让我们用劳力士的例子来分解这个定义： 唯一标识符=该实体；编号：/m/023_fz 名称 = 劳力士 Type = 这是指语义分类，在本例中为“事物、组织、公司”。 属性 = 这些是实体的特征，例如公司成立时间、总部等。 以劳力士为例，该公司成立于 1905 年，总部位于日内瓦。（以及更多）都将存储在知识图中。
然而知识图谱的神奇部
分是实体之间的关系。 例如，劳力士的所有者汉斯·威尔斯多夫（Hans Wilsdorf）也是一个实体，他出生在库尔姆巴赫（Kulmbach），也是一个 马来电话 实体。 那么，现在我们可以在知识图中看到一些联系。这些联系仍在继续。然而，对于我们的示例，我们仅采用三个实体，即 Rolex、Hans Wilsdorf、Klumbach。
劳力士实体之间的知识图
连接 从这些联系中，我们可以看到品牌成为一个实体并向机器提供所有相关信息是多么重要，这将在“品牌如何最大限度地提高成为聊天机器人或 GenAI 体验的一部分的机会？”部分中展开。 不过，我们首先分析 LaMDA（巴德使用的旧 Google 大语 个适用于 Chromebook 的最佳数学应用 言模型），以了解 GenAI 和知识图谱如何协同工作。 Lambda 和知识图谱 我最近与格里菲斯大学教授 Shiroi Pan 进行了交谈，他是《统一大型语言模型和知识图谱：路线图》论文的首席教授，他证实他也相信谷歌正在使用知识图谱来验证信息。
例如他向我指出了
LaMDA: Language Models for Dialog Applications 文档中的这句话： “我们表明，微调带注释的数据并使模型能够咨询外部知识源可以显着改善安全性和 移动数据库 证据基础这两个主要挑战。 ” 安全性和接地性我就不详细说了，总之，安全意味着模型尊重人的价值观和接地性（这对品牌来说是最重要的），意味着模型要查阅外部知识源（信息检索系统、语言翻译器、计算器）。