知识图谱的展示要领、装置、电子装备及可读存储介质-明略科技

首页明略研究知识图谱的展示要领、装置、电子装备及可读存储介质

知识图谱的展示要领、装置、电子装备及可读存储介质

2022-03-01

本申请提供了知识图谱的展示要领、装置、电子装备及可读存储介质，，，，，获取待扩展知识图谱的与目的实体相关联的至少一个扩展实体并确定新增知识图谱的扩展面积；；；；；基于待扩展知识图谱的图谱面积、扩展面积、待扩展知识图谱与新增知识图谱之间的图谱位置关系，，，，，将新增知识图谱展示在图谱展示区域中的目的展示区域内，，，，，展示扩展后的目的知识图谱。。。。。。。。这样，，，，，在扩展知识图谱时，，，，，凭证原始的待扩展知识图谱的结构方法以及结构结构展示新增知识图谱，，，，，在镌汰知识图谱扩展的处置惩罚办法、以提升效率的同时，，，，，还可以在不更改原有知识图谱的结构方法以及结构结构且不笼罩原有的知识图谱的情形下展示扩展后知识图谱，，，，，提升了知识图谱的展示效果。。。。。。。。

一种知识图谱的展示要领，，，，，其特征在于，，，，，所述展示要领包括：获取待扩展知识图谱中的目的实体的实体关联信息，，，，，进而确定与所述目的实体相关联的至少一个扩展实体；；；；；确定在所述待扩展知识图谱的结构方法下新增知识图谱对应的扩展面积；；；；；所述新增知识图谱是由每一所述扩展实体、所述目的实体与每一所述扩展实体之间的毗连组成的；；；；；基于所述待扩展知识图谱的图谱面积、所述新增知识图谱的扩展面积以及确定出的所述新增知识图谱与所述待扩展知识图谱之间的图谱位置关系，，，，，从图谱展示区域中确定出用于展示所述新增知识图谱的目的展示区域；；；；；所述目的展示区域与所述待扩展知识图谱的初始展示区域不重叠；；；；；将所述新增知识图谱展示在所述目的展示区域内，，，，，并凭证各个扩展实体的实体关联信息，，，，，将各个扩展实体与所述待扩展知识图谱中保存关联关系的实体举行关联后，，，，，天生并展示扩展后的目的知识图谱。。。。。。。。

申请号：CN202210104018.0
申请（专利权）人：btt博天堂
果真日期（果真）：2022.03.01

推荐阅读

全球双榜SOTA！明略科技专有大模子 Mano开启GUI智能操作新时代

2025-09-28

明略科技推出的GUI大模子Mano在Mind2Web和OSWorld两大基准测试中取得了创纪录的SOTA效果，，，，，乐成率抵达40.1%。。。。。。。。通过在线强化学习和自动数据收罗，，，，，Mano为GUI智能体领域提供了可扩展的新范式，，，，，显著提升了重大使命的执行能力。。。。。。。。该手艺的突破不但推动了自动化界线的扩展，，，，，也为企业智能化转型提供了强有力的支持

相识更多

官宣！明略科技推出专有大模子产品线DeepMiner，，，，，可信商业数据剖析智能体终于能用了！

2025-09-22

明略科技推出专有大模子产品线DeepMiner，，，，，以“可信智能体+可信数据”双轮驱动，，，，，解决企业智能体落地中幻觉率高、历程不透明等痛点。。。。。。。。该产品通过多智能体协同架构、企业级数据整合及全流程透明化设计，，，，，降低幻觉率并支持知识沉淀，，，，，其自研Mano和Cito模子划分实现精准执行与深度推理，，，，，助力企业构建可信生产力。。。。。。。。

相识更多

明略科技 Mano Technical Report

2025-09-18

Graphical user interfaces (GUIs) are the primary medium for human-computer interaction, yet automating GUI interactions remains challenging due to the complexity of visual elements, dynamic environments, and the need for multi-step reasoning. Existing methods based on vision-language models (VLMs) often suffer from limited resolution, domain mismatch, and insufficient sequential decisionmaking capability. To address these issues, we propose Mano, a robust GUI agent built upon a multi-modal foundation model pre-trained on extensive web and computer system data. Our approach integrates a novel simulated environment for high-fidelity data generation, a three-stage training pipeline (supervised fine-tuning, offline reinforcement learning, and online reinforcement learning), and a verification module for error recovery. Mano demonstrates state-of-the-art performance on multiple GUI benchmarks, including Mind2Web and OSWorld, achieving significant improvements in success rate and operational accuracy. Our work provides new insights into the effective integration of reinforcement learning with VLMs for practical GUI agent deployment, highlighting the importance of domain-specific data, iterative training, and holistic reward design.

相识更多

上一篇：明略科技形成效劳型企业数字化的要领论闭环

下一篇：明略科技CDP营业赋能企业上升带来营业增添

返回行业资讯