿李巡天
2026-03-01 10:45:00

 835

 11

#sql #c##数据库 +3
2026年AI趋势：落地为王！省钱、解决真问题才是硬道理，收藏看懂未来！

2026年AI发展聚焦实用化：行业将从概念转向落地应用，重点在于降本增效。AI将实现从被动响应到主动服务的转变，智能体将自主完成复杂任务；人形机器人进入量产阶段，工厂应用成为现实；设备端AI普及，实现离线智能功能；垂直行业模型价值超越通用大模型；监管趋严推动合规发展；算力重心转向推理优化。AI将主要替代重复性工作，尽早将其视为工具将获得竞争优势。

学编程的头没秃
2026-02-28 18:27:19

 1042

 7

#人工智能 #数据库 #neo4j +1
‌2026年软件测试热度制高点：KubeVirt混合快照管理的实战指南

2026年软件测试领域聚焦环境克隆效率提升，KubeVirt混合快照技术成为热点。本文分析爆款内容三大特征：60%流量来自量化效益的实战案例，AI集成内容热度年增40%，安全优化类增长25%。核心策略包括：结合AI工具发布可执行脚本（如KubeVirt API一键克隆代码），嵌入可复用测试资产，构建用户反馈闭环。案例显示采用KubeVirt快照可使恢复时间<2秒，测试效率提升40%。建议每周

 2501_94309040
2026-02-27 15:03:54

 1399

 23

#neo4j #机器学习 #知识图谱 +2
SpringAI+RAG知识库机器人实战（非常详细），零基础开发从入门到精通，收藏这一篇就够了！

随着大语言模型的快速发展，RAG（Retrieval-Augmented Generation）技术已成为构建知识库问答系统的核心技术之一。本文将带领大家从零开始，使用Spring AI框架构建一个支持文档上传的知识库问答机器人，帮助大家深入理解RAG技术的核心原理和实践应用。

程序猿李巡天
2026-02-27 13:11:46

 655

 8

#机器人 #知识图谱 #人工智能 +2
推理性能飙升40%！GR-Agent实战解析（非常详细），知识图谱优化从入门到精通，收藏这一篇就够了！

过去 KGQA（Knowledge Graph Question Answering）的 benchmark 默认一个强假设：**图谱是完整的**——任意问题都能在同一张图里找到一条“直接”三元组答案。结果模型只要会“检索”，就能“看起来会推理”。

程序猿李巡天
2026-02-27 13:10:19

 883

 12

#知识图谱 #人工智能 #neo4j +1
AI赋能建筑行业全景解析（非常详细），五大技术应用从入门到精通，收藏这一篇就够了！

建筑+人工智能的技术创新并非单纯的技术叠加，而是要立足建筑业“设计周期长、现场管理复杂、安全质量要求高、数字化基础薄弱”的现实痛点，以“场景导向、数据驱动、跨域融合、生态共建”为核心逻辑，通过AI技术重构建筑全生命周期的业务流程，实现降本增效、提质安全的核心目标。做好这一领域，需把握四个关键：一是聚焦真实的施工场景需求，避免技术“空转”；二是构建标准化数据底座，打通设计、施工、运维的数据壁垒；三是

 程序猿李巡天
2026-02-27 13:08:58

 1724

 30

#人工智能 #neo4j #架构 +1
基于Neo4j用例知识图谱的公众号内容热度解析：软件测试从业者指南

摘要：2026年软件测试公众号热度分析显示，AI工具评测、可持续性测试和多模态技术应用成为三大热门内容类型，占比超80%。研究利用Neo4j构建的知识图谱查询引擎，通过Cypher语言高效挖掘测试用例、工具与内容间的关联关系，揭示高热度内容共性：包含可复现代码、性能对比数据及实战案例。建议从业者基于图谱时序分析优化发布节奏，强化内容专业性与实用性，并集成引擎实现实时热度监控。该数据驱动方法为测试领

