在大规模标记属性图上优化算法的研究很少。在这里，我们提出了两种优化方法，并将它们与直接查询图数据库的简单方法进行了比较。我们工作的目的是确定像Neo4j这样的图形数据库的限制因素，我们描述了一个解决这些挑战的新方案。

详细介绍小鼠脑图谱，包括bregma点和lambda，是很有意义的资源

对知识图谱感兴趣的朋友。内容包括1知识图谱的起源和概念2知识图谱的应用场景3知识图谱的构建方法4知识图谱的技术基础5从知识图谱到认知图谱6在图上轻松学习深度学习：DGL(DEEP GRAPH LIBRARY)中使用TensorFlow的案例

想知道知识图谱如何助力工业智造，请查看以下内容：知识图谱的概念、应用场景、构建方法和技术基础；案例1：分析石油化工过程影响因子；案例2：整合设备制造商全数据链；案例3：整合钢铁生产知识

知识图谱一直是学术界和工业界关注的热点。随着AAAI2020的到来，以下整理了最新10篇关于知识图谱的论文，来自清华大学、中科大、北航、中山大学、UCL、Facebook、腾讯、阿里巴巴等，包含义原知识图谱、知识图谱表示学习、知识迁移、知识图谱层次表示、常识知识图谱补全等，请大家查看！

python+Neo4j+flask,汽车行业知识图谱项目实战视频+源码(不加密).txt

将知识图谱作为辅助信息引入到推荐系统中，可以有效地增强推荐系统的学习能力，提高推荐系统的精准度和用户满意度。针对知识图谱上的偏好传播问题，提出一种基于知识图谱用户偏好传播的实体推荐模型，目的是在传播偏好的同时兼顾传播强度，提高推荐效果。通过提取不同特定属性的基本特征控制用户偏好在知识图谱上的传播强度，然后根据每个用户的历史偏好传播强度在知识图谱上迭代计算，得到用户—项目对的偏好传播模型，最终通过排序学习进行top N推荐。最后，在三个不同类型数据集上的对比实验验证该模型算法的有效性。实验证明，在偏好传播的同时控制传播强度可以很好地提升推荐系统的准确率、召回率以及F1值，同时具有很强的灵活性和可解释性。

资源来自CSDN:http://geek.csdn.net/news/detail/110921 50份高清知识图谱,只为分享传播,不需资源分

基于金融知识图谱的反欺诈应用

从无到有搭建一个医疗领域知识图谱(知识图谱规模较小)，并基于此知识图谱搭建问答系统实现自动问题解析和回答。