荷蘭的 #NADD（Netwerk Archieven Design en Digitale Cultuur，設計與數位文化檔案網絡）是一個由超過 70 個機構組成的網絡，涵蓋 #博物館、設計平台、 #檔案館 以 #及研究機構。他們的共同目標，是讓荷蘭 #設計 與數位文化的歷史與創作脈絡，能夠被更廣泛地看見、理解與再利用。

NADD 選擇 Wikidata，透過與 Wikimedia Nederland ( #荷蘭維基媒體協會 )的合作，團隊建立了超過 20,000 筆關於 #設計師 、 #藝術家 、 #設計公司 與創意團體的 Wikidata 條目。

這些資料不只是靜態的名單，而是實時串聯在網路上的 #開放鏈結資料 (Linked Open Data)，透過每一筆資料都與其他條目相連，形成一張龐大的文化 #知識圖譜 。

同時團隊開發了以 Wikidata 為基礎的視覺化工具，將鏈結資料轉化為畫面，讓使用者可以探索設計師之間的合作關係、風格演變與機構連結；透過資料的展示，再現多元文化脈絡，並以 Wikidata 作為平台串起超過 70 個機構所收錄的資料。

文化資料不該只是靜靜躺在資料庫裡等待被查詢，而應該成為活躍的知識節點，參與當代的教育、研究與創意對話。Wikidata Taiwan 透過廟宇踏察團、 #新樂園藝術空間 專案、 #李梅樹紀念館 等專案持續收錄臺灣多元文化內涵，並不斷整合四散在各 #資料庫 的文化資料，期待透過 Wikidata 平台的開放性展現在全球社群的面前。

歡迎各社群與 Wikidata Taiwan 洽談工作坊與講座合作細節，共同推動臺灣資料被世界看到。

圖片引用：NADD Archival Consciousness Biblio-Graph data visualization - Rachel de Joode.png by Sandra Fauconnier CC-BY 4.0

#Wikidata #維基數據 #維基資料
#館聯 #GLAM #荷蘭 #資料視覺化

【維基數據作為數位公共財：為了更加開放平等的網路世界】

在 2025 年 2 月， #維基百科 被認可作為 #數位公共財 (DPG)之後，維基數據也獲得了同一殊榮。 ；甚至另有一個建立於維基數據資料之上的專案： #GovDirectory ，一個通過眾源工作模式來對政府機構的網路帳號與服務進行事實驗證的專案，於 2022 年九月早已獲得數位公共財的認可。 如今維基數據也將在 2025 年十月起成為 數位公共財聯盟 (DPGA) 所正式認可的一員，這一認可代表了開源運動的重要與成功。

數位公共財聯盟(Digital Public Goods Alliance)秘書處技術長 Ricardo Miron：
「維基數據(Wikidata)被承認為數位公共財是對其背後社群運作模型的認可，並且是對未來共享數位基礎建設的莫大鼓勵。維基數據並不只是一個 #資料庫 ；他更是一個可驗證的、機器可讀的 #知識圖譜，並且是自由網路發展的一個重要層次。維基數據一直以來對透明、開放且不危害他人標準的高度投入正是建立一個由社群、為社群建立，更加平等的數位世界的重要基礎。」

維基數據其運作符合六項聯合國的 17 項 #永續發展目標 。

其一是 #優質教育 (SDG4)，維基數據提供自由且開放的管道來獲取知識，支持消彌學習藩籬。

#性別平等 (SDG5) 的部分，維基數據致力於推廣知識的自由取用，提升了女性在政經科學等其他領域的能見度。

#就業與經濟成長 (SDG8) 的目標，可以受惠於開放知識所促進的創新應用與研究發展，以及數位技能的提升。
產業、新創、與基礎設施 (SDG9) 的部分，可以受惠於維基數據所提供的開放資料基礎建設，以推動教育、研究、與科技的進步。

SDG10— #促進平等 也屬於維基數據運動之範圍，因為全球各地，不論語言、出生、或社經地位皆可以自由的參與維基數據的貢獻並取用其成果。

最後 SDG 16— 促進和平、正義、與法治的部分，維基數據透過強化透明度，提供可驗證資訊，並強調證據來參與該議題的目標。

想要共同參與 Wikidata 社群活動或是了解更多 Wikidata 相關資訊，持續追蹤 Wkidata Taiwan Mastodon 頁面！

完整報導可參閱：https://diff.wikimedia.org/zh-hant/2025/11/12/%E7%B6%AD%E5%9F%BA%E6%95%B8%E6%93%9A%E4%BD%9C%E7%82%BA%E6%95%B8%E4%BD%8D%E5%85%AC%E5%85%B1%E8%B2%A1%EF%BC%9A%E7%82%BA%E4%BA%86%E6%9B%B4%E5%8A%A0%E9%96%8B%E6%94%BE%E5%B9%B3%E7%AD%89%E7%9A%84%E7%B6%B2/?