 2501_94309040
2026-02-25 08:35:43

 748

 11

#neo4j #知识图谱 #人工智能 +4
图谱驱动大模型智能体普惠时代：Neo4j Aura Agent正式全面上线

Neo4j Aura Agent正式商用，基于知识图谱的智能体构建平台实现分钟级部署，重塑企业AI应用开发范式。

xianggll
2026-02-24 19:56:45

 1192

 25

#neo4j
20260223_202110_万字解析，从零构建一个_AI_Agent：完全实战指南

这两年 AI Agent 火了。LangChain、AutoGPT、CrewAI、MetaGPT……新框架新概念每周一个，自媒体们更是乐此不疲地将各种技术词汇神秘化、妖魔化——"基于认知架构的多模态自主智能体""具身决策引擎""Tool-Augmented Reasoning Pipeline"——越说越玄，好像不懂量子力学就别想碰 Agent 似的。

程序猿李巡天
2026-02-23 20:24:19

 918

 19

#人工智能 #neo4j #架构 +2
供应链优化中的AI模型监控？AI应用架构师的3套监控体系（附工具）

在供应链数字化转型中，AI模型已成为核心决策引擎——从需求预测、库存优化到运输路线规划，模型输出直接影响企业的库存周转率、缺货率和物流成本。但模型不是“部署即终点”当IoT传感器数据突然缺失，需求预测模型会基于不完整数据给出错误结果，导致库存积压；当消费者需求从“线下到线上”迁移（概念漂移），原训练的库存优化模型会失效，引发缺货；当模型预测准确率下降10%，你能快速定位是“数据质量问题”还是“业务

 Python编程之道
2026-02-22 02:04:06

 895

 20

#人工智能 #neo4j
基于蛇优化器（SO）的无人机路径规划探索

基于蛇优化器（Snake Optimizer，SO）的无人机路径规划该优化算法是一篇SCI一区论文具有良好的实际应用和改进意义。一键运行main函数自动保存高质量图片!1、蛇优化器摘要：近年来，一些元启发式算法被引入工程和科学领域，用于解决现实生活中的优化问题。提出了一种新的基于自然启发的元启发式算法——蛇优化器(Snake Optimizer, SO)，以模拟蛇的特殊交配行为来解决一系列优化任

 DJYZTNVN
2026-02-20 11:00:00

 1103

 14

#neo4j
Neo4j与GraphRAG深度整合指南（非常详细），生物制药主数据管理从架构到落地，收藏这一篇就够了！

制药行业主数据管理（MDM）面临数据复杂性和关系互联的挑战。本文探讨将Neo4j知识图谱与GraphRAG和生成AI整合的创新框架，提升数据准确性、一致性和可访问性。通过图谱数据库捕捉药物、患者和临床试验间的复杂关系，结合向量嵌入和检索增强生成，实现精准查询和模式发现。实验显示，该方法显著优于传统关系数据库，推动制药决策智能化。

程序猿李巡天
2026-02-15 20:00:58

 872

 22

#neo4j #架构 #github +3
用dify创建了一个工作流，dify装在docker里，neo4j装在主机上，在http访问出现错误：Run failed:Expecting value:line 1 column ...如何解决？

🏆本文收录于《全栈 Bug 调优（实战版）》专栏。专栏聚焦真实项目中的各类疑难 Bug，从成因剖析 → 排查路径 → 解决方案 → 预防优化全链路拆解，形成一套可复用、可沉淀的实战知识体系。无论你是初入职场的开发者，还是负责复杂项目的资深工程师，都可以在这里构建一套属于自己的「问题诊断与性能调优」方法论，助你稳步进阶、放大技术价值。

bug菌¹
2026-02-10 22:37:59

 626

 10

#neo4j
注意力机制：ops-nn 的 Self-Attention 算子实现

input,...内部自动广播并应用。Self-Attention 是 AI 模型能力跃升的关键，但其On2O(n^2)On2复杂度也带来了严峻的工程挑战。ops-nn通过算子融合、分块计算、内存复用与向量化，在通用 CPU/GPU 上实现了高效、稳定的注意力计算。无论是构建大语言模型、视觉 Transformer 还是语音识别系统，理解并善用此类优化算子，都是释放模型潜力的必经之路。正如 Tra

杀马特l
2026-02-09 13:10:54

 759

 8

#人工智能 #架构 #neo4j
TensorFlow小白科普

本质认知：TensorFlow不是“黑科技”，而是帮你“自动化找数据规律”的工具——核心是“构建模型→数据学规律→验证效果→调参数”的循环；学习逻辑：先懂“生活化类比”（比如奶茶店、配方调整），再看代码，避免被术语吓住；商业价值：所有AI案例的核心都是“用数据找规律解决业务问题”（比如预测流失、推荐商品），而非追求复杂模型；跨语言选择：Java开发者可优先选Deeplearning4j（全流程开发

