当天学会了一招比拟适用的技巧，应用 AI 来帮咱们整顿实体及其相关，最后再基于整顿成功消息制造常识图谱，不论是一些资料还是一段内容，都可以轻松成功。
这里咱们先繁难讲下实体识别和相关抽取的概念。
构想一下，你正在阅读一本侦探小说。在小说中，侦探须要识别出各种人物（实体）和他们之间的咨询（相关）。
繁难来说，实体识别就是找出文本中的“谁”和“什么”，而相关抽取则是找出“谁和谁之间是什么相关”。这在人造言语解决中是十分关键的，由于它协助计算机了解文本的含意，就像侦探了解案件的线索一样。
接上去以 Kimi 启动展现，让 Kimi 间接基于网络搜查启动主体相应内容的实体及相关生成。
揭示词：从网络搜查【】相关消息并将识别到的内容与实体之间的相关依照谨严的实体相关三元组的形式启动前往，规定是：实体，相关名，实体，输入格局为 表格这里也可以上行相应的资料文件，只需你知道内容的主体即可启动实体识别和相关抽取从而生成相关表格。
当咱们拿到的关键的实体及之间的相关消息后，就可以制造常识图谱了。揭示词最关键的就一句话：
基于以上消息经常使用 Mermaid 语法，创立一个结构化的 Mindmap 来展现 Kimi 的相关消息将表格的消息复制进去，加上上述的揭示词即可，最后就能获取一张十分直观的常识图谱。
当然假设对常识图谱的内容不满意，咱们也可以点击CODE按钮将代码复制到上启动修正。
在 mermaidchart 上咱们就可以十分繁难的调整细节内容，优化全体常识图谱啦！
全体的操作十分繁难，然而成果很好且十分适用，遇到常识内容都可以轻松制形成常识图谱。
本文转载自，作者：
© 版权声明