人工智能通识教程 课件 第06-11章- 自然语言处理-人工智能的发展

自然语言处理自然语言处理在当今数字化时代，自然语言处理（NaturalLanguageProcessing,NLP）作为人工智能的重要分支，正在迅速改变我们与计算机互动的方式。通过将计算机科学与语言学相结合，NLP使机器能够理解、解释和生成自然语言，从而在许多应用中发挥关键作用，例如智能助手、情感分析、自动翻译等。在本章中，我们将深入探讨自然语言处理的核心概念和技术，包括语言模型、信息抽取、语音识别、特征提取和机器翻译等。1主要内容一、语言模型（LanguageModel）二、信息抽取（InformationExtraction）三、语音识别（SpeechRecognition）四、机器翻译（MachineTranslation）五、智能问答系统

（IntelligentQuestionAnsweringSystem）六、自然语言处理工具介绍2一、语言模型（LanguageModel）1.概念：语言模型是自然语言处理中的一个核心概念，用于理解和生成自然语言。2.目标：预测一段文本中一个词汇出现的概率，或者生成符合语言规律的文本。3.分类基于统计的语言模型：主要目标是计算给定一段文本中某个词出现的概率。常用的包括词袋模型、n元模型。基于神经网络的语言模型：词向量处理、前馈神经网络语言模型、

循环神经网络语言模型、长短期记忆网络、Transformer模型3基于统计的语言模型——词袋模型1.概念：词袋模型（BagofWords,BoW）是一种用来处理文本数据的方法。把文本“拆解”成单独的词语，然后统计每个词语出现的次数。它把一个句子变成一个“词的集合”，而不在乎单词的顺序。2.编码方式：独热编码（one-hotencoding）通过比较两个词向量的距离，计算两个文本的相似程度。应用场景：在搜索引擎中，用户输入的查询可以被转换为向量，然后与数据库中存储的文档向量进行匹配。通过计算相似度，搜索引擎可以找出与用户查询最相关的文档，返回给用户。4基于统计的语言模型——词袋模型3.构建过程（1）创建词汇表：从所有的文本中找出不同的词汇，形成一个词汇表。例：“我爱海洋”，“海洋很美”，“海洋是我的家”→{“我”，“爱”，

“海洋”，“很”，“美”，“是”，“我的”，“家”}（2）词频统计：把每句话转换成一个词向量，每个向量的长度等于词汇表中词汇

的数量。（出现标记1，或记录该词汇出现的次数；没有出现标记0）

我爱海洋很美是我的家我爱海洋11100000海洋很美00111000海洋是我的家001001115基于统计的语言模型——词袋模型4.优点：简单易懂，容易实现；对于长文本可通过停用词（是、很等）过滤优化。5.缺点：（1）忽略词汇顺序。不考虑词语在句子中的排列顺序，例如“我爱海洋”和“海洋爱我”会生成相同的词向量，可能导致语义误解。（2）不考虑语法和上下文关系。去除一些词汇（如虚词、连接词）可能会导致重要信息的丢失。例如，在句子“虽然天气不好，我们还是去爬山”中，“虽然”和“还是”这两个词传达了句子的转折与坚持，去掉它们后，句子可能失去其原本的情感色彩和逻辑关系，从而导致信息的丢失。6基于统计的语言模型——n元模型

7基于统计的语言模型——n元模型4.应用场景：n元模型在自然语言处理领域有广泛的应用。n-gram模型可以用于生成自然语言文本。通过学习训练文本中的n-gram概率分布，可以生成与训练数据风格相似的新句子。例：训练句子“我爱海洋”，“海洋是美丽的”→使用二元模型，计算出“我”后面最可能出现的词是“爱”，而“海洋”后面最可能出现的词是“是”→生成新句子“我爱美丽的海洋”8基于神经网络的语言模型基于统计的语言模型（词袋模型、n元模型）这些传统模型通常假设上下文之间是线性关系，难以捕捉复杂的语言特性。为此，研究者开始尝试用神经网络来建立语言模型。9基于神经网络的语言模型1.词向量处理：用一个低维度的向量来表征一个词语。词向量之间的距离（如余弦相似度）可以反映词语的语义相似。算法：Word2Vec，通过学习大量文本中的单词上下文关系来生成词向量。例子：“The

cat

sits

on

themat”选择“sits”作为中心词，使用窗口大小为2，那么上下文词就是“The”，“cat”，“on”，“the”10基于神经网络的语言模型2.前馈神经网络语言模型：预测中心词

输入层：包含上下文中多个单词的词向量，节点数与词汇表

大小一致。

隐藏层：处理输入层的输出，隐藏层节点数可依模型复杂度

调整，通过ReLU或tanh等非线性激活函数学习复杂特征。

输出层：节点数等于词汇表大小，通过softmax

函数计算每个单词作为中心词的概率分布，模型

目标是最大化正确中心词的概率。11基于神经网络的语言模型3.循环神经网络语言模型（RNN）

输入层：输入向量x

隐藏层（循环层）：值向量h既取决于

当前输入x，也依赖上一次隐藏层的值h

输出层：是一个全连接层，每个节点都和隐藏层的每个节点相连，输出向量yU→输入层到隐藏层的权重矩阵V→隐藏层到输出层的权重矩阵W→隐藏层上一次的值作为这一次输入的权重。（1）优势：能够处理任意长度的输入序列，且能通过隐藏状态捕捉上下文信息，理解句子中不同单词间的关系。12基于神经网络的语言模型（2）缺点：RNN在处理长序列数据时，常常面临“梯度消失”或“梯度爆炸”的问题，在捕捉长距离依赖关系时效果不佳。（LSTM可解决这些问题）4.长短期记忆网络（LSTM）输入门：决定当前输入信息中应存储到单元状态的比例。遗忘门：决定当前单元状态中应丢弃的信息比例（输出0-1之间的值，1为完全保留，0为完全丢弃）。输出门：决定单元状态中应输出到下一个时间步

的信息比例。工作流程：接收当前输入（如单词向量）和前一时间步的隐藏状态，通过遗忘门和输入门的输出更新单元状态，再由输出门确定下一时间步的隐藏状态输出。13基于神经网络的语言模型5.Transformer模型（1）目的：解决循环神经网络（RNN）和长短期记忆网络（LSTM）在处理长序列时计算速度慢、并行处理困难等问题。（2）核心思想：基于“自注意力机制”，使模型处理输入序列时，每个词能关注与其他词的关系，从而理解上下文信息。（3）主要组成：包含编码器和解码器，编码器接收输入序列并生成中间表示，解码器利用这些表示生成输出序列。14二、信息抽取（InformationExtraction）1.目标：从大量的非结构化文本（新闻文章、社交媒体帖子、网页内容等）中提取出有用的信息。2.任务：核心任务：识别文本中的重要元素，并将这些元素转化为结构化信息（数据库、

