各企、事业单位：

在数字经济与人工智能深度融合的当下，知识图谱与大模型的协同发展已成为推动技术革新的核心动力‌。知识图谱通过结构化的语义网络描述实体关系，为大模型提供精准的知识底座；而大模型凭借其强大的语言理解与生成能力，为知识图谱的构建、补全和应用注入新的活力‌。二者的互补性不仅体现在技术层面，更在金融、医疗、政务等垂直领域展现出广阔的应用潜力‌。

当前，大模型虽具备海量知识存储能力，但其生成内容的可解释性与事实准确性仍面临挑战‌。知识图谱通过逻辑化的知识表达和推理机制，可有效弥补大模型的“幻觉”缺陷，同时大模型又能为知识图谱的动态更新提供高效的信息抽取手段‌。这种双向赋能关系，既符合《“十四五”数字经济发展规划》中“推动跨媒体知识挖掘与推理”的战略要求‌，也为企业级智能化转型提供了新范式‌。

为积极响应科研及工程技术人员需求，落实人工智能战略部署，加快培养数字技术人才，中国人工智能培训网（http://www.chinaai.org.cn）、北京龙腾亚太教育咨询有限公司、北京龙腾智元信息技术有限公司特举办“知识图谱与大模型核心技术开发与应用研修班”。本次培训由北京龙腾智元信息技术有限公司承办并进行相关费用收取及发票开具。

一、培训专家：

北京理工大学教授，国家自然基金委项目函审专家、国家重点研发计划评审专家、科技部项目评审专家、北京市自然科学基金/重点基金评审专家、博士点基金/博士后基金评审专家，国际期刊NLPR主编，以及其它期刊编委。目前主要从事大语言模型、机器学习、模式识别、生成式AI、知识图谱、多模态方面研究。

二、时间地点:

2025年4月17日-2025年4月21日 北京(同时转线上直播)

三、培训亮点:

1.‌技术融合路径‌：探讨知识图谱增强大模型预训练、推理优化的方法论‌，以及大模型驱动知识图谱自动化构建的技术突破‌；

2.‌行业实践场景‌：分析金融风控、智能问答、政务决策等场景中两类技术的协同应用案例‌；

3.‌可信AI建设‌：研究知识图谱如何提升大模型输出的可解释性与合规性，构建安全可靠的人机协作体系‌。

通过系统性梳理知识图谱与大模型的协同演进逻辑，本培训旨在为从业者提供从理论到实践的全链条认知框架，助力企业在智能化浪潮中把握技术融合的战略机遇。

五、费用标准：

A类：5980元/人（含报名费、培训费、资料费、场地费、午餐费、A类证书费）。

B类：8980元/人（含报名费、培训费、资料费、场地费、午餐费、A类证书费、B类证书费）。

注：住宿可统一安排，食宿费用自理

1、培训费由组织培训班的施教机构负责收取并提供培训发票。

2、报名5人以上可享受9折优惠，报名8人以上享受8.8折优惠。

3、B类证书费不享受优惠。

4、参加线上、线下培训学员均可享受视频录播回放权益，及本人再次免费参加线下同主题课程学习权益。

六、颁发证书：

A类、参加相关培训并通过考核的学员，由北京龙腾亚太教育咨询有限公司颁发《知识图谱与大模型核心技术开发与应用》培训结业证书。

B类、参加相关培训并通过考核的学员，由工业和信息化部教育与考试中心颁发《人工智能机器视觉应用》（高级）职业技能证书，可通过工业和信息化部教育与考试中心官方网站查询，并纳入工信部教育与考试中心人才库，该证书可作为有关单位职称评定、专业技术人员能力评价、考核和任职的重要依据。

