飞豹客 · 课能看,资料也能带走
飞豹客AI

知识图谱实战系列(Python版)

这门课值不值得学:先看它解决什么问题 很多做后端、数据分析或爬虫的同学,业务做到一定阶段会遇到瓶颈:系统能存数据、能跑报表,但没法回答“这两个实体之间有什么潜在关联”“怎么从一堆非结构化文本里抽出关系网络”。知识图谱就是解决这类问题的技术手段。这门 Python 版实战课的场景很明确,不是讲高深理论

单课价¥39.00新品 上架
会员价¥7.80开通会员,全站课程按会员价下载套餐详情
0 人关注 更新于 2026-10-21 永久有效
发货

网盘链接 · 支付成功后自动发货

保障

永久有效 · 链接失效免费补发

客服

每日 9:00-21:00 在线客服 联系客服

购买本课销量 0 · 永久有效
会员价 · 单课标价 ¥39.00

会员 · 按档位

永久¥19.505折
年¥23.406折
月¥27.307折

游客按标价购买,不享受上表折扣。

支付成功后自动发放网盘链接,链接失效可找客服免费补

正版保障 极速发货 售后无忧

这门课值不值得学:先看它解决什么问题

很多做后端、数据分析或爬虫的同学,业务做到一定阶段会遇到瓶颈:系统能存数据、能跑报表,但没法回答“这两个实体之间有什么潜在关联”“怎么从一堆非结构化文本里抽出关系网络”。知识图谱就是解决这类问题的技术手段。这门 Python 版实战课的场景很明确,不是讲高深理论,而是带你把散落的文本、表格数据,变成能查询、能推理的关系网络。它对应的实际工作是:给搜索系统加一层语义理解、给金融风控做关联方穿透、给医疗或推荐系统补上常识推理能力。如果你当前的项目还停留在“存数据、查数据”的阶段,想往“理解数据关系”走一步,这门课的切入点是合适的。

适合什么基础,建议先看哪几块

这门课默认你已经能熟练写 Python,懂基本的爬虫和数据处理,但对 NLP 和图数据库接触不多。如果你连 Python 基础语法都要查文档,建议先补基础再来,否则中后段的抽取和建模会卡住。拿到资料后,不要从头按顺序看。建议先看第一章里讲应用场景的几节,重点看医疗、金融、推荐这几个领域的实例,确认你关心的问题是不是这门课能覆盖的。然后直接跳到第二章的技术点分析,看数据关系抽取和常用 NLP 技术点这两块,这两节决定了你后续能不能跟上代码实操。第一章最后那节讲数据获取的也要认真看,因为实战项目里数据源的质量直接决定图谱能跑出什么效果。

学完能独立做什么,资料怎么配合练习

学完之后,你应该能独立完成一个小型图谱项目的搭建:从原始数据采集、文本预处理、实体和关系抽取,到用 Python 把数据灌进图数据库,最后写查询脚本验证结果。比如给你一批企业工商信息文本,你能抽出“某公司投资了某公司”“某人是某公司高管”这类关系,并做成可查询的网络。练习时,资料里的代码示例不要直接复制运行就完事,每跑通一个模块,自己换一批同类型的数据再跑一次,看抽取逻辑是不是还成立。这门课的价值在于让你走通完整流程,真正落地时换数据、换领域,比把示例跑熟更重要。