知识图谱），使得计算机可以更方便地进行存储、查询和分析。主要任务：实体识别、关系抽取、事件抽取、属性提取。3.流程：文本预处理→实体识别→关系抽取→事件抽取+属性提取15二、信息抽取（InformationExtraction）（1）文本预处理方法分词：将文本转换为更容易处理的基本单元，通常是词或短语。例如：“我爱海洋”→[“我”，“爱”，“海洋”]去除停用词：减少噪音，使模型更专注于有意义的内容。例如：“我在北京的家”→["我","北京","家"]词形还原：将单词还原为其基本形式。例如：“better”→“good”词干提取：直接削减单词的后缀。例如：“running”→“run”词性标注：为文本中的每个词分配一个语法类别。例如：“我爱海洋”→[(“我”,“代词”),(“爱”,“动词”),(“自然”,“名词”)]16二、信息抽取（InformationExtraction）（2）实体识别：将关键实体（人名、地名、日期等）从非结构化文本中提取出来。（3）关系抽取：识别出实体之间的关系，提取出有价值的信息。例：“珊瑚是海洋生态系统的重要组成部分”（4）事件抽取：提取重要信息，并以结构化的形式进行存储和分析。例：“2023年3月1日，科学家在海洋研究中心发布了关于珊瑚礁保护的新发现”→事件：“发布新发现”，参与者：“科学家”，时间：“2023年3月1日”，地点：“海洋研究中心”。（5）属性提取：识别与特定实体相关的特征或属性。例：“这条河流的长度是500公里，水质为清澈”17三、语音识别（SpeechRecognition）语音识别是自然语言处理中的一项重要技术，它使计算机能够理解和处理人类的语音。这项技术的应用非常广泛，包括语音助手（如苹果的Siri、小米的小爱助手）、语音转文本软件、智能家居控制等。1.声音采集步骤1：通过特定设备（如麦克风）捕捉人类的语音，并将其转换为电信号。步骤2：采样。将连续的电信号转化为离散的数字信号，计算机定期采样。步骤3：量化。将电信号值转化为数字值，通常为16位或24位的二进制数。步骤4：编码。将数字信号转化为计算机能够理解的格式。18三、语音识别（SpeechRecognition）2.特征提取：从原始声音信号中提取出对识别任务有用的信息，以便计算机处理。步骤1：信号预处理。例如去除背景噪声、归一化音量和分段等。步骤2：分帧。将语音信号分成短时间的帧（约20到30毫秒），捕捉声音的瞬时特征，使计算机能够逐帧分析信号，理解语音在时间上的变化。19四、机器翻译（MachineTranslation）机器翻译是指利用计算机程序将一种自然语言翻译成另一种自然语言的过程。随着全球化的发展，跨语言的交流变得愈发频繁，机器翻译的应用场景也越来越广泛，比如在社交媒体、国际商务、学术研究等领域，它帮助人们克服语言障碍，促进了不同文化之间的交流。20四、机器翻译（MachineTranslation）1.机器翻译的历史21四、机器翻译（MachineTranslation）2.机器翻译的工作原理与过程步骤1：数据准备。初始阶段需大量双语平行语料库，并进行清洗预处理。步骤2：模型构建。系统通过分析这些数据构建基于统计或深度学习的语言模型，

学习源语言到目标语言的词汇和句法映射。步骤3：输入分析。用户输入文本后，系统进行初步处理（识别词汇、分析句子语

法结构、分析上下文信息）步骤4：翻译生成。基于训练好的模型生成目标语言翻译。步骤5：后处理优化。对翻译结果进行语法检查、拼写校正、上下文调整及流畅性优化，以提升翻译质量，确保译文准确、自然、易懂。22五、智能问答系统

（IntelligentQuestionAnsweringSystem）智能问答系统是利用自然语言处理、机器学习和人工智能技术，实现对用户提出的问题进行理解、处理和回答的计算机系统。这类系统不仅能提供直接的答案，还可以理解问题的上下文，推理相关信息，从而生成更为准确和相关的回答。流程：自然语言输入→对话状态跟踪→对话策略学习→答案生成23六、自然语言处理工具介绍自然语言处理（NLP）是人工智能的一个子领域，旨在使计算机理解、解释和生成人类语言。随着技术的发展，许多自然语言处理工具应运而生，广泛应用于文本分析、机器翻译、情感分析、对话系统等领域。以下是一些常见的自然语言处理工具和库的介绍。1.Jieba(/fxsjy/jieba)Jieba是一个流行的中文分词库，能够帮助开发者快速实现中文文本的分词、词性标注和关键词提取等功能。2.NLTK(NaturalLanguageToolkit)（/）NLTK是一个用于Python的强大自然语言处理库，提供了多种文本处理功能。主要功能包括词汇和语法分析、语料库访问、文本分类、词性标注和命名实体识别。适用场景：适合教育、研究和原型开发，尤其是对NLP初学者友好。24六、自然语言处理工具介绍3.spaCy（/explosion/spaCy）spaCy是一个现代化的自然语言处理库，旨在提供高效、准确的文本分析功能。主要功能包括高效的词性标注和依存句法分析，支持深度学习，与TensorFlow和PyTorch兼容，支持自定义模型训练。内置多种语言的预训练模型，便于快速应用。适合需要高性能和高准确度的商业应用，特别是在处理大规模文本数据时。4.StanfordNLP（/stanfordnlp）StanfordNLP是斯坦福大学开发的一系列自然语言处理工具，提供了高精度的语言处理功能，支持多种语言。提供句子的结构分析，识别主谓宾关系。识别句子中各成分的语义角色。分析文本中代词和名词短语的指代关系。25本章小结在本章中，我们深入探讨了自然语言处理（NLP）的核心概念和技术，揭示了其在数字化时代的重要性和应用广泛性。通过结合计算机科学与语言学，NLP不仅使机器能够理解和生成自然语言，还在智能助手、情感分析、自动翻译等领域发挥着关键作用。我们重点分析了语言模型、信息抽取、语音识别、特征提取和机器翻译等技术，了解了它们如何帮助计算机更好地与人类进行互动。随着技术的不断发展，NLP将继续推动人机交互的变革，带来更多创新和可能性。26思考与练习1.什么是自然语言处理？涉及到哪些技术？2.自然语言处理有哪些引用？3.语言模型在自然语言处理中的作用是什么？4.语音识别技术是如何工作的？有哪些主要挑战？5.自然语言处理技术在医学、法律、金融等领域的应用日益广泛。请思考

并讨论自然语言处理与这些领域结合时可能面临的挑战和机遇。27实验1.实验要求：江苏海洋大学微博关键词分析。附件搜集了江苏海洋大学官微发表的1058条微博，请利用Jieba对这些微博分词，统计出其中的高频词汇，并分析这些微博主要涉及的话题。2.实验步骤（1）首先安装jieba，可以采用下面两种方式：全自动安装：pipinstalljieba先下载/pypi/jieba/，

解压后运行pythonsetup.pyinstall28实验（2）对文本进行分词importcsvimportjiebaimportre

#定义文件路径input_file_path='data.csv'#输入文件路径output_file_path='segmented_data.csv'#输出文件路径

#定义去除特殊字符的函数defclean_text(text):#使用正则表达式去除特殊字符，仅保留中文、英文和数字cleaned_text=re.sub(r'[^\w\s]','',text)#去掉除字母、数字和下划线之外的字符returncleaned_text

#读取CSV文件并处理数据withopen(input_file_path,mode='r',encoding='utf-8')asinfile,\open(output_file_path,mode='w',encoding='utf-8',newline='')asoutfile:

csv_reader=csv.reader(infile)csv_writer=csv.writer(outfile)