注：报到时请提交电子版彩照（大于20KB，红蓝底皆可）、身份证复印件和学历证明复印件各一份。

七、注意事项

1、指定报名邮箱：2044115758@qq.com。

2、报名成功后，会务组在报到前一周发具体报到通知及行车路线。

3、参会学员需自备电脑一台，配置win10、64位系统、8G及以上内存、硬盘空间预留100G。

附件1：具体课程安排

一、知识图谱概论

1.知识图谱的起源和历史

2.知识图谱的发展史—从框架、本体论、语义网、链接数据到知识图谱

3.知识图谱的本质和价值

4.知识图谱VS传统知识库VS关系数据库

5.经典的知识图谱

a.经典的CYC, WordNnet, WikiData, DBpedia, YAGO, NELL等知识库

b.行业知识图谱：Google知识图谱，微软实体图，阿里知识图谱，
医学知识图谱，基因知识图谱等知识图谱项目

6大模型与知识图谱

二、知识图谱应用

1.知识图谱应用场景

2.知识图谱应用简介

a.知识图谱在数字图书馆上的应用

b.知识图谱在国防、情报、公安上的应用

c.知识图谱在金融上的应用

d.知识图谱在电子商务中的应用

e.知识图谱在农业、医学、法律等领域的应用

f.知识图谱在制造行业的应用

g.知识图谱在大数据融合中的应用

h.知识图谱在人机交互（智能问答）中的应用

三、知识图谱基础

1.知识表示

a.知识表示概念

b.知识表示方法

(语义网络、产生式规则 、框架系统 、描述逻辑 、本体、RDF和R DFS、OWL和OWL2 Fragments、

SPARQL查询语言 、Json-LD RDFa HTML5 MicroData等新型知识表示）

c.典型知识库项目的知识表示

d.知识建模方法学

2.知识抽取

a.知识抽取基本问题

(实体识别、关系抽取 、事件抽取）

b.数据采集和获取

c.面向结构化数据的知识抽取

(D2RQ 、R2RML）

d.面向半结构化数据的知识抽取

(基于正则表达式的方法 、基于包装器的方法）

e.面向非结构化数据的知识抽取

(实体识别技术-基于规则、机器学习、深度学习、半监督学习、 预训练等方法

关系抽取技术-基于模板、监督、远程监督、深度学习等方法

事件抽取技术-基于规则、深度学习、强化学习等方法）

3.知识融合

a.知识融合背景

b.知识异构原因分析

c.知识融合解决方案分析

d.本体对齐基本流程和常用方法

(基于文本的匹配、基于图结构的匹配、基于外部知识库的匹配、不平衡本体匹配、跨语言本体匹配、

弱信息本体匹配）

e.实体匹配基本流程和常用方法

(基于相似度的实例匹配、基于规则或推理的实体匹配、基于机器学习的实例匹配、.大规模知识图谱的

实例匹配）

4.知识推理

a.知识图谱中的推理技术概述

b.归纳推理：学习推理规则

(归纳逻辑程设计、关联规则挖掘、路径排序算法）

上机实践案例：利用AMIE+算法完成Freebase数据上的关联规则挖掘

c.演绎推理：推理具体事实

(马尔可夫逻辑网、概率软逻辑）

d.基于分布式表示的推理

(TransE模型及其变种、RESCAL模型及其变种、(深度)神经网络模型、表示学习模型训练）

四、图数据库

1.图数据库简介

2.图数据库的存储

a.基于表结构的存储

b.基于图结构的存储

3.图数据库的检索

a.SPARQL语言

b.其它语言（如Cypher）

五、大模型基础

1.大模型概述

a.大模型的简介

(大模型的发展历程、大模型的应用领域）

b.预训练语言模型

(预训练语言模型的原理、预训练语言模型的架构、预训练语言模型的应用）

c.大模型的训练、微调与量化

(大模型的训练集、大模型的优化技术）

d.大模型的应用

(大模型在自然语言处理中的应用、大模型在计算机视觉中的应用、大模型在多模态学习中的应用)

六、基于大模型的知识图谱

1.基于大模型的知识抽取

a.基于大模型的实体识别

b.基于大模型的关系抽取

c.基于大模型的事件抽取

2.基于大模型的知识融合

a.基于大模型的实体对齐

b.基于大模型的关系对齐

c.基于大模型的知识图谱融合

3.基于大模型的知识图谱补全

a.基于大模型的实体补全

b.基于大模型的关系补全

4.基于大模型的知识图谱推理

a.基于大模型的知识图谱推理方法

(基于大模型的规则推理、基于大模型的案例推理、基于大模型的图神经网络推理)

b.基于大模型的知识图谱推理应用

(基于大模型的问答系统、基于大模型的决策支持系统)

5.基于大模型的知识图谱应用

a.基于大模型的知识图谱在搜索引擎中的应用

b.基于大模型的知识图谱在智能客服中的应用

c.基于大模型的知识图谱在金融风控中的应用

d.基于大模型的知识图谱在医疗健康中的应用

e.基于大模型的知识图谱在教育领域的应用

七、实操

1.实验环境搭建

2.大模型实操（跨模态融合）

3.知识表示和知识建模实践d.知识抽取实验

4.知识融合实验f.知识图谱推理实验

5.知识图谱应用实验