[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"similar-xwhan--DeepPath":3,"tool-xwhan--DeepPath":61},[4,18,26,36,44,53],{"id":5,"name":6,"github_repo":7,"description_zh":8,"stars":9,"difficulty_score":10,"last_commit_at":11,"category_tags":12,"status":17},4358,"openclaw","openclaw\u002Fopenclaw","OpenClaw 是一款专为个人打造的本地化 AI 助手，旨在让你在自己的设备上拥有完全可控的智能伙伴。它打破了传统 AI 助手局限于特定网页或应用的束缚，能够直接接入你日常使用的各类通讯渠道，包括微信、WhatsApp、Telegram、Discord、iMessage 等数十种平台。无论你在哪个聊天软件中发送消息，OpenClaw 都能即时响应，甚至支持在 macOS、iOS 和 Android 设备上进行语音交互，并提供实时的画布渲染功能供你操控。\n\n这款工具主要解决了用户对数据隐私、响应速度以及“始终在线”体验的需求。通过将 AI 部署在本地，用户无需依赖云端服务即可享受快速、私密的智能辅助，真正实现了“你的数据，你做主”。其独特的技术亮点在于强大的网关架构，将控制平面与核心助手分离，确保跨平台通信的流畅性与扩展性。\n\nOpenClaw 非常适合希望构建个性化工作流的技术爱好者、开发者，以及注重隐私保护且不愿被单一生态绑定的普通用户。只要具备基础的终端操作能力（支持 macOS、Linux 及 Windows WSL2），即可通过简单的命令行引导完成部署。如果你渴望拥有一个懂你",349277,3,"2026-04-06T06:32:30",[13,14,15,16],"Agent","开发框架","图像","数据工具","ready",{"id":19,"name":20,"github_repo":21,"description_zh":22,"stars":23,"difficulty_score":10,"last_commit_at":24,"category_tags":25,"status":17},3808,"stable-diffusion-webui","AUTOMATIC1111\u002Fstable-diffusion-webui","stable-diffusion-webui 是一个基于 Gradio 构建的网页版操作界面，旨在让用户能够轻松地在本地运行和使用强大的 Stable Diffusion 图像生成模型。它解决了原始模型依赖命令行、操作门槛高且功能分散的痛点，将复杂的 AI 绘图流程整合进一个直观易用的图形化平台。\n\n无论是希望快速上手的普通创作者、需要精细控制画面细节的设计师，还是想要深入探索模型潜力的开发者与研究人员，都能从中获益。其核心亮点在于极高的功能丰富度：不仅支持文生图、图生图、局部重绘（Inpainting）和外绘（Outpainting）等基础模式，还独创了注意力机制调整、提示词矩阵、负向提示词以及“高清修复”等高级功能。此外，它内置了 GFPGAN 和 CodeFormer 等人脸修复工具，支持多种神经网络放大算法，并允许用户通过插件系统无限扩展能力。即使是显存有限的设备，stable-diffusion-webui 也提供了相应的优化选项，让高质量的 AI 艺术创作变得触手可及。",162132,"2026-04-05T11:01:52",[14,15,13],{"id":27,"name":28,"github_repo":29,"description_zh":30,"stars":31,"difficulty_score":32,"last_commit_at":33,"category_tags":34,"status":17},1381,"everything-claude-code","affaan-m\u002Feverything-claude-code","everything-claude-code 是一套专为 AI 编程助手（如 Claude Code、Codex、Cursor 等）打造的高性能优化系统。它不仅仅是一组配置文件，而是一个经过长期实战打磨的完整框架，旨在解决 AI 代理在实际开发中面临的效率低下、记忆丢失、安全隐患及缺乏持续学习能力等核心痛点。\n\n通过引入技能模块化、直觉增强、记忆持久化机制以及内置的安全扫描功能，everything-claude-code 能显著提升 AI 在复杂任务中的表现，帮助开发者构建更稳定、更智能的生产级 AI 代理。其独特的“研究优先”开发理念和针对 Token 消耗的优化策略，使得模型响应更快、成本更低，同时有效防御潜在的攻击向量。\n\n这套工具特别适合软件开发者、AI 研究人员以及希望深度定制 AI 工作流的技术团队使用。无论您是在构建大型代码库，还是需要 AI 协助进行安全审计与自动化测试，everything-claude-code 都能提供强大的底层支持。