#读取表头header=next(csv_reader)#添加新列名header.append('segmented_content')csv_writer.writerow(header)#写入表头到输出文件29实验（3）统计高频词汇importcsvfromcollectionsimportCounter#定义文件路径segmented_file_path='segmented_data.csv'#输入的分词结果文件路径#读取分词结果并统计词频defcount_word_frequencies(file_path):word_counter=Counter()#创建一个Counter对象

withopen(file_path,mode='r',encoding='utf-8')asinfile:csv_reader=csv.reader(infile)header=next(csv_reader)#跳过表头

#遍历每一行，统计分词结果中的词频

forrowincsv_reader:segmented_content=row[-1]#获取最后一列的分词结果

words=segmented_content.split()#按空格拆分成单词

word_counter.update(words)#更新词频统计

returnword_counter#获取出现频率最高的N个词defget_top_n_words(word_counter,n=50):returnword_counter.most_common(n)30END人工智能通识教程第7章具身智能主要内容1. 具身智能的提出2. 具身智能技术框架3. 具身智能发展所面临的挑战4. 具身智能在各领域的应用前景5.具身智能在海洋领域的实战案例主要内容1. 具身智能的提出2. 具身智能技术框架3. 具身智能发展所面临的挑战4. 具身智能在各领域的应用前景5.具身智能在海洋领域的实战案例具身智能的提出及发展具身智能的起源可以追溯到图灵1950年的论文，其与离身智能的分化标志着对智能本质的重新思考。现代人工智能起源于20世纪50年代的达特茅斯会议，后续对人工智能的研究逐渐发展为三个流派，分别为：符号主义（符号处理范式）连接主义（多层感知机、反向传播算法、循环神经网络）行为主义具身智能的提出及发展图：离身智能、具身智能与三大流派的关系清华大学刘华平教授在《具身智能导论》中表示：符号主义、连接主义与行为主义中都能发现离身智能与具身智能的身影，只不过所占比重不同而已。具身智能的提出及发展具身智能强调智能体与环境的互动，通过感知和行动来学习和优化行为图：离身智能与具身智能的连续演变具身智能的提出及发展随着ChatGPT等大模型的突破，具身智能成为全球科技竞争的新高地具身智能可以赋予AI身体，并具备与物理世界的交互学习能力。Google：首个Transformer机器人具身智能的提出及发展Google：首个Transformer机器人Googler机器人RT-2符号理解&推理(Reasoning)视觉推理，像是“将草莓放进正确的碗中”多语言理解，即使不用英语也能完成指令，例如用西班牙语命令它“从一堆物品中挑出最与众不同的那个”Google机器人：R2具身智能的提出及发展Google：首个Transformer机器人Googler机器人RT-2Boston:AtlasTelsa:OptimusTelsa:Optimus具身智能的提出及发展Google：首个Transformer机器人Googler机器人RT-2UniTree:R1有鹿机器人具身智能的提出及发展Google：首个Transformer机器人Googler机器人RT-2具身智能的概念Google：首个Transformer机器人Googler机器人RT-2什么是具身智能？具身智能是依靠物理实体通过与环境交互来实现智能增长的智能系统，通过在物理世界和数字世界的学习和进化，以实现对世界的深刻理解、高效互动以及任务的精准完成。具身智能的概念Google：首个Transformer机器人Googler机器人RT-2具身智能的四要素本体，作为实际的执行者，是在物理或者虚拟世界进行感知和任务执行的机构；智能体，是具身于本体之上的核心，负责感知、理解、决策、控制等的核心工作；数据，数据是智能体泛化的关键，但涉及机器人的数据稀缺且昂贵；学习和进化架构，智能体通过和物理世界（虚拟的或真实的）的交互，来适应新环境、学习新知识并强化出新的解决问题方法。具身智能的概念Google：首个Transformer机器人Googler机器人RT-2具身智能与机器人、智能体的区别（具身智能的内核是离身智能与物理智能的有机结合）图：具身智能、智能体、机器人的关系具身智能的发展历程Google：首个Transformer机器人Googler机器人RT-2早期探索阶段（1950s-1970s）技术起步阶段（1970s-1990s）技术突破阶段（2022年至今）技术积累阶段（1990s-2022）早期探索阶段主要围绕机械臂和移动机器人展开，这一时期的研究为具身智能奠定了基础，探索了智能体与环境互动的基本模式，但技术手段相对有限。技术起步阶段引入了更多传感器技术，初步实现了对环境的感知和简单决策，代表性成果包括早期的自主移动机器人，但整体功能仍较为单一。