 Coder_Boy_
2026-02-07 15:04:01

 697

 20

#tensorflow #neo4j #人工智能 +1
Essential-GraphRAG_中文翻译

《图检索增强生成精要》是一本介绍如何将知识图谱与检索增强生成(RAG)技术结合的实用指南。作者Tomaž Bratanič和Oskar Hane基于在Neo4j的多年工作经验，展示了如何利用知识图谱解决大语言模型(LLM)的局限性，如信息过时和领域知识不足等问题。全书共8章，从基础知识到高级实现，涵盖了向量搜索、Cypher查询转换、结构化数据提取等关键技术，并以《奥德赛》为例演示微软GraphR

BTU_YC
2026-02-07 11:23:13

 249

 2

#neo4j
Graph Engine编译全流程 ONNX到OM转换链路

通过深入解析Graph Engine的编译链路，我们不仅理解了ONNX→OM转换的技术本质，更掌握了性能优化和故障排查的实用技能。在实际项目中，我强烈建议：🎯关键洞察不要盲目追求最高优化等级：Level 3优化在某些场景下反而会引入不稳定因素建立编译性能基线：针对不同模型类型建立耗时标准，快速发现异常关注内存使用模式：大模型编译时内存峰值往往是瓶颈所在随着模型复杂度的不断提升，编译技术的深度优化

 风雨兼程
2026-02-07 09:17:08

 671

 17

#neo4j #CANN
与vLLM对比 Ascend Transformer Boost吞吐延迟显存实测数据解读

《AI模型编译器ATC架构与优化技术解析》摘要：本文深入剖析CANN仓库中的ATC模型转换器技术架构，重点解析其四阶段处理流程：模型解析、图优化、算子映射和OM序列化。作为AI编译器核心组件，ATC采用分层架构设计，通过多轮迭代优化实现3-5倍的推理性能提升。文章结合源码示例详细阐述图优化流水线、算子融合策略等关键技术，并分享企业级部署中的优化案例，展示如何通过自定义融合规则和混合精度量化实现4

七夜zippoe
2026-02-07 00:34:59

 599

 16

#neo4j
CANN ops-nn 算子解读：AIGC 人脸生成中的 Deconv 与 ConvTranspose 实现

在 AI 模型部署流程中，Parser 负责将不同框架的模型文件转换为统一的内部表示。本文将解读 CANN Parser 仓库的核心功能与技术实现。

空白诗
2026-02-06 19:05:37

 358

 9

#neo4j #人工智能 #AIGC
用Neo4j和G.V()可视化攻击图谱，加固你的网络安全

你现在已经体验了图可视化在网络世界中的强大力量。但这仅仅是个开始：Neo4j与G.V()的结合是一个强大的组合，可以从各个角度和尺度深入了解你系统的优势和脆弱性。无论网络攻击多么复杂，它们总是遵循规则，这使得它们可以被预测。有了强大的图数据模型和勤勉的网络安全团队，没有一条攻击路径是你无法预见的。FINISHED更多精彩内容请关注我的个人公众号公众号（办公AI智能小助手）对网络安全、黑客技术感

 weishi122
2026-02-04 10:20:23

 590

 13

#web安全 #neo4j #php +1
（开源项目）XSun Novel Factory(总)

XSun Novel Factory是一个基于AI技术的智能小说创作平台，采用微服务架构，整合LangGraph、GraphRAG和Milvus等技术实现自动化创作流程。平台包含三大核心服务：Java主应用负责工作流编排和AI代理协调；Neo4j知识图谱服务管理实体关系；Milvus向量存储服务处理语义检索。系统提供完整的小说创作流程，包括大纲生成、章节写作、一致性检查和质量审查等功能，通过知识图

 我本半山人
2026-02-04 09:40:37

 692

 28

#python #java #neo4j +1
中山联合光电科技股份有限公司Android开发工程师职位深度解析

【摘要】中山联合光电招聘Android软件开发工程师，主要负责机器人终端Android软件研发及AI平台接入。职位要求3年以上Android开发经验，熟悉Java/C++及机器人相关技术，具备ROSJava或视音频开发经验者优先。工作内容包括需求分析、编码实现、性能优化等，需具备良好的团队协作能力。该职位聚焦智能机器人领域，涉及运动控制、传感器融合、AI模型部署等核心技术，要求开发者具备全栈开发能