作为一个曾荣获 Anthropic 黑客大奖的开源项目，它融合了多语言支持与丰富的实战钩子（hooks），让 AI 真正成长为懂上",155373,2,"2026-04-14T11:34:08",[14,13,35],"语言模型",{"id":37,"name":38,"github_repo":39,"description_zh":40,"stars":41,"difficulty_score":32,"last_commit_at":42,"category_tags":43,"status":17},2271,"ComfyUI","Comfy-Org\u002FComfyUI","ComfyUI 是一款功能强大且高度模块化的视觉 AI 引擎，专为设计和执行复杂的 Stable Diffusion 图像生成流程而打造。它摒弃了传统的代码编写模式，采用直观的节点式流程图界面，让用户通过连接不同的功能模块即可构建个性化的生成管线。\n\n这一设计巧妙解决了高级 AI 绘图工作流配置复杂、灵活性不足的痛点。用户无需具备编程背景，也能自由组合模型、调整参数并实时预览效果，轻松实现从基础文生图到多步骤高清修复等各类复杂任务。ComfyUI 拥有极佳的兼容性，不仅支持 Windows、macOS 和 Linux 全平台，还广泛适配 NVIDIA、AMD、Intel 及苹果 Silicon 等多种硬件架构，并率先支持 SDXL、Flux、SD3 等前沿模型。\n\n无论是希望深入探索算法潜力的研究人员和开发者，还是追求极致创作自由度的设计师与资深 AI 绘画爱好者，ComfyUI 都能提供强大的支持。其独特的模块化架构允许社区不断扩展新功能，使其成为当前最灵活、生态最丰富的开源扩散模型工具之一，帮助用户将创意高效转化为现实。",108322,"2026-04-10T11:39:34",[14,15,13],{"id":45,"name":46,"github_repo":47,"description_zh":48,"stars":49,"difficulty_score":32,"last_commit_at":50,"category_tags":51,"status":17},6121,"gemini-cli","google-gemini\u002Fgemini-cli","gemini-cli 是一款由谷歌推出的开源 AI 命令行工具，它将强大的 Gemini 大模型能力直接集成到用户的终端环境中。对于习惯在命令行工作的开发者而言，它提供了一条从输入提示词到获取模型响应的最短路径，无需切换窗口即可享受智能辅助。\n\n这款工具主要解决了开发过程中频繁上下文切换的痛点，让用户能在熟悉的终端界面内直接完成代码理解、生成、调试以及自动化运维任务。无论是查询大型代码库、根据草图生成应用，还是执行复杂的 Git 操作，gemini-cli 都能通过自然语言指令高效处理。\n\n它特别适合广大软件工程师、DevOps 人员及技术研究人员使用。其核心亮点包括支持高达 100 万 token 的超长上下文窗口，具备出色的逻辑推理能力；内置 Google 搜索、文件操作及 Shell 命令执行等实用工具；更独特的是，它支持 MCP（模型上下文协议），允许用户灵活扩展自定义集成，连接如图像生成等外部能力。此外，个人谷歌账号即可享受免费的额度支持，且项目基于 Apache 2.0 协议完全开源，是提升终端工作效率的理想助手。",100752,"2026-04-10T01:20:03",[52,13,15,14],"插件",{"id":54,"name":55,"github_repo":56,"description_zh":57,"stars":58,"difficulty_score":32,"last_commit_at":59,"category_tags":60,"status":17},4721,"markitdown","microsoft\u002Fmarkitdown","MarkItDown 是一款由微软 AutoGen 团队打造的轻量级 Python 工具，专为将各类文件高效转换为 Markdown 格式而设计。它支持 PDF、Word、Excel、PPT、图片（含 OCR）、音频（含语音转录）、HTML 乃至 YouTube 链接等多种格式的解析，能够精准提取文档中的标题、列表、表格和链接等关键结构信息。\n\n在人工智能应用日益普及的今天，大语言模型（LLM）虽擅长处理文本，却难以直接读取复杂的二进制办公文档。MarkItDown 恰好解决了这一痛点，它将非结构化或半结构化的文件转化为模型“原生理解”且 Token 效率极高的 Markdown 格式，成为连接本地文件与 AI 分析 pipeline 的理想桥梁。此外，它还提供了 MCP（模型上下文协议）服务器，可无缝集成到 Claude Desktop 等 LLM 应用中。\n\n这款工具特别适合开发者、数据科学家及 AI 研究人员使用，尤其是那些需要构建文档检索增强生成（RAG）系统、进行批量文本分析或希望让 AI 助手直接“阅读”本地文件的用户。