🧠🤖 Как создать память для вашего чат-бота на Python с помощью графов знаний

Хотите, чтобы ваш чат-бот давал более точные и релевантные ответы, избегая «галлюцинаций»? Графы знаний в помощь!

Ключевые идеи статьи Augmenting Gemini-1.0-Pro with Knowledge Graphs via LangChain

• Узлы – отдельные сущности или концепции предметной области. Например, «Альберт Эйнштейн», «Теория относительности», «Физика» и т. д.
• Ребра – связи между узлами, которые описывают отношения между сущностями. Например, «Альберт Эйнштейн» – «разработал» – «Теория относительности».
• Типы узлов и связей – позволяют категорировать сущности (персоны, концепции, места и т.д.) и отношения между ними (родственные, временные, иерархические и др.)
• Веса связей – числовые значения, указывающие на важность или релевантность связей между узлами.

Пример графа знаний

🐍 Библиотека питониста

Больше полезных материалов вы найдете на нашем телеграм-канале «Библиотека питониста»

🐍🎓 Библиотека собеса по Python

Подтянуть свои знания по Python вы можете на нашем телеграм-канале«Библиотека собеса по Python»

🐍🧩 Библиотека задач по Python

Интересные задачи по Python для практики можно найти на нашем телеграм-канале«Библиотека задач по Python»

Графы знаний используются в поисковых системах, электронной коммерции, биоинформатике, научных исследованиях и многих других сферах, где требуется систематизация и анализ больших объемов структурированных и неструктурированных данных. С их помощью можно создать контекстную память для чат-бота, и это значительно улучшит качество его работы:

• Снизит уровень галлюцинаций.
• Повысит релевантность и точность ответов LLM.
• Даст модели возможность корректно обрабатывать данные, которых она не знает.

Подробный туториал показывает, как именно это сделать – на примере данных из Википедии и Gemini Pro. В этой публикации:

• Описывается процесс создания графа знаний путем анализа страниц Википедии, извлечения концепций, связей между ними и весов этих связей на основе статистики упоминаний на страницах.
• Приводится подробный код на Python для реализации этого процесса с использованием библиотек Wikipedia, Pandas, NetworkX и др.
• Демонстрируется визуализация полученного графа знаний.
• Показано, как интегрировать полученный граф знаний с LangChain для использования в качестве контекстной памяти для большой языковой модели Gemini-1.0-Pro от Google.

Визуализация готового графа знаний

***

Не хочу читать статьи, хочу выучить высшую математику. Что делать?

Поднять уровень знаний на нашем курсе «математика для Data Science».

Вы научитесь решать задачи, которые дают на собеседованиях в компании размера FAANG. Курс также идеально подходит к поступлению в Школу анализа данных Яндекса. Программа разработана преподавателями ВМК МГУ, одного из лучших математических факультетов страны

Основные темы:

• Начала теории множеств.
• Геометрическая прогрессия. Векторы.
• Теория вероятностей. Рациональные уравнения.
• Алгебраические уравнения.
• Иррациональные уравнения. Графический способ решения систем.
• Неравенства.
• Функции, график и свойства.
• Графики функций и их преобразования.
• Производная, исследование функций.
• Исследование функций. Интеграл.

Oh my God, хочу записаться

(function () { let link = document .getElementById ("c6ba2b07-2d26-4182-912b-8cda81fe7cc9-https://proglib.io/w/45bab00f-18"); if (! link) return; let href = link .getAttribute ("href"); if (! href) return; let prefix = link .dataset .prefix; let action = link .dataset .action; link .addEventListener ("click", function (e) { let data = new FormData (); data .append ("url", href); apiFetch (action, { method: "POST", body: data }) .then (function (res) {}) .catch (function (err) { console .error (err); }); }) })();