 郑伟强dev
2026-02-04 07:38:48

 46

#neo4j #人工智能 #android +3
Agent架构解析与实战（八）--Episodic + Semantic Memory Stack

🚀 拒绝 AI "金鱼脑"！打造拥有 [情景 + 语义] 双重记忆的超级智能体

 FRIEDHELM02
2026-02-03 08:30:00

 1473

 28

#人工智能 #neo4j #faiss
计算机毕业设计Python+大模型深度学习疾病预测系统疾病大数据医学大数据分析大数据毕业设计(源码+LW+PPT+讲解)

本文提出了一种基于Python和大模型深度学习的疾病预测系统。该系统整合电子健康记录、医学影像等多源异构数据，采用Transformer、CNN-LSTM等先进架构，实现了糖尿病、心血管疾病等典型疾病的高精度预测（AUC值0.92-0.94）。系统创新性地结合SHAP值、注意力机制等可解释性技术，为临床决策提供科学依据。实验结果表明，该系统较传统方法性能提升14%-22%，在真实ICU环境中验证了

 haochengxu2022
2026-02-01 10:04:16

 1253

 18

#python #深度学习 #知识图谱 +3
计算机毕业设计Python+大模型深度学习疾病预测系统疾病大数据医学大数据分析大数据毕业设计(源码+LW+PPT+讲解)

本文介绍了一个基于Python和大模型深度学习的多模态疾病预测系统开发项目。项目整合电子病历、医学影像和实验室检查数据，利用医疗领域大模型（如Med-BERT、ViT）提取特征，通过跨模态注意力机制实现特征融合，构建高精度疾病预测模型（AUC-ROC≥0.9）。系统提供可解释性分析（SHAP/Grad-CAM）和多种部署方式（Web/API），技术栈涵盖PyTorch、FastAPI等工具。开发周

 haochengxu2022
2026-02-01 10:03:19

 1283

 8

#python #深度学习 #知识图谱 +3
计算机毕业设计Python+大模型深度学习疾病预测系统疾病大数据医学大数据分析大数据毕业设计(源码+LW+PPT+讲解)

本文提出了一种基于Python和大模型深度学习的疾病预测系统。该系统整合电子健康记录、医学影像等多源异构数据，采用Transformer、CNN-LSTM等先进架构，实现了糖尿病、心血管疾病等典型疾病的高精度预测（AUC值0.92-0.94）。系统创新性地结合SHAP值、注意力机制等可解释性技术，为临床决策提供科学依据。实验结果表明，该系统较传统方法性能提升14%-22%，在真实ICU环境中验证了

 haochengxu2022
2026-02-01 10:03:04

 1136

 9

#python #深度学习 #知识图谱 +3
计算机毕业设计Python+大模型深度学习疾病预测系统疾病大数据医学大数据分析大数据毕业设计(源码+LW+PPT+讲解)

摘要：本文系统探讨了Python与大模型深度学习在疾病预测领域的技术创新与应用。研究重点分析了混合模型架构演进（如CNN-LSTM、GNN+CNN）、多模态数据融合策略（包括特征嵌入层和联邦学习）、以及可解释性增强方法（SHAP值分析和医学知识嵌入）。通过AKI预测（AUC 0.94）和糖尿病预测（准确率91%）等典型案例，验证了深度学习模型在临床决策支持中的价值。文章同时指出数据隐私、模型轻量化

 haochengxu2022
2026-02-01 10:03:44

 1147

 23

#python #深度学习 #知识图谱 +3
计算机毕业设计对标硕论DeepSeek大模型+知识图谱Neo4j电商商品推荐系统 SpringBoot+Vue.js

