如何从 PDF 构建金融知识图谱?
LandingAI 黑客松项目 ArthaNethra 展示了从 PDF 到可查询、可溯源、可推理的知识图谱的完整流程:上传 → ADE 提取 → 归一化 → 双库索引 → 风险检测。
入选理由:使用 LandingAI ADE 实现结构化提取,>15MB 文档走异步 + 指数退避机制
产品
图数据库系统,用于优化访问关系查询
已跟踪 24 条高相关材料
最近变化
2026-11-12 · GraphRAG利用知识图谱连接分散信息,提升复杂查询准确性达30%以上
为什么值得关注
Neo4j 被反复提及时,通常意味着它正在影响产品路线、开发者工作流或 AI 产业判断。这个页面把分散材料合并成一个可持续更新的观察入口。
如何从 PDF 构建金融知识图谱? LandingAI 黑客松项目「ArthaNethra」,展示了从 PDF 到可查询、可溯源、可推理的知识图谱的完整流程: 上传 → ADE 提取 → 归一化 →...
meng shao(@shao__meng) · 9.2 分
LandingAI 黑客松项目 ArthaNethra 展示了从 PDF 构建金融知识图谱的端到端流程:上传 → ADE 提取 → 归一化 → 双库索引 → 风险检测,支持 10 类实体、26 种关系,结合 Weaviate(语义检索)与 Neo4j(图遍历),实现可查询、可溯...
Building Graph-Enhanced GenAI Applications with graphrag-toolkit
KDnuggets · 8.5 分
GraphRAG通过知识图谱增强检索,解决传统RAG在处理复杂关系查询时的不足,AWS开源工具链实现多跳研究助手构建。
Article: Identity as an Architectural Concern: Enterprise IAM Beyond Authentication
InfoQ · 8.5 分
企业级身份管理需作为架构核心设计,超越认证涉及数据模型、图数据库应用及撤销流程优化。
已收录 24 条与 Neo4j 相关的内容,按评分排序。
LandingAI 黑客松项目 ArthaNethra 展示了从 PDF 到可查询、可溯源、可推理的知识图谱的完整流程:上传 → ADE 提取 → 归一化 → 双库索引 → 风险检测。
入选理由:使用 LandingAI ADE 实现结构化提取,>15MB 文档走异步 + 指数退避机制
GraphRAG通过知识图谱增强检索,解决传统RAG在处理复杂关系查询时的不足,AWS开源工具链实现多跳研究助手构建。
入选理由:GraphRAG利用知识图谱连接分散信息,提升复杂查询准确性达30%以上
企业级身份管理需作为架构核心设计,超越认证涉及数据模型、图数据库应用及撤销流程优化。
入选理由:初始设计阶段需让身份影响数据模型,图数据库可将访问查询效率提升至单次遍历。
知识图谱能有效检测传统方法遗漏的财务欺诈模式,Neo4j实现的流水线可揭示多实体关联。
入选理由:传统规则引擎无法检测25个供应商汇入同一账户的协同欺诈模式
本体论通过提供逻辑约束,成为AI代理系统的关键技术,结合语义网复兴神经符号AI范式。
入选理由:本体论为AI代理提供确定性边界,避免概率推理失控
AI记忆技术正从简单存储进化为融合RAG、GraphRAG和短期记忆的知识图谱系统,Qdrant与Neo4j协同实现向量与图关系存储,TurboQuant量化技术显著优化知识图谱效率。
入选理由:Cognee通过Qdrant存储向量、Neo4j存储图关系,实现知识图谱自动构建
Milvus团队开发了一种无需图数据库的多跳RAG方法,通过向量存储和ID交叉引用实现高效推理,降低API成本并提升性能。
入选理由:Vector Graph RAG使用三个Milvus集合存储实体、关系和段落,通过ID交叉引用构建图结构。
MAPFRE USA通过AWS EMR Serverless和Neo4j结合图分析与机器学习,提升欺诈检测效率,节省超500万美元。
入选理由:结合图分析与机器学习模型,欺诈检测准确率提升30%以上
图数据库在处理高度关联数据时优于传统关系型数据库,Neo4j 是 Java 开发者建模关系的实用工具。
入选理由:图数据库更适合处理高度关联的数据,避免了传统数据库中复杂的关联表问题。
Qdrant 提出了一种结合 Neo4j 图治理层的架构,实现符合企业政策的向量检索。
入选理由:企业级 AI 需要结合向量检索与图治理层以确保合规性。
在2026年启动时,用户需要安装MCP服务器以让LLM代理与系统交互。
入选理由:MCP design allows agents to pick the right tool from a menu without needing to build complex tools.
Graph RAG 通过结合向量与知识图谱,显著提升企业级 AI 的准确性,解决模型因训练数据过时导致的上下文腐烂问题。
入选理由:Graph RAG 结合向量与知识图谱,减少上下文腐烂,提升企业级 AI 准确性。
文章提出通过钩子实现跨代理的统一记忆层,提升代码工具的可移植性和数据一致性。
入选理由:使用钩子实现跨代理共享记忆层
Agent仅靠文档检索(如RAG)无法支撑高质量决策,必须引入含决策轨迹、因果链与先例的上下文图,才能实现可解释、高准确率的自主决策;Neo4j提供工具链支持快速构建。
入选理由:上下文图(context graph)不仅包含实体与事实,更整合决策轨迹、因果链和历史先例,使Agent能回答‘为何拒绝/接受’而非仅‘是什么’。
Stephen Chin 将在 Vector Space Day 上发表演讲,讨论上下文图如何提供代理所需的关系理解,使其能够进行推理。
入选理由:上下文图提供代理所需的关系理解,使其能够进行推理。
上下文图谱在知识图谱基础上嵌入决策规则与策略,使AI代理不仅具备知识,更能理解‘为何行动’,实现可解释的上下文驱动决策。
入选理由:Context graphs add policy/rule layers atop knowledge graphs to answer the 'why' behind agent decisions, not just the 'what'.
GraphRAG通过图数据增强模型准确性,但需警惕代理错误信任证据。
入选理由:GraphRAG结合图数据库提升模型上下文理解能力
该推文为AI与图数据库领域活动预告,但缺乏技术深度和实用价值。
入选理由:该推文为AI与图数据库领域活动预告,但缺乏技术深度和实用价值
Qdrant与Neo4j在旧金山科技周举办工程师辩论活动,探讨争议性技术话题。
入选理由:活动时间为2026年10月9日,地点在旧金山。
AI Engineer Kids Day 是一项面向9-15岁儿童的编程活动,无需编码经验,由 Neo4j 和 Cassandraonjava 联合举办。
入选理由:活动时间为2026年10月11日,适合9-15岁儿童参与
推文内容为AI与图数据库领域活动宣传,未提供技术细节或工程实践指导。
入选理由:文章本质是活动直播预告,缺乏技术深度
文章仅列出AI Engineer World's Fair的铂金赞助商名单,缺乏技术深度和实用信息。
入选理由:文章未提供技术细节或工程实践内容。
这是一则关于技术大会的推广信息,宣布Qdrant将举办关于向量搜索、AI内存、上下文工程等方面的技术讲座。
入选理由:Qdrant将举办技术大会聚焦向量搜索和AI基础设施
无法获取文章内容,目标链接返回429错误,页面被Google拦截请求。
入选理由:无法获取文章内容,目标链接返回429错误,页面被Google拦截请求