虽然生成的内容也具备一定可读性，但其核心优势在于为机器",93400,"2026-04-06T19:52:38",[52,14],{"id":62,"github_repo":63,"name":64,"description_en":65,"description_zh":66,"ai_summary_zh":66,"readme_en":67,"readme_zh":68,"quickstart_zh":69,"use_case_zh":70,"hero_image_url":71,"owner_login":72,"owner_name":73,"owner_avatar_url":74,"owner_bio":75,"owner_company":76,"owner_location":76,"owner_email":76,"owner_twitter":76,"owner_website":76,"owner_url":77,"languages":78,"stars":87,"forks":88,"last_commit_at":89,"license":76,"difficulty_score":90,"env_os":91,"env_gpu":92,"env_ram":93,"env_deps":94,"category_tags":100,"github_topics":101,"view_count":32,"oss_zip_url":76,"oss_zip_packed_at":76,"status":17,"created_at":106,"updated_at":107,"faqs":108,"releases":139},7460,"xwhan\u002FDeepPath","DeepPath","code and docs for the EMNLP paper \"DeepPath: A Reinforcement Learning Method for Knowledge Graph Reasoning\"","DeepPath 是一款基于深度强化学习的开源工具，专为在大规模知识图谱中进行多跳推理而设计。它主要解决了传统方法在处理复杂关系路径时，难以兼顾推理准确性、路径多样性以及计算效率的难题。\n\n该工具的核心亮点在于提出了一种新颖的策略智能体框架。不同于以往依赖固定规则或简单排序的算法，DeepPath 利用知识图谱嵌入技术构建连续状态空间，让智能体能够在向量空间中自主“探索”，通过采样最有希望的关系来逐步延伸推理路径。其独特的奖励函数机制能同时优化准确率、多样性和效率三个维度，从而在 Freebase 和 NELL 等数据集上取得了优于传统路径排序算法及嵌入方法的性能表现。\n\nDeepPath 非常适合人工智能研究人员、自然语言处理开发者以及数据科学家使用。如果你正在从事知识图谱补全、事实预测或链接预测等相关研究，或者需要复现 EMNLP 2017 论文中的实验结果，DeepPath 提供了完整的数据集接口、训练脚本及评估流程，能帮助你快速验证想法并深入理解强化学习在符号推理中的应用潜力。","# Deep Reinforcement Learning for Knowledge Graph Reasoning\nWe study the problem of learning to reason in large scale knowledge graphs (KGs). More specifically, we describe a novel reinforcement learning framework for learning multi-hop relational paths: we use a policy-based agent with continuous states based on knowledge graph embeddings, which reasons in a KG vector-space by sampling the most promising relation to extend its path. In contrast to prior work, our approach includes a reward function that takes the **accuravy**, **diversity**, and **efficiency** into consideration. Experimentally, we show that our proposed method outperforms a path-ranking based algorithm and knowledge graph embedding methods on Freebase and Never-Ending Language Learning datasets.\n\n## Access the dataset\nDownload the knowledge graph dataset [NELL-995](http:\u002F\u002Fcs.ucsb.edu\u002F~xwhan\u002Fdatasets\u002FNELL-995.zip) [FB15k-237](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1klWL11nW3ZS6b2MtLW0MHnXu-XlJqDyA\u002Fview?usp=sharing)\n\n## How to run our code \n1. unzip the data, put the data folder in the code directory\n2. run the following scripts within `scripts\u002F`\n    *   `.