本文介绍了一种融合DeepSeek大模型与Neo4j知识图谱的电商商品推荐系统。该系统通过三层架构设计，有效解决了传统推荐系统的冷启动、可解释性差和长尾覆盖不足等问题。核心技术创新包括：基于知识图谱的路径推理算法、大模型的语义理解能力，以及混合推荐策略。系统实现了新用户推荐准确率提升40%、长尾商品曝光量增加25%的效果，并通过AB测试验证了推荐转化率从3.7%提升至5.2%。文章详细阐述了技术架

 haochengxu2022
2026-02-01 09:59:30

 1193

 13

#知识图谱 #neo4j #python +3
计算机毕业设计对标硕论DeepSeek大模型+知识图谱Neo4j电商商品推荐系统 SpringBoot+Vue.js

本文探讨了DeepSeek大模型与Neo4j知识图谱在电商推荐系统中的融合应用。传统推荐系统存在数据稀疏性、冷启动和动态关系缺失等问题。DeepSeek通过MoE架构、多模态理解和强化学习实现技术突破，Neo4j则提供动态实体识别和多跳推理能力。混合系统采用双塔融合架构，结合语义理解和结构化推理，显著提升了推荐准确性和用户体验。实践表明，该系统能提高点击率35%、转化率20%，并降低客服压力25%

haochengxu2022
2026-02-01 09:58:58

 1121

 29

#知识图谱 #neo4j #python +3
计算机毕业设计对标硕论DeepSeek大模型+知识图谱Neo4j电商商品推荐系统 SpringBoot+Vue.js

本文探讨了DeepSeek大模型与Neo4j知识图谱在电商推荐系统中的融合应用。传统推荐系统存在数据稀疏性、冷启动和动态关系缺失等问题。DeepSeek通过MoE架构、多模态理解和强化学习实现技术突破，Neo4j则提供动态实体识别和多跳推理能力。混合系统采用双塔融合架构，结合语义理解和结构化推理，显著提升了推荐准确性和用户体验。实践表明，该系统能提高点击率35%、转化率20%，并降低客服压力25%

haochengxu2022
2026-02-01 09:58:38

 985

 11

#知识图谱 #neo4j #python +3
计算机毕业设计对标硕论DeepSeek大模型+知识图谱Neo4j电商商品推荐系统 SpringBoot+Vue.js

本文介绍了一个基于DeepSeek大模型和Neo4j知识图谱的电商商品推荐系统开发项目。系统通过结合大模型的语义理解能力和知识图谱的关系推理，实现精准推荐、可解释推荐和冷启动优化。项目包含知识图谱构建、大模型集成、推荐算法融合等核心模块，采用Python、FastAPI、React等技术栈。系统支持实时推荐、多模态数据融合，并提供可视化推荐理由解释。开发周期约12周，预期提升推荐点击率15%以上，

haochengxu2022
2026-02-01 09:58:35

 707

 29

#知识图谱 #neo4j #python +3
计算机毕业设计对标硕论DeepSeek大模型+知识图谱Neo4j电商商品推荐系统 SpringBoot+Vue.js

摘要：本文探讨了DeepSeek大模型与Neo4j知识图谱融合在电商商品推荐系统中的应用。针对传统推荐系统存在的数据稀疏性、冷启动等问题，提出了双塔架构融合方案，通过DeepSeek的语义理解能力和Neo4j的关系挖掘优势，实现更精准、可解释的推荐。实验结果表明，该融合系统显著提升了点击率（15%-20%）和用户满意度，为电商推荐系统智能化升级提供了有效解决方案。研究对提升推荐多样性、解决长尾商品

 haochengxu2022
2026-02-01 09:58:01

 712

 29

#知识图谱 #neo4j #python +3
如何在 RHEL 8 上配置并优化 NVIDIA CUDA 11，在显卡服务器上加速 AI 推荐系统的实时推理？

A5数据通过在 RHEL 8 上精确部署 NVIDIA CUDA 11 工具链、驱动与深度学习库，并结合 TensorRT 优化推理引擎，可以在 GPU 显卡服务器上显著提升 AI 推荐系统的实时推理性能。本文从系统层、框架层到代码实现层进行了全方位的讲解与实践展示，力求为真实业务场景提供可复制的解决方案。如需进一步针对特定模型架构（如 DeepFM、DIN、DCNv2 等）进行细粒度调优，可继续

 oMcLin
2026-01-29 09:31:06

 1006

 21

#服务器 #人工智能 #neo4j
震惊！传统RAG已凉？Neo4j发布GraphRAG开发指南，小白程序员也能让AI拥有“逻辑思维“！

传统RAG面临全局观缺失、上下文丢失和语义理解不足三大缺陷。Neo4j推出的GraphRAG通过知识图谱构建三层检索架构：基础向量模式、图增强模式和动态智能模式，实现从"找词"到"找逻辑链条"的转变。构建企业级GraphRAG需遵循混合建模、向量索引与图关联等关键步骤，虽Text2Cypher存在不一致性等局限，但GraphRAG已成为提升大模型深度问答能力的必修课。