技术突破阶段以大模型应用为标志，具身智能在感知、决策和行动模块的集成上取得重大进展，应用场景不断拓展，展现出强大的通用性和泛化性。技术积累阶段见证了深度学习和强化学习的突破，这些技术为具身智能提供了更强大的感知和决策能力，推动了从理论到实践的逐步发展。具身智能的发展历程Google：首个Transformer机器人Googler机器人RT-2早期探索阶段（1950s-1970s）技术起步阶段（1970s-1990s）技术突破阶段（2022年至今）技术积累阶段（1990s-2022）1960s:工业机器人鼻祖-Unimate机械臂1990：麻省理工学院Kismet，具有听觉、视觉和本体感受等能力；2017：AlphaGo战胜世界冠军团队OpenAI&FigureAI：Figure02主要内容1. 具身智能的提出2. 具身智能技术框架3. 具身智能发展所面临的挑战4. 具身智能在各领域的应用前景5.具身智能在海洋领域的实战案例具身智能的技术框架Google：首个Transformer机器人Googler机器人RT-2具身智能的技术框架：感知模块Googler机器人RT-2感知模块的作用是赋予机器感官功能，实现多模态感知的广泛适用性。感知模块是具身智能系统与环境交互的前端，通过摄像头、激光雷达等多种传感器获取环境信息，并处理多模态数据以实现对象识别、位置定位和场景解析等功能。这一模块为后续的决策和行动提供了基础数据支持。感知模块的作用早期感知模块依赖传统AI算法集成，现代则借助大模型实现多模态感知。例如，视觉基础模型（CLIP、R3M）和视觉语言模型（LLM）能够高效处理图像和文本数据，提升感知精度。在移动机器人导航任务中，感知模块能够实时感知环境变化，确保机器人安全高效地完成任务。技术实现与应用案例3D-VLA新范式-BridgeVLA由中科院&字节Seed提出：视觉生成能力预演环境动态变化及其后果…具身智能的技术框架：决策模块Googler机器人RT-2决策模块负责接收来自感知模块的环境信息，并进行高层次的任务规划与推理分析。决策模块是具身智能系统的大脑，接收感知模块的环境信息后，进行任务规划和推理分析，生成决策指令。它决定了具身智能系统如何在复杂环境中做出最优选择。决策模块的作用决策模块从依赖人工知识编程逐渐转变为大语言模型驱动。这种转变使决策模块能够更好地适应复杂多变的环境和任务需求，显著提升了决策的灵活性和适应性。例如，视觉导航技能PixelNav和可泛化铰链物体操纵框架展示了决策模块在复杂任务中的强大能力。通过大模型的推理和规划，具身智能系统能够在动态环境中高效完成任务。技术实现与应用案例北京大学视觉导航技术PixelNav：导航任务规划策略推理…具身智能的技术框架：行动模块Googler机器人RT-2行动模块接收来自决策模块的指令并实施具体动作的关键角色。行动模块接收决策模块的指令，执行具体动作，包括导航、物体操作和交互等任务。它直接与环境互动，是具身智能系统实现任务目标的关键环节。行动模块的作用行动模块面临诸多挑战，如环境因素对感知和决策的影响。通过强化学习和大模型辅助，可以提升行动模块的性能，使其在复杂环境中更加稳定高效。例如，在物流运输中，行动模块能够高效完成搬运任务，提高作业效率。技术实现与应用案例GoogleRT2：模仿学习；结合视觉语言模型与机器人运动数据，直接生成机器人可识别的操作指令；大幅提升从语言理解到实际执行的效率和准确性…具身智能的技术框架：反馈模块Googler机器人RT-2反馈模块通过多层次的交互不断接收来自环境的反馈信息，并据此进行调整和优化。反馈模块通过与环境的交互获取反馈信息，并据此调整和优化感知、决策和行动模块。它在提升系统环境适应性和智能化水平中发挥着关键作用。反馈模块的作用大模型能够加速反馈经验的学习，构建闭环优化流程。通过不断学习和优化，具身智能系统能够在复杂环境中持续提升性能，更好地适应用户需求。例如，家庭服务机器人根据用户反馈调整策略，优化服务体验。反馈模块使具身智能系统能够不断学习和改进，实现智能化服务。技术实现与应用案例YAYRobot，斯坦福和UC伯克利开源，人类直接口头喊话从而实时纠正机器人行为；第一步低级行为克隆与高级策略第二步整合低级策略与高级策略：且适应人类反馈第三步人类反馈的持续改进…主要内容1. 具身智能的提出2. 具身智能技术框架3. 具身智能发展所面临的挑战4. 具身智能在各领域的应用前景5.具身智能在海洋领域的实战案例具身智能发展所面临的挑战Google：首个Transformer机器人Googler机器人RT-2技术挑战具身智能在算法层面面临两大核心问题：一是依赖人类智能的介入，二是感知与行动之间的认知映射尚未完善。当前研究虽有进展，但仍需突破，以实现真正的通用智能。算法层面的挑战真实数据收集困难，合成数据存在局限性。数据质量直接影响具身智能的能力突破，因此需要解决数据获取和处理的难题，以支持系统的持续优化。数据层面的挑战软件生态与硬件集成面临诸多挑战，如缺乏统一开发环境、算法成熟度不足以及软硬件解耦问题。这些问题制约了具身智能的快速发展和广泛应用。软硬件层面的挑战具身智能发展所面临的挑战Google：首个Transformer机器人Googler机器人RT-2应用挑战具身智能的行动能力受产品形态和内部硬件系统结构的限制。构建通用且强大的具身本体和软硬件系统的紧密耦合是实现广泛应用的关键。产品层面的挑战市场需求明确性与用户接受度对具身智能的商业应用至关重要。场景差异化、用户信任构建以及安全与隐私考量等因素影响其市场推广和应用效果。商业场景层面的挑战产业链协同与各环节效率对具身智能产业的持续发展至关重要。硬件迭代与成本挑战、高效可靠软件系统的开发以及软硬件集成等问题需要解决，以推动产业健康发展。产业链层面的挑战具身智能发展所面临的挑战Google：首个Transformer机器人Googler机器人RT-2应用挑战商业场景层面的挑战产业链层面的挑战：产业链协同与各环节效率对具身智能产业持续发展的影响具身智能发展所面临的挑战Google：首个Transformer机器人Googler机器人RT-2标准与合规挑战现有评测框架难以全面评估具身智能的能力，建立基准测试标准体系迫在眉睫，以确保技术评估的科学性和准确性。技术评估标准的不足具身智能涉及物理危害风险、网络安全漏洞以及法律和伦理等复杂问题。制定严格的安全规范和监管标准是确保其安全应用的关键。安全规范的复杂性具智能的发展对劳动力结构和技能需求产生重大影响。监管政策需要在支持技术创新的同时，关注劳动力市场的转型和社会公平。社会影响与监管政策主要内容1. 具身智能的提出2. 具身智能技术框架3. 具身智能发展所面临的挑战4. 具身智能在各领域的应用前景5.具身智能在海洋领域的实战案例具身智能在各领域的应用前景Google：首个Transformer机器人Googler机器人RT-2工业制造领域应用前景具身智能在工业制造领域具有广阔的应用前景，能够打破人机协作瓶颈，实现智能化柔性适配，显著提高生产效率、灵活性和安全性。上图为搭载华为盘古具身智能大模型的「乐聚」升级版人形机器人“夸父”，通过盘古具身智能大模型使得“夸父”在智能化、泛化能力上得到了显著提升。具身智能在各领域的应用前景Google：首个Transformer机器人Googler机器人RT-2自动驾驶领域应用前景具身智能在自动驾驶领域具有重要意义，能够增强系统对开放交通环境的适应性，实现更加安全可靠的驾驶体验。特斯拉的自动辅助驾驶系统Autopilo百度自动驾驶Apollo具身智能在各领域的应用前景Google：首个Transformer机器人Googler机器人RT-2物流运输领域应用前景具身智能在物流运输领域具有巨大潜力，能够降低流通成本，构建高效、快捷且智能化的物流体系。AgilityRobotics开发的人形机器人Digit工厂投产：年产10,000台，已在亚马逊等大公司上班做物流工作2019年CapraRobotics退出的Hircus，首次能够同时适用室内室外两种环境的无缝物流操作。具身智能在各领域的应用前景Google：首个Transformer机器人Googler机器人RT-2家庭服务领域应用前景具身智能在家庭服务领域具有广阔的应用前景，能够通过高级认知和行动能力实现个性化定制服务。1X公司与OpenAI的合作开发的EVE类人具身智能机器人：可理解工作环境，在互动中学习、调整和收集数据，可胜任自助的家庭和办公辅助任务。谷歌与斯坦福大学联合推出的MobileALOHA2家务服务机器人：模拟人类双手完成备菜、翻炒、出锅等烹饪任务，以及洗衣、逗猫、浇花等活动。具身智能在各领域的应用前景Google：首个Transformer机器人Googler机器人RT-2医疗康养领域应用前景具身智能在医疗康养领域具有重要意义，能够应对老龄化挑战，提升医疗服务水平，为老年人提供更好的生活质量。日本AIST公司推出的Paro治疗机器人外形类似海豹，已被应用于老年护理和儿童医院，为患者提供情感支持和陪伴，帮助缓解焦虑和孤独感。美国捷迈邦美公司推出的ROSA®Shoulder系统专为肩关节置换手术设计，能够协助外科医生灵活选择解剖或反向技术进行全肩关节置换术，并确保植入物的精确定位，以优化手术效果。主要内容1. 具身智能的提出2. 具身智能技术框架3. 具身智能发展所面临的挑战4. 具身智能在各领域的应用前景5.具身智能在海洋领域的实战案例具身智能在海洋领域的实战案例Google：首个Transformer机器人Googler机器人RT-2应用背景：具身智能在海洋领域的应用具有重要意义，能够应对复杂的海洋环境，实现目标检测和跟踪等任务，为海洋监测和水下作业提供技术支持。技术实现与过程：通过Python实现水下机器人目标检测和跟踪，包括环境设置、声纳传感器模拟、追踪算法和主程序的开发。可视化结果显示机器人能够高效完成任务。实际应用价值：具身智能在海洋领域的应用不仅提升了监测和作业的效率，还推动了海洋科技的发展，为未来海洋探索和开发提供了新的思路和技术支持。Q&A问答环节具身智能提出技术框架挑战应用前景：工业制造、自动驾驶、物流运输、家庭服务及医疗康养实战案例：Python模拟机器人目标检测与跟踪起源：图灵1950年论文设想分化出离身与具身智能发展：行为主义推动，大模型助力，“具身图灵测试”成挑战概念：定义、四要素及与机器人/智能体/离身智能的区别发展历程：早期探索、技术起步、技术积累及技术突破感知模块：处理多模态数据，实现识别、定位等决策模块：接收感知信息，进行任务规划、推理行动模块：执行导航、操作、交互等动作反馈模块：接收环境反馈，优化各模块技术挑战：算法、数据、软件及硬件应用挑战：产品、商业及产业链标准与合规挑战：评估标准及安全伦理待规范课堂总结敬请批评指正！第八章知识图谱主要内容一.知识图谱概述二.知识图谱构建技术流程三.知识图谱的典型应用四.知识图谱可视化实验知识图谱概述一1.1知识图谱简介特性图图谱知识图谱核心要素节点、边节点、边、属性节点、边、属性、语义主要作用数学建模和关系表示数据可视化和关系描述知识的组织、推理与挖掘语义性无语义较少语义强语义支持推理能力无推理能力关系有限推断支持逻辑推理应用场景网络分析、路径优化社交网络、物流网络、知识可视化搜索引擎、智能助手、推荐系统等图、图谱与知识图谱图是基础，由节点和边组成，用于表示对象及其关系。图谱在此基础上拓展，增加语义化和可视化特性。知识图谱进一步引入语义和知识推理能力，用于组织和表达复杂的知识网络。1.1知识图谱简介知识图谱的价值知识图谱通过语义化和结构化的方式组织知识，实现数据与知识的深度关联，显著提升信息检索的效率和准确性，支持多领域知识的整合与挖掘，驱动个性化推荐、智能问答等应用。知识图谱的挑战知识图谱在构建与应用中面临诸多挑战，包括知识获取的复杂性、知识融合的准确性、存储与查询的高效性、推理能力的局限性，以及应用推广的领域适应性等问题。1.2知识图谱发展历程起源阶段1955年加菲尔德提出引文索引应用于检索文献的思想，1968年奎林提出语义网络概念，知识图谱的概念开始萌芽，奠定了其理论基础。01发展阶段1977年至2012年，语义网快速发展，知识本体研究成为计算机科学的重要领域，知识图谱吸收了语义网和本体的理念，推动了知识的交换与加工。繁荣阶段2012年谷歌推出GoogleKnowledgeGraph，标志着知识图谱正式得名并进入繁荣阶段，知识图谱技术在搜索引擎、推荐系统、智能问答等领域得到广泛应用。02031.2知识图谱发展历程1.3知识图谱组成实体实体是知识图谱的基本单元，可以是具体的物体、抽象的概念、事件或者人、地点、组织等，每个实体都有一个唯一的标识符用于索引。关系关系是实体之间的相互作用或联系，可以是关联性、依存性、从属性等，每个关系也有唯一的标识符，用于在知识图谱中进行唯一标识。属性属性是实体和关系的特征或描述，包括实体的名称、定义、类型等，以及关系的方向、权重等，每个属性同样拥有唯一的标识符。1.4知识图谱概述概述知识图谱是一种结构化语义网络，以实体（节点）

