图谱动态｜学苑周刊 NO.155

图谱学苑 2023-10-10

228

本期将分享近期全球知识图谱相关

行业动态、会议课程、论文推荐

新闻动态

News Information

图数据库+LLM+LangChain

近日，Docker 与 Neo4j、 LangChain 和 Ollama 合作，为寻求提升自身创造性人工智能(AI)能力的开发者推出了一种新的准备资源。这个名为 GenAI Stack 的新工具为开发人员提供了他们所需要的资源，让他们可以在几分钟内开始使用生成式 AI 来创建应用程序。GenAI 栈包括来自 Ollama 的大型语言模型(LLMs)、来自 Neo4j 的矢量和图形数据库以及 LangChain 框架。已经可以在 Docker Desktop 的学习中心和官方存储库中使用，这个独一无二的预配置堆栈专门用于处理通用的 GenAI 场景，使用 Docker Hub 信任的开源内容。GenAI Stack 产品包括广泛的知识图谱、向量和知识图谱集成结果，以及大模型，这使得以各种格式生成各种响应变得轻而易举。从汇总数据到通过多功能知识图谱展示知识检索、轻松的数据加载和向量索引填充，这个工具在提高开发人员能力方面迈出了重要的一步。

http://c.nxw.so/a8I6Y

电网+知识图谱通用组件

9月19日，国网新疆信通故事完成人工智能知识图谱通用组件本地化部署工作。知识图谱是融合人工智能技术与传统数据库的智能数据库，用于大规模知识的结构化管理，将知识图谱与电力领域结合，可使电力系统获得挖掘和分析大规模文本信息中有用知识的能力，串联电力领域内零散知识点充分借助移动互联、人工智能等先进信息与通信技术，实现各种信息传感设备与通信信息资源结合，为电力系统的安全运行、有效管理、精准投资、优质服务提供支撑。

https://t.hk.uy/b5wJ

会议讲座

Conference Lectures

NDBC 2023

第40届中国数据库学术会议（NDBC 2023）将于2023年10月13日至15日在贵州省贵阳市举行。本届大会由中国计算机学会主办，中国计算机学会数据库专业委员会和贵州大学承办，贵州省计算机学会等单位协办。本届大会将主要关注数据库领域所面临的新挑战、新问题和新方向，着力反映我国数据库技术研究的最新进展，为科研院所、科技企业的数据库研究、开发和应用相关人员搭建交流平台。大会期间将设立多个技术论坛，并继续开设“系统演示”主题，开设“研究生论文辅导”研讨班等。届时还将邀请国内外数据库领域著名专家到会作专题报告。我们诚征数据库及其应用领域的论文、专题讨论与系统演示报告等。

详情请访问：https://ccf.org.cn/ndbc2023

CNCC 2023

CNCC2023将于10月26日至28日在沈阳举行，会议期间将举办129场技术论坛，涵盖人工智能、安全、计算+、软件工程、教育、网络、芯片、云计算等30余个方向。其中，“知识图谱+语言模型”赋能通用人工智能技术论坛将于10月26日举办。语言为“形”，知识立“心”，图谱作“骨”。本次技术论坛邀请到来自产学研各界专家，共聚商讨知识图谱和大型语言模型的融合之道，共同探索通用AI的发展新路径。

详情访问：https://ccf.org.cn/cncc2023

NLPCC2023

CCF自然语言处理与中文计算国际会议（NLPCC）将于2023年10月14-15日在广东省佛山市举办。NLPCC是中国计算机联合会自然语言处理技术委员会（CCF-NLP）的年会。NLPCC是自然语言处理（NLP）和中文计算（CC）领域的领先国际会议。NLPCC在CCF推荐的CS会议列表中。它是来自学术界、工业界和政府的研究人员和从业人员分享他们的想法、研究成果和经验，并促进他们在该领域的研究和技术创新的主要论坛。NLPCC历届会议分别在北京（2012年）、重庆（2013年）、深圳（2014年）、南昌（2015年）、昆明（2016年）、大连（2017年）、呼和浩特（2018年）、敦煌（2019年）、郑州（2020年）、青岛（2021年）、桂林（2022年）成功举办。

详情访问：http://tcci.ccf.org.cn/conference/2023/

论文推荐

Recommended papers

Structural Graph Clustering

本周推荐的是发表于SIGMOD 2023上的论文：An Efficient Algorithm for Distance-based Structural Graph Clustering，该文提出一种索引以解决动态图上的历史可达性问题（historical reachability query），作者来自清华大学和香港中文大学。

图聚类（graph clustering）是根据图拓扑结构将图中顶点划分成类，图聚类有广泛的应用（如社交网络中的社区发现，分布网络中的负载均衡和生物网络分析）。结构性图聚类（Structural graph clustering, SCAN）是典型的图聚类算法，其通过两个顶点间一阶邻居的重合比例来计算两个顶点的结构相似性。该方法具有的缺陷一是对于非邻居顶点，它们的结构相似性是零，二是对于有权图来说，仅考虑一阶邻居将忽略边权。

本文提出一种顶点结构相似性计算方法，该方法扩展仅考虑一阶邻居到考虑所有离顶点距离小于d的顶点（d-neighbors），用两个顶点的d-neighbors集合的重合程度来刻画它们之间的结构相似性。但是这种方法对计算提出了挑战，若暴力计算则需要从O(n)顶点出发做最长为d的单源最短路计算，若提前计算较大d的d-neighbors并物化，最差需要O(n^2)的空间开销，而若提前缓存一些顶点间的相似性，由于不同的d对应相似性不同，复用程度有限。为了解决这些问题，本文提出一种近似算法DistanceSCAN来近似计算顶点间的结构相似性，其核心思想是利用全距离-最低k草图（all-distances bottom-k sketches），对于一对点计算复杂度为O(k)。此外，该文还提出利用顶点直方图（每种距离邻居的数目）来剪枝顶点相似性的计算过程。实验结果表明，该文提出方法的据类结果比SCAN更优，且DistanceSCAN比基础算法更加高效。