内容
0 课时 • 0 测验 • 0 挑战
课程暂未关联课时
当前课程存在，但没有可学习的课时内容。请稍后再试。
☆☆☆☆☆
0.0中级
3h
使用 Neo4j 掌握知识图谱检索增强生成
知识图谱是一种强大的工具，它将信息组织为实体和关系，使数据对人工智能应用而言更加易于访问且更具意义。通过提供结构化上下文，知识图谱有助于提升大语言模型（LLM）的性能，增强回复的准确性与连贯性，并减少在超出LLM训练数据范围的场景中产生幻觉的可能性。 在本课程中，你将深入学习用于检索增强生成（RAG）的知识图谱，从传统的到先进的命名实体识别（NER）和关系抽取技术都将涵盖其中。你将掌握如何从原始文本中构建并优化知识图谱，使用Neo4j高效地存储和查询图谱数据，并将其与大语言模型集成，以提升模型性能，利用自定义数据集构建个性化的聊天机器人。 完成本课程后，你将具备在复杂场景下实现图谱增强型RAG的能力，显著提升开发生成式AI应用的技术水平。
4 课时
使用 Neo4j 掌握知识图谱检索增强生成
知识图谱是一种强大的工具，它将信息组织为实体和关系，使数据对人工智能应用而言更加易于访问且更具意义。通过提供结构化上下文，知识图谱有助于提升大语言模型（LLM）的性能，增强回复的准确性与连贯性，并减少在超出LLM训练数据范围的场景中产生幻觉的可能性。
在本课程中，你将深入学习用于检索增强生成（RAG）的知识图谱，从传统的到先进的命名实体识别（NER）和关系抽取技术都将涵盖其中。你将掌握如何从原始文本中构建并优化知识图谱，使用Neo4j高效地存储和查询图谱数据，并将其与大语言模型集成，以提升模型性能，利用自定义数据集构建个性化的聊天机器人。
完成本课程后，你将具备在复杂场景下实现图谱增强型RAG的能力，显著提升开发生成式AI应用的技术水平。
知识图谱是一种强大的工具，它将信息组织为实体和关系，使数据对人工智能应用而言更加易于访问且更具意义。通过提供结构化上下文，知识图谱有助于提升大语言模型（LLM）的性能，增强回复的准确性与连贯性，并减少在超出LLM训练数据范围的场景中产生幻觉的可能性。
在本课程中，你将深入学习用于检索增强生成（RA...
你将学到什么
了解生成式人工智能、大语言模型（LLMs）和检索增强生成（RAG）的基本概念
熟悉基于知识图谱的RAG与基于向量数据库的RAG之间的差异
通过 Neo4j 和 OpenAI GPT-4 实践实现知识图谱 RAG 的动手经验
能够从零开始使用 OpenAI GPT-4 对文本文档进行命名实体识别和关系抽取，从而构建知识图谱。
使用 Cypher 查询语言在 Neo4j 图数据库中存储实体和关系的能力
通过实际操作使用 Cypher 从知识图谱中检索相关信息，并将其纳入大语言模型的提示词中。
能够使用图结构RAG构建个性化的问答聊天机器人
了解生成式人工智能、大语言模型（LLMs）和检索增强生成（RAG）的基本概念
评价
阅读参加过此课程的学生的评价，并分享您的学习体验。