Python_金钱豹
2026-01-26 21:54:41

 677

 16

#neo4j #人工智能 #架构 +2
大数据深度学习|计算机毕设项目|计算机毕设答辩|flask+neo4j+langchain基于知识图谱的西安旅游景点推荐系统

本文介绍了一个基于知识图谱的西安旅游景点推荐系统，该系统采用Flask框架作为后端，结合Neo4j图数据库和LangChain技术实现智能化服务。系统通过爬取携程网数据构建知识图谱，支持景点检索、关联查询和个性化推荐功能。研究详细阐述了系统架构设计、知识图谱构建流程、智能问答模块开发及性能优化策略。测试结果表明，系统在100-400并发用户压力测试下保持零错误率，平均响应时间131-307毫秒，问

 y14736644385
2026-01-26 20:55:13

 677

 16

#大数据 #neo4j
搭建终身学习系统时，AI应用架构师容易犯哪些错？（避坑指南）

在AI从“静态工具”转向“动态系统”的今天，终身学习（Lifelong Learning）已成为企业保持AI竞争力的核心能力——它让模型能持续吸收新数据、适应新场景，而非“训练一次用到报废”。模型学了新东西就忘了旧知识（灾难性遗忘）；新数据要等3天才能进训练 pipeline（延迟学习）；模型更新后接口炸了，却没法快速回滚；模型悄悄变糟，直到用户投诉才发现……这些问题不是“调参能解决的”，而是架构

 weixin_51960949
2026-01-24 19:34:16

 529

 13

#学习 #人工智能 #neo4j
定点化和模型量化（三）——SNPE和AIMET工具

The Snapdragon Neural Processing Engine (SNPE)是高通骁龙为了加速网络模型设计的框架。但它不只支持高通，SNPE还支持多种硬件平台，ARM平台、Intel平台等。支持的深度学习框架也有包括Caffe、TensorFlow和ONNX等。SNPE可以前向运行模型，但需要先将模型转换为Deep Learning Container (DLC) file才可以加

 zcg1942
2024-05-29 16:30:44

 2187

 24

#neo4j
AI 模型常见存储格式文件介绍（pb / onnx / ckpt / tflite / h5）

pb格式阶段是否可训练跨框架典型用途ckpt训练是否断点恢复h5训练/推理是否Keras 模型SavedModel全流程是否TF 标准pb推理否否TF 推理onnx推理否是跨框架tflite推理否否移动端。

Pangaos
2026-01-22 10:01:23

 689

 23

#neo4j
使用 LangChain + Ollama + Neo4j 构建中文知识图谱完整教程（含 Docker 部署）

在本教程中，我们将从零开始，使用 Ollama 本地大模型（Qwen2.5:7B） + LangChain + Neo4j 图数据库，构建一个完整的中文知识图谱系统。整个流程包括：

weixin_46244623
2026-01-22 09:46:04

 1455

 39

#neo4j #知识图谱
别再让 AI 在关系网里迷路：实战 MCP 对接 Neo4j 图数据库，打造具备深度关联推理能力的智能大脑

通过 MCP 协议对接 Neo4j 图数据库，我们实际上是为 AI 开启了**“上帝视角”**。它不再是只能看到一句话、一张表的片面智能，而是能够看穿表象下的深层联系。当 AI 能够自如地在千万级关系网中穿梭、溯源并给出逻辑严密的推理时，它才真正具备了处理复杂商业逻辑、进行深度风控分析以及辅助人类进行宏观决策的能力。这种**“图化思维”**的注入，将是你的 AI 系统区别于普通聊天机器人的核心分水

 2501_94030494
2026-01-21 14:02:57

 595

 14

#数据库 #人工智能 #neo4j

加载更多

回到
顶部

提供社区服务与技术支持

提供社区服务与技术支持

©1999-2023北京创新乐知网络技术有限公司京ICP备19004658号