为核心，通过关系（边）

连接不同实体，并附加属性描述实体特征，将分散信息转化为可关联、可推理的知识体系。其构建需经知识抽取（从文本、表格等多源数据提取实体、关系）、知识融合（解决实体歧义与数据冲突）、知识存储（依托Neo4j等图数据库）及知识推理（借助图算法挖掘隐藏关联）等关键环节。作为打破信息孤岛的核心技术，它既能支撑基础场景（如智能搜索的精准问答、个性化推荐的需求关联），也能赋能垂直领域（如金融风控的团伙识别、医疗诊断的症状匹配），核心价值在于降低信息获取成本、提升决策效率，是推动各行业从“信息利用”向“知识服务”升级的重要基础设施。知识图谱构建技术流程二2.1知识获取01数据源选择知识图谱的构建依赖于高质量的数据源，常见的数据源包括结构化数据、半结构化数据和非结构化数据，选择时需考虑数据质量、相关性、覆盖范围以及技术和法律可行性。02数据预处理数据预处理包括数据清洗、格式规范化、去除噪声等操作，以提高数据的质量和可用性，为后续的知识抽取和融合奠定基础。03知识抽取知识抽取是从数据中提取有用信息的过程，包括实体抽取、关系抽取、属性抽取和事件抽取等任务，通过各种方法如基于规则、监督学习、深度学习等技术实现。2.2知识存储存储模型知识存储模型决定了知识的存储结构和查询效率，常见的模型有图数据库模型、三元组存储模型、关系型数据库模型、键值对数据库模型和文档型数据库模型。这些模型各有特点，可根据知识图谱的复杂性、规模和应用需求灵活选择。图数据库模型，通过节点表示实体、边表示关系，支持复杂的图结构和高效的图查询操作，是知识存储的首选；三元组存储模型，基于RDF（资源描述框架），将知识表示为主语-谓语-宾语的三元组形式，适用于语义化知识表示与SPARQL查询；关系型数据库模型，将知识存储为表格形式，适合小规模或简单的知识图谱场景；键值对数据库模型，以键值对形式快速存储和检索数据，适合对速度要求高但关系复杂度较低的场景；文档型数据库模型，以JSON或XML文档形式存储知识，适合属性密集的实体描述。2.2知识存储存储技术知识存储技术的选择需要根据知识图谱的规模、结构复杂性以及应用场景进行权衡，图数据库适合复杂图结构的存储和查询，三元组存储适用于语义化知识表示。图数据库（如Neo4j、TigerGraph）能够高效支持图查询和路径分析。而在需要语义化和标准化的场景下，三元组存储（如Virtuoso、ApacheJena）更为适用。知识图谱规模较小且结构简单，可以选择传统的关系型数据库（如MySQL、PostgreSQL）进行存储。在实时性要求较高的场景中，键值对数据库（如Redis、DynamoDB）可以提供高速读写支持。而对于需要存储复杂属性和层级数据的场景，文档型数据库（如MongoDB）是理想选择。2.2知识存储存储挑战知识存储面临的挑战包括大规模数据处理、动态更新与实时性支持、复杂查询的高效性以及多源异构数据的整合等，需要不断优化和创新存储技术。2.3知识表示01知识表示学习的概念知识表示学习的目标是将研究对象的语义信息表示为稠密低维实值向量，通过机器学习方法将实体和关系映射到向量空间中，用于快速计算实体间的语义相似度。02知识表示学习的主要方法知识表示学习的方法包括基于距离的模型、基于张量分解的模型、基于神经网络的模型、基于图神经网络的模型、基于预训练语言模型的方法以及混合模型等。03知识表示学习的应用知识表示学习在知识图谱的多个应用中发挥重要作用，如提升计算效率、缓解数据稀疏问题、实现异质信息融合等，为知识图谱的智能应用提供了强大的技术支持。2.3知识表示知识表示学习的主要方法：