课程目录

课程目录93 集
  • 1-1 [知识图谱介绍及其应用领域分析] 课程介绍 (09:40).mp4
  • 1-2 [知识图谱介绍及其应用领域分析] 知识图谱通俗解读 (07:55).mp4
  • 1-3 [知识图谱介绍及其应用领域分析] 知识图谱在搜索引擎中的应用 (08:08).mp4
  • 1-4 [知识图谱介绍及其应用领域分析] 知识图谱在医疗领域应用实例 (13:24).mp4
  • 1-5 [知识图谱介绍及其应用领域分析] 金融与推荐领域的应用 (08:31).mp4
  • 1-6 [知识图谱介绍及其应用领域分析] 数据获取分析 (10:20).mp4
  • 2-1 [知识图谱涉及技术点分析] 数据关系抽取分析 (08:34).mp4
  • 2-2 [知识图谱涉及技术点分析] 常用NLP技术点分析 (08:26).mp4
  • 2-3 [知识图谱涉及技术点分析] graph-embedding的作用与效果 (09:37).mp4
  • 2-4 [知识图谱涉及技术点分析] 金融领域图编码实例 (04:30).mp4
  • 2-5 [知识图谱涉及技术点分析] 视觉领域图编码实例 (07:18).mp4
  • 2-6 [知识图谱涉及技术点分析] 图谱知识融合与总结分析 (08:07).mp4
  • 3-1 [Neo4j数据库实战] Neo4j图数据库介绍 (08:33).mp4
  • 3-2 [Neo4j数据库实战] Neo4j数据库安装流程演示 (07:09).mp4
  • 3-3 [Neo4j数据库实战] 可视化例子演示 (09:08).mp4
  • 3-4 [Neo4j数据库实战] 创建与删除操作演示 (08:40).mp4
  • 3-5 [Neo4j数据库实战] 数据库更改查询操作演示 (08:35).mp4
  • 4-1 [使用python操作neo4j实例] 使用Py2neo建立连接 (05:55).mp4
  • 4-2 [使用python操作neo4j实例] 提取所需的指标信息 (07:57).mp4
  • 4-3 [使用python操作neo4j实例] 在图中创建实体 (07:36).mp4
  • 4-4 [使用python操作neo4j实例] 根据给定实体创建关系 (08:35).mp4
  • 5-1 [基于知识图谱的医药问答系统实战] 项目概述与整体架构分析 (07:31).mp4
  • 5-2 [基于知识图谱的医药问答系统实战] 医疗数据介绍及其各字段含义 (07:25).mp4
  • 5-3 [基于知识图谱的医药问答系统实战] 任务流程概述 (05:47).mp4
  • 5-4 [基于知识图谱的医药问答系统实战] 环境配置与所需工具包安装 (06:35).mp4
  • 5-5 [基于知识图谱的医药问答系统实战] 提取数据中的关键字段信息 (11:35).mp4
  • 5-6 [基于知识图谱的医药问答系统实战] 创建关系边 (08:17).mp4
  • 5-7 [基于知识图谱的医药问答系统实战] 打造医疗知识图谱模型 (10:54).mp4
  • 5-8 [基于知识图谱的医药问答系统实战] 加载所有实体数据 (06:52).mp4
  • 5-9 [基于知识图谱的医药问答系统实战] 实体关键词字典制作 (08:36).mp4
  • 5-10 [基于知识图谱的医药问答系统实战] 完成对话系统构建 (09:02).mp4
  • 6-1 [文本关系抽取实践] 关系抽取要完成的任务演示与分析 (05:07).mp4
  • 6-2 [文本关系抽取实践] LTP工具包概述介绍 (08:33).mp4
  • 6-3 [文本关系抽取实践] pyltp安装与流程演示 (07:16).mp4
  • 6-4 [文本关系抽取实践] 得到分词与词性标注结果 (06:41).mp4
  • 6-5 [文本关系抽取实践] 依存句法概述 (05:46).mp4
  • 6-6 [文本关系抽取实践] 句法分析结果整理 (09:12).mp4
  • 6-7 [文本关系抽取实践] 语义角色构建与分析 (11:00).mp4
  • 6-8 [文本关系抽取实践] 设计规则完成关系抽取 (09:23).mp4
  • 7-1 [金融平台风控模型实践] 竞赛任务目标 (05:36).mp4
  • 7-2 [金融平台风控模型实践] 图模型信息提取 (08:58).mp4
  • 7-3 [金融平台风控模型实践] 节点权重特征提取(PageRank) (10:22).mp4
  • 7-4 [金融平台风控模型实践] deepwalk构建图顶点特征 (10:33).mp4
  • 7-5 [金融平台风控模型实践] 各项统计特征 (06:43).mp4
  • 7-6 [金融平台风控模型实践] app安装特征 (06:28).mp4
  • 7-7 [金融平台风控模型实践] 图中联系人特征 (06:54).mp4
  • 8-1 [医学糖尿病数据命名实体识别] 数据与任务介绍 (07:03).mp4
  • 8-2 [医学糖尿病数据命名实体识别] 整体模型架构 (04:48).mp4
  • 8-3 [医学糖尿病数据命名实体识别] 数据-标签-语料库处理 (10:15).mp4