\u002Fpathfinder.sh ${relation_name}`  # find the reasoning paths, this is RL training, it might take sometime\n    *   `.\u002Ffact_prediction_eval.py ${relation_name}` # calculate & print the fact prediction results\n    *   `.\u002Flink_prediction_eval.sh ${relation_name}` # calculate & print the link prediction results\n\n    Examples (the relation_name can be found in `NELL-995\u002Ftasks\u002F`):\n    * `.\u002Fpathfinder.sh concept_athletehomestadium` \n    * `.\u002Ffact_prediction_eval.py concept_athletehomestadium`\n    * `.\u002Flink_prediction_eval.sh concept_athletehomestadium`\n3. Since we already put the reasoning paths in the dataset, you can directly run fact_prediction_eval.py or link_prediction_eval.sh to get the final results for each reasoning task\n\n## Format of the dataset\n1. `raw.kb`: the raw kb data from NELL system\n2. `kb_env_rl.txt`: we add inverse triples of all triples in `raw.kb`, this file is used as the KG for reasoning\n3. `entity2vec.bern\u002Frelation2vec.bern`: transE embeddings to represent out RL states, can be trained using [TransX implementations by thunlp](https:\u002F\u002Fgithub.com\u002Fthunlp\u002FFast-TransX)\n4. `tasks\u002F`: each task is a particular reasoning relation\n    * `tasks\u002F${relation}\u002F*.vec`: trained TransH Embeddings\n    * `tasks\u002F${relation}\u002F*.vec_D`: trained TransD Embeddings\n    * `tasks\u002F${relation}\u002F*.bern`: trained TransR Embedding trained\n    * `tasks\u002F${relation}\u002F*.unif`: trained TransE Embeddings\n    * `tasks\u002F${relation}\u002FtransX`: triples used to train the KB embeddings\n    * `tasks\u002F${relation}\u002Ftrain.pairs`: train triples in the PRA format\n    * `tasks\u002F${relation}\u002Ftest.pairs`: test triples in the PRA format\n    * `tasks\u002F${relation}\u002Fpath_to_use.txt`: reasoning paths found the RL agent\n    * `tasks\u002F${relation}\u002Fpath_stats.txt`: path frequency of randomised BFS\n\n## If you use our code, please cite the paper\n```\n@InProceedings{wenhan_emnlp2017,\n  author    = {Xiong, Wenhan and Hoang, Thien and Wang, William Yang},\n  title     = {DeepPath: A Reinforcement Learning Method for Knowledge Graph Reasoning},\n  booktitle = {Proceedings of the 2017 Conference on Empirical Methods in Natural Language Processing (EMNLP 2017)},\n  month     = {September},\n  year      = {2017},\n  address   = {Copenhagen, Denmark},\n  publisher = {ACL}\n}\n```\n\n## Acknowledgement\n* [TransX implementations by thunlp](https:\u002F\u002Fgithub.com\u002Fthunlp\u002FFast-TransX)\n* [Ni Lao's PRA code](http:\u002F\u002Fwww.cs.cmu.edu\u002F~nlao\u002F)\n","# 基于深度强化学习的知识图谱推理\n我们研究大规模知识图谱（KG）中的推理学习问题。