(a)基于距离的模型：将实体和关系嵌入低维向量空间，用距离或向量运算度量语义关联，假设关系通过几何变换连接实体。经典模型有TransE（头实体+关系≈尾实体）、TransH（引入超平面解决复杂关系）、TransR（为每种关系设不同嵌入空间）。优点是计算高效、结构简单，适用于大规模知识图谱；但处理复杂语义或非对称关系有局限。TransE像“数学等式”——假设“北京（头实体）+首都（关系）≈中国（尾实体）”，如果两个向量相加的结果和尾实体向量距离近，就说明这个“三元组”（北京-首都-中国）合理；(b)基于张量分解的模型：将知识图谱表示为张量并分解，捕捉实体与关系潜在语义，映射为向量或矩阵后用线性代数技术建模三元组。经典模型包括RESCAL（用关系特定矩阵建模）、DistMult（简化为对角矩阵提升效率）、ComplEx（扩展到复数空间捕捉对称与非对称关系）。数学基础扎实、表达能力强，在知识补全和关系预测中表现好，但计算复杂度较高，处理超大规模图谱有难度。RESCAL给每种关系“配一个专属矩阵”，比如“首都”关系矩阵能突出“行政中心”特征；2.3知识表示知识表示学习的主要方法：(c)基于神经网络的模型：利用神经网络学习能力建模实体和关系，捕捉复杂语义和非线性关系。常见模型有DNN（多层感知器适用于一般建模）、CNN（卷积操作提取局部特征，如ConvE、ConvKB）、RNN（适合动态或时序图谱，捕捉时间演化特性）。表达能力强，适应复杂多关系和大规模图谱，但需大量数据训练，可能过拟合且可解释性不足。DNN像“多层过滤器”，把“爱因斯坦”“相对论”“提出”的信息层层加工，输出“爱因斯坦-提出-相对论”的关联度；2.3知识表示知识表示学习的主要方法：

