知识图谱
http://pelhans.com/ 作者已经写的很全了，就不再造轮子了
知识图谱融合
==核心内容，非完善版==
参考
- http://pelhans.com/tags/#Knowledge%20Graph
- https://github.com/nju-websoft/KnowledgeGraphFusion.git
1. 基础知识
输入：多个RDF/OWL格式的知识图谱
预处理：清洗和后续步骤的准备，包括：语法正规化，数据正规化
方法分类
- 匹配所用特征
- 知识融合机制
- 方法适用范围
2. 本体匹配
3. 实体对齐
发现指称真实世界相同对象的不同实例
3.1 传统实体对齐方法
等价关系推理
相似度计算
成对实体对齐
集体实体对齐
大规模集体实体对齐
混合方法
3.2 基于 embedding的方法
基于翻译模型的方法
基于图神经网络的方法
4. 知识融合
4.1 无监督模型
- 迭代模型
- 优化模型
- 概率图模型
无监督模型利用数据冲突和数据源质量估计
有监督模型利用特定领域特征和少量标记数据
4.2 半监督模型
5. 总结
多模态知识图谱数据库
Answering Visual-Relational Queries in Web-Extracted Knowledge Graphs 数据集
M5Product: Self-harmonized Contrastive Learning for E-commercial Multi-modal Pretraining数据集
The M5Product dataset is a large-scale multi-modal pre-training dataset with coarse and fine-grained annotations for E-products.
• 6 Million multi-modal samples, 5k properties with 24 Million values
• 5 modalities-image text table video audio
• 6 Million category annotations with 6k classes
• Wide data source (1 Million merchants provide)
金融数据底座的构建可以包括各类金融实时数据，各类需解析的文档数据、各类非结构化数据以及信息高度浓缩文本。通过庞大的金融垂直类数据为金融大模型提供数据支撑。
①各类金实时数据：股票、债券、基金、衍生品、指数等 ②各类需解析的文档数据：银行流水、财报、年报、ESG报告等 ③各类非结构化数据：金融新闻、法律、研报、公司信息、银行内外规等 ④信息高度浓缩文本：金融教材、百科等
对于金融垂直领域大模型的构造需要解决的关键问题有如下三点：
01 多源、异构金融数据金融数字底座构建、金融数据安全共享使用。
02 金融数据底座与大模型的融合技术，解决通用大模型在垂直领域知识匮乏、知识关联问题，同时实现模型根据数据实时更新、不断迭代。
03 基于金融科技底座的大模型对于金融科技多领域的应用赋能，展现金融垂直领域涌现能力。
ref:https://mp.weixin.qq.com/s/s3GcuubjRdPnusR7vVe5hg 中国工程院院士、复旦大学金融科技研究院院长柴洪峰《大模型赋能金融科技思考与展望》
Fusion of Relational and Graph Database Techniques: An Emerging Trend
DASFAA 2023 Tutorial