  • 8-4 [医学糖尿病数据命名实体识别] 输入样本填充补齐 (09:24).mp4
  • 8-5 [医学糖尿病数据命名实体识别] 训练网络模型 (10:00).mp4
  • 8-6 [医学糖尿病数据命名实体识别] 医疗数据集(糖尿病)实体识别 (09:57).mp4
  • 9-1 [基于图模型的行人重识别架构分析] 行人重识别要解决的问题 (06:00).mp4
  • 9-2 [基于图模型的行人重识别架构分析] 挑战与困难分析 (12:14).mp4
  • 9-3 [基于图模型的行人重识别架构分析] 评估标准rank1指标 (04:03).mp4
  • 9-4 [基于图模型的行人重识别架构分析] map值计算方法 (05:42).mp4
  • 9-5 [基于图模型的行人重识别架构分析] triplet损失计算实例 (09:40).mp4
  • 9-6 [基于图模型的行人重识别架构分析] Hard-Negative方法应用 (09:28).mp4
  • 9-7 [基于图模型的行人重识别架构分析] 关键点位置特征构建 (06:52).mp4
  • 9-8 [基于图模型的行人重识别架构分析] 图卷积与匹配的作用 (07:51).mp4
  • 9-9 [基于图模型的行人重识别架构分析] 局部特征热度图计算 (08:39).mp4
  • 9-10 [基于图模型的行人重识别架构分析] 基于图卷积构建人体拓扑关系 (10:10).mp4
  • 9-11 [基于图模型的行人重识别架构分析] 图卷积模块实现方法 (08:56).mp4
  • 9-12 [基于图模型的行人重识别架构分析] 图匹配在行人重识别中的作用 (05:51).mp4
  • 9-13 [基于图模型的行人重识别架构分析] 整体算法框架分析 (08:09).mp4
  • 10-1 [基于拓扑图的行人重识别项目实战] 数据集与环境配置概述 (08:02).mp4
  • 10-2 [基于拓扑图的行人重识别项目实战] 局部特征准备方法 (07:28).mp4
  • 10-3 [基于拓扑图的行人重识别项目实战] 得到一阶段热度图结果 (08:54).mp4
  • 10-4 [基于拓扑图的行人重识别项目实战] 阶段监督训练 (13:24).mp4
  • 10-5 [基于拓扑图的行人重识别项目实战] 初始化图卷积模型 (10:25).mp4
  • 10-6 [基于拓扑图的行人重识别项目实战] mask矩阵的作用 (07:05).mp4
  • 10-7 [基于拓扑图的行人重识别项目实战] 邻接矩阵学习与更新 (10:20).mp4
  • 10-8 [基于拓扑图的行人重识别项目实战] 基于拓扑结构组合关键点特征 (12:32).mp4
  • 10-9 [基于拓扑图的行人重识别项目实战] 图匹配模块计算流程 (13:57).mp4
  • 10-10 [基于拓扑图的行人重识别项目实战] 整体项目总结 (08:56).mp4
  • 11-1 [基础补充-RNN与序列网络架构分析] 序列网络模型概述分析 (08:57).mp4
  • 11-2 [基础补充-RNN与序列网络架构分析] 工作原理概述 (03:51).mp4
  • 11-3 [基础补充-RNN与序列网络架构分析] 注意力机制的作用 (06:00).mp4
  • 11-4 [基础补充-RNN与序列网络架构分析] 加入attention的序列模型整体架构 (09:23).mp4
  • 11-5 [基础补充-RNN与序列网络架构分析] TeacherForcing的作用与训练策略 (07:11).mp4
  • 11-6 [基础补充-RNN与序列网络架构分析] 额外补充-RNN网络模型解读 (11:52).mp4
  • 12-1 [算法补充-卷积神经网络原理与参数解读] 卷积神经网络应用领域 (07:24).mp4
  • 12-2 [算法补充-卷积神经网络原理与参数解读] 卷积的作用 (09:23).mp4
  • 12-3 [算法补充-卷积神经网络原理与参数解读] 卷积特征值计算方法 (08:07).mp4
  • 12-4 [算法补充-卷积神经网络原理与参数解读] 得到特征图表示 (06:58).mp4
  • 12-5 [算法补充-卷积神经网络原理与参数解读] 步长与卷积核大小对结果的影响 (08:11).mp4
  • 12-6 [算法补充-卷积神经网络原理与参数解读] 边缘填充方法 (06:30).mp4
  • 12-7 [算法补充-卷积神经网络原理与参数解读] 特征图尺寸计算与参数共享 (07:02).mp4
  • 12-8 [算法补充-卷积神经网络原理与参数解读] 池化层的作用 (05:38).mp4
  • 12-9 [算法补充-卷积神经网络原理与参数解读] 整体网络架构 (06:20).mp4
  • 12-10 [算法补充-卷积神经网络原理与参数解读] VGG网络架构 (06:16).mp4
  • 12-11 [算法补充-卷积神经网络原理与参数解读] 残差网络Resnet (07:41).mp4
  • 12-12 [算法补充-卷积神经网络原理与参数解读] 感受野的作用 (05:46).mp4