(d)基于图神经网络（GNN）的模型：面向图结构数据，通过迭代聚合节点及邻居信息生成嵌入，捕捉局部和全局结构特性。常见模型有GCN（卷积聚合邻居特征）、GAT（引入注意力机制分配邻居权重）、R-GCN（针对多种关系设计敏感聚合方法）。能有效捕捉高阶结构关系，适用于知识补全、链式推理等；但处理超大规模图谱时计算效率和内存开销有问题。基于图神经网络（GNN）的模型：像“靠邻居了解一个人”。把知识图谱当成“社交网络”，每个实体是“人”，关系是“人际联系”，通过不断“打听邻居的信息”来完善对某个实体的认知，最终生成能体现“局部圈子（邻居）”和“全局网络（整个图谱）”特征的向量。​2.3知识表示知识表示学习的主要方法：(e)基于预训练语言模型的方法：结合预训练语言模型（如BERT、GPT）建模实体和关系，融合知识图谱与NLP技术，提升语义理解。例如K-BERT注入结构性知识，ERNIE整合实体与语言嵌入。适用于图谱与文本结合场景，语义建模能力强，但对计算资源要求高，处理大规模图谱需优化效率。把知识图谱的“实体/关系”和自然语言文本结合，让模型既会“读文字语义”（如BERT、GPT的语言理解能力），又能“认图谱关系”，相当于给语言模型装了“知识图谱插件”，提升对语义的深层理解。(f)混合模型：结合多种方法优势，应对复杂建模需求，如结合距离模型与GNN、融合预训练语言模型等。适合复杂场景下的知识补全、关系预测和智能推理，但设计训练复杂，对计算资源需求高，是当前研究热点。不单独用某一种方法，而是把多种方法的优点结合起来，比如让“基于距离的模型”负责快速计算，“GNN”负责捕捉结构，“预训练模型”负责理解语义，就像不同专业的人组队，应对更复杂的知识嵌入需求。​2.4知识抽取实体抽取实体抽取是识别文本中的关键实体的过程，如人名、地名、时间等，通过基于规则、统计或深度学习的方法实现，为知识图谱构建提供基础实体信息。关系抽取关系抽取旨在识别实体之间的语义关系，如“属于”“位于”等，通过分析文本中的语义模式和上下文信息，利用机器学习或深度学习模型实现关系的自动抽取。属性抽取属性抽取用于提取实体的详细信息，如出生年份、工作单位等，通过特定的算法和模型从文本中抽取与实体相关的属性值，丰富知识图谱中的实体描述。2.4知识抽取基于规则的方法通过预定义模板和正则表达式实现特定知识的模式匹配，简单高效但适用范围有限；（像按固定模板找东西——比如提前定好“‘某某公司’后面跟着‘成立于’+年份”的模板，用正则表达式抓“公司成立时间”。）基于监督学习的方法利用标注数据训练模型，如条件随机场（CRF）和支持向量机（SVM），精度较高但依赖人工标注；（比如先给模型看1000个标好“这是人名、这是地名”的数据，训练CRF、SVM模型学会识别规律。）基于深度学习的方法，如循环神经网络(RNN)和,Transformer，通过自动提取复杂特征和语义关系，显著提升了抽取能力；像让模型自己“看懂”内容找东西，不用人手动设计规则无监督学习则通过模式发现和聚类等方法从未标注数据中提取知识，适用于数据不足的场景；比如没标注数据时，模型通过找“经常一起出现的词”，用聚类把相关内容归为一类，提取出知识。半监督学习结合少量标注数据与大量未标注数据，通过迭代学习实现知识扩展。比如只有100个标注数据，就用这100个教模型初步规律，再让模型用这个规律去解读10000个未标注数据，反复迭代优化。知识抽取的主要方法：2.4知识抽取知识抽取的挑战与发展趋势知识抽取面临自然语言的语义歧义、数据异构性、噪声和不完整性等挑战，未来的发展方向包括结合多模态数据、迁移学习、预训练语言模型等技术，以提高抽取的精度和效率。2.5知识融合实体对齐识别和整合不同数据源中指代相同对象的实体的过程，通过字符串匹配、语义分析或嵌入对齐等方法，将不同数据源中的重复实体统一为同一标识。关系对齐负责统一不同数据源中表示相同关系的不同描述形式，通过本体映射或语义推理等技术，解决关系描述不一致的问题，确保知识图谱中关系的一致性。冲突消解对不同数据源中信息冲突的处理过程，通过规则或统计方法解决同一实体或关系在不同数据源中的不一致信息，保证知识图谱的数据质量。知识补全通过数据挖掘的方法填充知识图谱中的缺失信息，如推导一个人所在的国家，通过关系预测、实体预测和属性补全等任务，提高知识图谱的完整性和准确性。2.5知识融合知识融合的挑战与发展趋势知识融合面临多源数据的异构性、语义冲突、大规模数据处理效率以及领域知识不足等挑战，未来的发展方向包括基于预训练语言模型、图神经网络、主动学习和迁移学习等技术，以实现更高效、智能化的知识融合。2.6知识补全实体预测实体预测旨在填补部分已知关系的缺失实体，通过分析知识图谱中的结构和语义信息，利用机器学习或深度学习模型预测缺失的实体。关系预测关系预测是知识补全的核心任务之一，通过已有的实体和关系信息预测实体之间可能存在的缺失关系，利用基于规则、嵌入或深度学习的方法实现。属性补全属性补全的任务是为知识图谱中的实体补充缺失的属性信息，通过数据挖掘、推理或外部知识库等方法实现，丰富实体的描述，提高知识图谱的实用性。2.6知识补全数据预处理知识图谱进行数据清洗和预处理，包括去重、格式规范化和数据分割等操作。特征提取利用规则或模型对知识图谱中的实体、关系和属性进行特征提取，学习实体和关系之间的潜在模式。缺失预测基于学习的特征或规则预测知识图谱中的缺失部分，例如生成新的三元组“<爱因斯坦,出生地,德国>”验证存储对预测结果进行验证，去除低置信度或错误的补全结果，并将高质量的补全信息存储到知识图谱中知识补全的典型流程2.6知识补全实体预测知识补全的方法：基于规则的方法通过分析知识图谱中的模式和规则完成补全，例如通过逻辑推理发现“如果A是B的父亲，而B是C的父亲，那么A是C的祖父”。这种方法依赖领域知识和本体设计，适合明确规则的场景，但扩展性较差。基于嵌入的方法是近年来知识补全的主流技术，通过将实体和关系映射到低维向量空间中，利用几何运算预测缺失的关系或实体。例如，TransE等模型通过向量平移来预测知识图谱中的缺失三元组。这类方法计算效率高，适合大规模知识图谱的处理。基于深度学习的方法通过神经网络（如GNN、Transformer）学习知识图谱的复杂结构和语义信息，进一步提升知识补全的准确性。例如，图神经网络（GNN）可以利用实体的邻居信息来预测缺失的关系或属性，适合处理结构复杂的知识图谱。2.6知识补全知识补全的挑战与发展趋势知识补全面临数据稀疏性、语义复杂性、大规模处理效率以及跨领域和跨语言等挑战，未来的发展方向包括基于预训练模型、图神经网络、主动学习和迁移学习等技术，以提高补全的准确性和效率。知识图谱的典型应用三3.1搜索引擎提升搜索结果质量知识图谱通过语义理解能力，突破传统搜索引擎仅依赖关键字匹配的局限，能够准确理解用户查询背后的语义意图，直接提供精准答案，显著提高搜索结果的相关性和精准度。实现个性化搜索知识图谱整合用户的历史搜索记录、点击行为和社交媒体活动等信息，构建用户的兴趣画像，基于此向用户推荐与其兴趣相关的个性化内容，提升用户的搜索体验。支持语义化搜索知识图谱支持搜索引擎实现语义化搜索，能够理解用户查询的上下文和语义关系，提供更准确、更丰富的搜索结果，满足用户多样化的信息需求。3.1搜索引擎基于语义识别，整合知识图谱、文图、表格、视频等多模态数据，为用户提供更为精准的问答服务。3.2推荐系统01基于内容的推荐增强知识图谱为产品或服务建立详细的语义描述，包括属性、类别、功能等，通过语义关联找到更具价值的推荐内容，显著提升内容相似性推荐的精准性。02协同过滤增强知识图谱与协同过滤的结合能够显著提升推荐系统的效果，通过分析用户的行为和兴趣，扩展用户与产品或服务之间的潜在关系，强化协同过滤的能力。03知识图谱在推荐系统中的应用案例例如在电商平台中，知识图谱可以识别商品的品牌、功能等属性，为用户推送相关商品，如跑步袜或运动服，为用户提供更加个性化和多样化的推荐体验。3.2推荐系统用于知识发现场景，根据用户行为推荐与其相关或感兴趣的知识。譬如，项目经理由于工作需要要经常查看和搜索相关方案资料，在门户中可以看到产品说明书、技术方案等推荐知识，以及与其关注内容相关的标签和分类3.3智能问答01自然语言理解知识图谱为智能问答系统提供了丰富的语义背景，使其能够准确解析复杂、多样化的用户询问，通过实体及关系的语义匹配，快速定位并返回相关答案。02上下文感知回答知识图谱通过多层次关系建模，增强了智能问答系统对上下文信息的理解能力，能够结合用户的历史提问与当前问题，推断隐含信息，解决模糊性问题。03知识图谱在智能问答中的应用案例例如，当用户问“谁是爱因斯坦的学生？”时，系统能够通过知识图谱快速定位“爱因斯坦”这个实体及其关联的“学生”关系，返回如“库尔特·哥德尔”等相关答案。3.3智能问答用于知识发现场景，搜索方案资料时，能找到其他有关联的内容，譬如搜索“医院”时，会以图谱方式展示“手术刀”“显微镜”“酒精”等与“医院”存在关联关系的标签词3.4企业管理信息整合与共享知识图谱能够将企业分散在不同系统中的数据进行语义关联，实现跨系统的高效整合，打破数据孤岛，为企业各部门提供便捷的数据访问途径，促进跨部门和跨区域的协作。