具体而言，我们提出了一种新颖的强化学习框架，用于学习多跳关系路径：我们使用基于知识图谱嵌入的连续状态策略型智能体，在知识图谱的向量空间中通过采样最有前景的关系来扩展其路径。与先前工作不同，我们的方法引入了一个同时考虑**准确性**、**多样性**和**效率**的奖励函数。实验结果表明，在Freebase和永续语言学习数据集上，我们提出的方法优于基于路径排序的算法以及知识图谱嵌入方法。\n\n## 数据集访问\n下载知识图谱数据集 [NELL-995](http:\u002F\u002Fcs.ucsb.edu\u002F~xwhan\u002Fdatasets\u002FNELL-995.zip) 和 [FB15k-237](https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1klWL11nW3ZS6b2MtLW0MHnXu-XlJqDyA\u002Fview?usp=sharing)。\n\n## 如何运行我们的代码\n1. 解压数据文件，并将 data 文件夹放置在代码目录中。\n2. 在 `scripts\u002F` 目录下运行以下脚本：\n    *   `.\u002Fpathfinder.sh ${relation_name}`  # 寻找推理路径，这是强化学习训练过程，可能需要一些时间。\n    *   `.\u002Ffact_prediction_eval.py ${relation_name}` # 计算并打印事实预测结果。\n    *   `.\u002Flink_prediction_eval.sh ${relation_name}` # 计算并打印链接预测结果。\n\n    示例（`relation_name` 可以在 `NELL-995\u002Ftasks\u002F` 中找到）：\n    * `.\u002Fpathfinder.sh concept_athletehomestadium`\n    * `.\u002Ffact_prediction_eval.py concept_athletehomestadium`\n    * `.\u002Flink_prediction_eval.sh concept_athletehomestadium`\n3. 由于我们已在数据集中提供了推理路径，您可以直接运行 `fact_prediction_eval.py` 或 `link_prediction_eval.sh` 来获取每个推理任务的最终结果。\n\n## 数据集格式\n1. `raw.kb`：来自 NELL 系统的原始知识图谱数据。\n2. `kb_env_rl.txt`：我们在 `raw.kb` 中的所有三元组基础上添加了逆三元组，该文件用作推理用的知识图谱。\n3. `entity2vec.bern\u002Frelation2vec.bern`：用于表示强化学习状态的 TransE 嵌入，可使用 [thunlp 的 TransX 实现](https:\u002F\u002Fgithub.com\u002Fthunlp\u002FFast-TransX)进行训练。\n4. `tasks\u002F`：每个任务对应一个特定的推理关系。\n    * `tasks\u002F${relation}\u002F*.vec`：训练好的 TransH 嵌入。\n    * `tasks\u002F${relation}\u002F*.vec_D`：训练好的 TransD 嵌入。\n    * `tasks\u002F${relation}\u002F*.bern`：训练好的 TransR 嵌入。\n    * `tasks\u002F${relation}\u002F*.unif`：训练好的 TransE 嵌入。\n    * `tasks\u002F${relation}\u002FtransX`：用于训练知识图谱嵌入的三元组。\n    * `tasks\u002F${relation}\u002Ftrain.pairs`：PRA 格式的训练三元组。\n    * `tasks\u002F${relation}\u002Ftest.pairs`：PRA 格式的测试三元组。\n    * `tasks\u002F${relation}\u002Fpath_to_use.txt`：强化学习智能体找到的推理路径。\n    * `tasks\u002F${relation}\u002Fpath_stats.txt`：随机 BFS 的路径频率统计。