决策支持知识图谱为企业管理者提供了科学的分析工具，通过整合运营、财务、生产等数据，发现关键指标之间的潜在关系，帮助管理者更好地洞察内外部环境，制定合理的策略。知识图谱在企业管理中的应用案例例如，在供应链管理中，通过分析库存、物流和订单等数据，知识图谱可以优化资源调度，降低运营成本，同时提高响应速度，提升企业的运营效率与竞争力。3.4企业管理基于知识图谱的智能知识管理解决方案3.5医疗健康知识图谱在医疗诊断中的应用知识图谱可以整合医学知识、患者病历、症状等信息，为医生提供辅助诊断支持，帮助医生快速准确地判断病情，提高诊断效率和准确性。01知识图谱在医疗知识管理中的应用知识图谱能够将医学文献、临床指南、药物信息等进行语义化组织和管理，方便医疗人员快速查找和获取相关知识，促进医学知识的传播和应用。知识图谱在医疗健康中的应用案例例如，通过构建医疗知识图谱，可以实现智能医疗问答系统，为患者提供疾病咨询、用药指导等服务，提升医疗服务的质量和效率。02033.5医疗健康以全量的医学知识图数据库为基础，建设医学智能问答服务平台，可根据提问的内容进行疾病病理、自诊建议、健康饮食等方面的智能问答，通过基于知识图谱的多轮友好问答实现问诊，了解患者病情，将患者和医生精准匹配，致力于提高医院线上服务水平、降低分诊压力，改善患者诊前体验。从医药说明、临床诊疗两个方面构建知识图谱，在此基础上实现推理分析，结合自然语言处理技术，实现快速回答给出的医学问题。3.5医疗健康医学智能问答服务平台实现目标:提供智能化医药知识，支撑互联网+医药，提供个性化用户服务。核心功能知识图谱构建：从医药说明、临床诊疗两个方面构建知识图谱。医药智能问答：基于TopGraph图数据库，医学智能问答服务平台可根据提问的内容进行疾病病理、自诊建议、健康饮食等方面的智能问答，通过基于知识图谱的多轮友好问答实现问诊，了解患者病情，将患者和医生精准匹配，致力于提高医院线上服务水平，降低分诊压力，改善患者诊前体验。3.5医疗健康应用展示：疾病自诊智能问答知识库查询3.6小结知识图谱应用总结知识图谱的核心价值是“将信息转化为可关联、可推理的知识”，其应用已从“智能搜索”渗透到“金融风控、医疗诊断、政务治理”等关键领域，成为实现“行业智能化升级”的重要基础设施。未来，随着LLM与知识图谱的融合（如用LLM生成知识、用知识图谱约束LLM的推理），其应用将更具“准确性”和“可解释性”，进一步降低行业决策的复杂度。知识图谱可视化四4.0可视化工具软件下载与安装知识图谱可视化工具种类繁多，以下是一些常见的工具：Graphviz：是一个开源的图形可视化工具，使用简单的DOT语言来定义图形结构，内置多种布局算法，如层次布局、环形布局等，其渲染引擎可以快速生成高质量的图形，支持多种输出格式，如PNG、PDF等，不仅用于知识图谱可视化，还广泛应用于软件工程、网络拓扑等领域。FineVis：是帆软公司推出的一款专业数据可视化工具，支持多种可视化图表，如关系图、树图、力导向图等，内置强大的数据处理功能，用户可以通过拖拽操作快速创建和调整图表，可定制性强，广泛应用于企业数据分析、学术研究等领域。KeyLines：是一款由CambridgeIntelligence推出的知识图谱可视化工具，支持多种图形分析功能，如社交网络分析、时间线分析等，用户可以在图形界面中进行实时交互，如拖拽节点、缩放图形等，其渲染引擎可以快速生成高质量的图形，广泛应用于金融、网络安全、情报分析等领域。Miro：是一款以协作和创新为核心的在线白板工具，提供流程图与思维导图功能，帮助团队梳理复杂项目流程与业务逻辑，拥有无限画布，可自由添加节点打造知识网络，还与Slack、GoogleDrive等工具无缝对接，适用于知识密集型团队的远程协作和头脑风暴场景。4.0可视化工具软件下载与安装知识图谱可视化工具种类繁多，以下是一些常见的工具：Gephi：是一款开源的网络分析和可视化软件。它支持多种网络数据格式，如GML、GraphML等，内置多种布局算法，如ForceAtlas、YifanHu等，可帮助用户快速生成清晰、美观的网络图。此外，Gephi还支持实时数据流的可视化，拥有丰富的插件库，可扩展性强，适用于学术研究、商业数据分析、社交网络研究等领域。Neo4jBloom：是Neo4j公司推出的一款知识图谱可视化工具，它提供了直观、易用的用户界面，支持复杂的Cypher查询，用户可以在图形界面中进行实时交互，添加、删除或修改节点和关系，还可以根据实际需求定制不同的展示样式和布局，是企业级知识图谱构建和分析的利器。Cytoscape：这是一个用于生物信息学的开源软件平台，主要用于可视化和分析复杂网络。它支持多种网络数据格式，允许用户自定义可视化样式，提供了高级的网络分析工具，如网络拓扑分析、聚类分析等。虽然最初是为生物网络设计，但其灵活性使其也可以应用于其他领域的知识图谱。Boardmix博思白板：是一款功能全面的智能在线协作白板，为用户提供无限画布和丰富的创作工具，可用于知识图谱的构建和信息整理。它还提供多种AI功能，如AI生成PPT、AI生成图片等，全面拓展知识获取能力和渠道，适合团队在知识管理、项目策划以及流程分析中使用。4.0可视化工具软件下载与安装CiteSpace是一款由美国德雷塞尔大学陈超美博士与大连理工大学WISE实验室联合开发的科学文献分析工具，可通过可视化手段呈现学科知识的结构、规律及分布情况。下面是利用CiteSpace进行知识图谱可视化的具体步骤：4.1实验准备软件下载与安装（1）进入citespace的官网(/)，点击downloadthefreeversion，再点击downloadlatestversion(可选最新版本)开始下载，下载实验所需软件。4.1准备阶段软件下载与安装（2）安装程序，路径可以根据你的需求进行更改（路径设置为英文）。4.1准备阶段软件下载与安装（2）安装程序，路径可以根据你的需求进行更改（路径设置为英文），并进行安装。4.1准备阶段软件下载与安装（3）安装成功后，运行citespace，并将菜单转为中文。4.2数据分析与可视化（4）进入知网，点击导出与分析→refworks，并点击导出，如图8-7所示，并将导出的文件放置在temp/input文件夹中4.2数据分析与可视化（5）将数据输入到citespace。创建新的项目，项目路径在\temp\project下，如图8-9所示，数据类型改成CNKI，因为数据是由知网提供，语言选择Chinese，并进行保存。4.2数据分析与可视化（6）随后进行数据分析，须将知网的数据首先进行转换，点数据的输入输出，输入数据的路径为\temp\input，输出数据的路径为\temp\output，因为我们要对知网数据进行分析，点击CNKI，此时Input里面显示没有数据，点击格式转换。4.2数据分析与可视化（7）在文件temp\output中出现_converted的txt文件代表转换成功，进而将其复制到temp\data文件夹。可以把格式转换的界面关闭，然后回到下面的界面，时间划分可以根据需要修改，根据导出的文献的时间，对应的调整时间划分（不要出现文献是起始时间之前的情况），节点类型点击关键词开始。4.2数据分析与可视化（8）弹出下面的窗口，我们点击可视化，就会开始分析数据了，此时背景为黑色，出现白色就代表分析结束了，下面是分析好的数据图。Q&AEND第9章大语言模型计算机工程学院信息技术教研室主要内容1. 大模型技术概述2. 大模型技术的架构3. 大模型技术训练过程4. 大模型技术提示工程5.大模型技术应用场景（垂直部署）6.大模型技术伦理与安全7.大模型技术未来展望主要内容1. 大模型技术概述2. 大模型技术的架构3. 大模型技术训练过程4. 大模型技术提示工程5.大模型技术应用场景（垂直部署）6.大模型技术伦理与安全7.大模型技术未来展望1.大模型技术概述大模型（LargeLanguageModels,LLMs）是基于海量数据训练、参数规模超百亿的深度学习模型，能够通过“概率预测”生成连贯文本、回答问题或执行特定任务。如图所示。

图9-1语言模型示意图语言模型是这样一个模型：对于任意的词序列，它能够计算出这个序列是一句话的概率。例如，词序列A：“江苏海洋大学|的|校园|好|漂亮|啊”，这个明显是一句话，一个好的语言模型也会给出很高的概率。再看词序列B：“江苏海洋大学|的|大海|米饭|伟大”，这明显不是一句话，如果语言模型训练得好，那么序列B的概率就会很小。1.大模型技术概述大模型的发展历程并不长，但是速度相当惊人，国内外已经有上百种大模型相继发布，如图所示。图9-3国内外大模型发展简史1.大模型技术概述大模型的核心特点:在“大模型”领域，“大”不仅指参数量的显著增加（例如，GPT-3的参数量达到1750亿），还意味着性能的质的飞跃。模型的规模越大，越能够捕捉复杂的语言规律。例如，小型模型往往无法生成流畅的长文本。此外，大模型展现出强大的零样本学习（Zero-shotLearning）能力，即在未经过特定训练的情况下，能够完成新任务。例如，尽管未曾学习过编程，模型仍然能够根据提示生成Python代码。在模型的开发过程中，人类对齐（Alignme