\n\n## 如果您使用我们的代码，请引用以下论文\n```\n@InProceedings{wenhan_emnlp2017,\n  author    = {Xiong, Wenhan and Hoang, Thien and Wang, William Yang},\n  title     = {DeepPath: A Reinforcement Learning Method for Knowledge Graph Reasoning},\n  booktitle = {Proceedings of the 2017 Conference on Empirical Methods in Natural Language Processing (EMNLP 2017)},\n  month     = {September},\n  year      = {2017},\n  address   = {Copenhagen, Denmark},\n  publisher = {ACL}\n}\n```\n\n## 致谢\n* [thunlp 的 TransX 实现](https:\u002F\u002Fgithub.com\u002Fthunlp\u002FFast-TransX)\n* [Ni Lao 的 PRA 代码](http:\u002F\u002Fwww.cs.cmu.edu\u002F~nlao\u002F)","# DeepPath 快速上手指南\n\nDeepPath 是一个基于深度强化学习（RL）的知识图谱推理框架，旨在通过多跳关系路径发现知识图谱中的潜在事实。本指南将帮助你快速部署并运行该工具。\n\n## 环境准备\n\n在开始之前，请确保你的开发环境满足以下要求：\n\n*   **操作系统**: Linux (推荐 Ubuntu 16.04+) 或 macOS\n*   **Python 版本**: Python 2.7 或 Python 3.x (根据脚本兼容性，建议优先尝试 Python 2.7 或检查脚本 Shebang)\n*   **核心依赖**:\n    *   NumPy\n    *   SciPy\n    *   Scikit-learn\n    *   TensorFlow (旧版本，通常适用于 TF 1.x，具体视代码实现而定)\n*   **前置工具**: `unzip` (用于解压数据集)\n\n> **注意**：由于该项目发表于 2017 年，其依赖的 TensorFlow 版本可能较旧。建议在虚拟环境（如 `virtualenv` 或 `conda`）中安装依赖，以避免冲突。\n\n## 安装步骤\n\n### 1. 获取代码与数据\n克隆项目代码（假设你已获取源码目录），并下载官方提供的知识图谱数据集。\n\n```bash\n# 下载 NELL-995 数据集\nwget http:\u002F\u002Fcs.ucsb.edu\u002F~xwhan\u002Fdatasets\u002FNELL-995.zip\n\n# 或者下载 FB15k-237 数据集 (需 Google Drive 访问权限，国内用户可能需要代理)\n# wget --load-cookies \u002Ftmp\u002Fcookies.txt \"https:\u002F\u002Fdocs.google.com\u002Fuc?export=download&confirm=$(wget --quiet --save-cookies \u002Ftmp\u002Fcookies.txt --keep-session-cookies --no-check-certificate 'https:\u002F\u002Fdrive.google.com\u002Ffile\u002Fd\u002F1klWL11nW3ZS6b2MtLW0MHnXu-XlJqDyA\u002Fview?usp=sharing' -O- | sed -rn 's\u002F.*confirm=([0-9A-Za-z_]+).*\u002F\\1\\n\u002Fp')\" -O FB15k-237.zip && rm -rf \u002Ftmp\u002Fcookies.txt\n```\n\n### 2. 配置数据目录\n解压数据集并将其移动到代码根目录下。\n\n```bash\nunzip NELL-995.zip\n# 确保解压后的文件夹名为 data 或直接位于代码目录中，根据 scripts 中的路径引用调整\n# 通常结构应为：project_root\u002Fdata\u002FNELL-995\u002F...\n```\n\n### 3. 安装 Python 依赖\n在项目根目录下创建虚拟环境并安装必要的 Python 库。\n\n```bash\npip install numpy scipy scikit-learn tensorflow==1.15.0\n# 注：TensorFlow 版本需根据实际报错调整，早期 RL 项目常依赖 TF 1.x\n```\n\n## 基本使用\n\nDeepPath 的核心流程包括：训练强化学习代理以寻找推理路径，然后评估事实预测或链接预测的效果。以下以 `NELL-995` 数据集中的 `concept_athletehomestadium` 关系为例。\n\n### 步骤 1: 训练推理路径 (RL Training)\n运行 `pathfinder.sh` 脚本启动强化学习训练。该过程会采样最有希望的关系来扩展路径，可能需要一定时间。\n\n```bash\n.\u002Fscripts\u002Fpathfinder.sh concept_athletehomestadium\n```\n\n### 步骤 2: 评估事实预测 (Fact Prediction)\n训练完成后（或直接使用数据集中预存的路径），运行评估脚本计算并打印事实预测结果。\n\n```bash\npython .\u002Fscripts\u002Ffact_prediction_eval.py concept_athletehomestadium\n```\n\n### 步骤 3: 评估链接预测 (Link Prediction)\n运行链接预测评估脚本，计算相关指标。\n\n```bash\n.\u002Fscripts\u002Flink_prediction_eval.sh concept_athletehomestadium\n```\n\n> **提示**: 如果你仅想测试评估流程而不重新训练，可以直接跳过步骤 1，因为数据集中已包含预生成的推理路径 (`tasks\u002F${relation}\u002Fpath_to_use.txt`)，直接运行步骤 2 和 3 即可获得最终结果。\n\n### 查看可用任务\n所有可用的关系名称（`relation_name`）均存储在 `NELL-995\u002Ftasks\u002F` 目录下，你可以列出该目录查看其他可测试的任务：\n\n```bash\nls NELL-995\u002Ftasks\u002F\n```","某大型电商数据团队正试图从包含数亿实体关系的知识图谱中，挖掘“用户购买行为”与“潜在商品偏好”之间复杂的隐性关联路径。\n\n### 没有 DeepPath 时\n- **推理路径单一僵化**：传统路径排序算法（如 PRA）只能依赖预定义的固定规则，难以发现跨越多个节点的 novel 推理链条，导致推荐逻辑缺乏灵活性。\n- **忽略路径多样性**：现有方法往往倾向于高频但同质化的路径，无法兼顾推理结果的多样性，使得推荐列表容易出现“信息茧房”，用户看到的商品类型高度重复。\n- **计算效率低下**：在大规模图谱中进行多跳搜索时，盲目遍历导致计算资源浪费严重，难以在有限时间内完成对海量候选关系的精准筛选。\n- **准确率瓶颈明显**：基于静态嵌入的方法无法动态调整搜索策略，在面对稀疏数据或长尾关系时，事实预测的准确率大幅下滑。\n\n### 使用 DeepPath 后\n- **动态探索最优路径**：DeepPath 利用强化学习代理在向量空间中自主采样，能智能地探索并锁定那些人工难以预设的高价值多跳推理路径。\n- **平衡准确与多样**：其独特的奖励函数同时优化准确性、多样性和效率，确保生成的推荐路径既精准又涵盖丰富的商品类别，打破推荐同质化。\n- **高效剪枝搜索空间**：通过策略网络直接指向最有希望的关系延伸方向，避免了无效的全图遍历，显著提升了在 Freebase 或 NELL 等大规模数据集上的推理速度。\n- **泛化能力显著增强**：在少样本或复杂关系任务中，DeepPath 展现出超越传统嵌入方法的鲁棒性，大幅提升了链接预测和事实推断的最终得分。\n\nDeepPath 通过将强化学习引入知识图谱推理，成功将原本静态、低效的搜索过程转化为动态、智能的决策系统，为复杂关系挖掘提供了高精度且多样化的解决方案。","https:\u002F\u002Foss.gittoolsai.com\u002Fimages\u002Fxwhan_DeepPath_17b4a645.png","xwhan","Wenhan Xiong","https:\u002F\u002Foss.gittoolsai.com\u002Favatars\u002Fxwhan_7002c0da.jpg","xAI, previously Meta AI",null,"https:\u002F\u002Fgithub.com\u002Fxwhan",[79,83],{"name":80,"color":81,"percentage":82},"Python","#3572A5",99.4,{"name":84,"color":85,"percentage":86},"Shell","#89e051",0.6,561,132,"2026-04-11T08:31:06",4,"Linux, macOS","未说明 (基于强化学习和 TransX 嵌入，通常建议 GPU 加速，但 README 未明确指定型号或 CUDA 版本)","未说明 (处理大型知识图谱如 Freebase\u002FNELL 通常建议 16GB+)",{"notes":95,"python":96,"dependencies":97},"该项目是 2017 年的研究代码 (DeepPath)，依赖外部工具训练嵌入向量 (如 TransE\u002FTransH\u002FTransR)，需先使用 thunlp 的 Fast-TransX 生成 entity2vec 和 relation2vec 文件。运行前需手动下载 NELL-995 或 FB15k-237 数据集并解压至代码目录。主要执行脚本为 shell 脚本 (.sh) 和 Python 脚本 (.py)。","未说明 (脚本为 .sh 和 .py，推测需要 Python 2.7 或 3.x)",[98,99],"TransX (Fast-TransX)","PRA code (Ni Lao's implementation)",[14,35,16],[102,103,104,105],"tensorflow","knowledge-graph","reasoning","emnlp2017","2026-03-27T02:49:30.150509","2026-04-15T03:28:14.941634",[109,114,119,124,129,134],{"id":110,"question_zh":111,"answer_zh":112,"source_url":113},33480,"运行代码所需的 Python 和 TensorFlow 版本是什么？","作者使用的开发环境是 Python 2.7 和 tensorflow-gpu 1.13.1。请确保安装这两个特定版本以避免兼容性问题。","https:\u002F\u002Fgithub.com\u002Fxwhan\u002FDeepPath\u002Fissues\u002F16",{"id":115,"question_zh":116,"answer_zh":117,"source_url":118},33481,"输入文件 graph.txt 和 train_pos 的具体含义和格式是什么？","第一个文件（graph.txt）包含用于寻找路径的图数据；第二个文件（train_pos）包含特定关系的训练三元组数据。","https:\u002F\u002Fgithub.com\u002Fxwhan\u002FDeepPath\u002Fissues\u002F17",{"id":120,"question_zh":121,"answer_zh":122,"source_url":123},33482,"在 FB15k-237 数据集实验中具体使用了哪 20 个关系（relations）？","使用的 20 个关系包括：sports_team, capital_of, place_of_birth, people_person_nationality, film_director_film, film_written_by, film_film_language, film_film_music, film_country, organization_founded, people_language_spoken, tv_program_language, time_event_location, tv_program_countryoforigin, music_artist_origin, tv_program_genre, organization_headquarter_citytown, service_location, organization_member_of, people\u002Fprofession\u002Fspecialization_of。","https:\u002F\u002Fgithub.com\u002Fxwhan\u002FDeepPath\u002Fissues\u002F7",{"id":125,"question_zh":126,"answer_zh":127,"source_url":128},33483,"运行 link_prediction_eval.sh 时出现 'ValueError: Expected to see 1 array(s)...' 错误如何解决？","该错误是由于传递给模型的数据格式问题导致的。解决方法是在将 training_features 和 train_labels 参数传递给 model.fit 函数之前，使用 np.array() 将它们转换为 numpy 数组。例如：model.fit(np.array(training_features), np.array(train_labels), ...)。","https:\u002F\u002Fgithub.com\u002Fxwhan\u002FDeepPath\u002Fissues\u002F9",{"id":130,"question_zh":131,"answer_zh":132,"source_url":133},33484,"训练过程非常缓慢且似乎未使用 GPU 加速，如何排查？","代码在安装 tensorflow-gpu 后会自动使用 GPU。如果训练缓慢，请首先确认是否已正确安装 tensorflow-gpu 包，其次检查训练过程中 GPU 显存是否有占用，以验证 GPU 是否真正被调用。","https:\u002F\u002Fgithub.com\u002Fxwhan\u002FDeepPath\u002Fissues\u002F2",{"id":135,"question_zh":136,"answer_zh":137,"source_url":138},33485,"知识图谱（KG）能否解决涉及比较推理的问题（如判断谁更高或是否住在同一城市）？","可以。维护者确认知识图谱能够处理此类问题，例如通过 `(A, liveInCity, C)` 和 `(B, liveInCity, C)` 推断 A 和 B 住在同一城市，或通过高度数值进行比较推理。","https:\u002F\u002Fgithub.com\u002Fxwhan\u002FDeepPath\u002Fissues\u002F3",[]]