#Wikidata
#維基數據 #維基資料 #開放資料 #opendata

🌕 IRS公開的「事實圖譜」：整合美國稅法與相關法規的知識圖譜
➤ IRS開源稅務知識圖譜，促進技術應用與透明度
✤ https://github.com/IRS-Public/fact-graph
美國國內稅收服務局（IRS）在GitHub上公開了一個名為「事實圖譜」（Fact Graph）的專案，這是一個生產就緒的知識圖譜，旨在模型化美國的國內稅收法規及其相關稅法。該圖譜不僅適用於JavaScript，也可在任何JVM語言環境中使用。專案包含詳細的開發者設置指南（ONBOARDING.md）、貢獻說明（CONTRIBUTING.md）以及對Fact Graph 3.1版本的改進說明。IRS明確聲明，此開源專案的使用風險由使用者自行承擔，IRS不對其準確性、完整性或任何使用後果負責，使用者需自行遵守相關開源授權。
+ 這個專案聽起來很有潛力，能夠將複雜的稅法結構化，方便開發者和研究人員使用。
+ IRS公開程式碼是個好消息，但必須謹慎使用，畢竟稅法細節眾多，程式碼錯誤可能導致嚴重後果。
#稅務 #知識圖譜 #開源 #IRS

🌗 Airweave：讓 AI 代理程式搜尋任何應用程式的統一介面
➤ 為您的 AI 代理程式打造智慧搜尋能力
✤ https://github.com/airweave-ai/airweave
Airweave 是一個開源工具，旨在讓 AI 代理程式能搜尋各種應用程式、生產力工具、資料庫和文件儲存庫的內容。它透過標準化介面將這些分散的資訊轉化為可搜尋的知識庫，並透過 REST API 或 MCP (Meta Communication Protocol) 暴露搜尋功能。Airweave 平臺能處理從身份驗證、資料提取、向量嵌入到服務供應的整個流程，並提供使用者介面、Python 與 TypeScript/JavaScript SDK，以簡化資料同步、配置和查詢。
+ 這真是太棒了！Airweave 解決了我們在整合不同資料來源以供 AI 使用時遇到的巨大挑戰。
+ 介面看起來很直觀，而且支援的整合功能範圍很廣。我對它的技術堆疊很感興趣，特別是 Qdrant 的使用。
#AI #代理程式 #知識圖譜 #向量資料庫

🌗 CauseNet：建構網路上的因果知識圖譜
➤ 從網路上的海量資訊中挖掘因果關聯，打造大規模因果知識圖譜
✤ https://causenet.org/
CauseNet 是一個龐大的因果知識庫，旨在匯集人類所有的因果知識，並將其從單純的因果信念中區分出來，以促進大規模的因果推論研究。該專案從網路上的半結構化和非結構化來源提取了超過一千一百萬筆的因果關係，建構出首個大規模、開放領域的因果關係圖譜，並分析其洞見，同時展示了其在基本因果問答的應用。
+ 這個專案聽起來很有潛力，能夠將網路上散落的因果知識系統化，對於AI發展 Definitely 是個好幫手。
+ 1100萬筆資料，83%的準確度，這準確度還有待加強，但作為起點很不錯，期待後續的優化。
#人工智慧 #知識圖譜 #因果推論

🌘 Mangle：Google 開源的宣告式程式語言，用於邏輯式資料庫與知識圖譜
➤ 釋放 Datalog 的力量，打造智慧應用
✤ https://github.com/google/mangle
Google 開源的 Mangle 是一個基於 Datalog 的宣告式程式語言，旨在簡化邏輯式資料庫和知識圖譜的建構與查詢。它擴充了 Datalog 的功能，支援聚合、函式呼叫與類型檢查，並提供 Go 函式庫，讓開發者能輕鬆將其嵌入應用程式。文章詳細介紹了 Mangle 的語法、應用範例，並說明瞭如何建置、測試以及重新生成解析器。
+ 這個專案聽起來非常有潛力，特別是將 Datalog 的表達能力帶入現代開發中，而且是 Go 函式庫，很方便。
+ log4j 漏洞的查詢範例很實用，期待看到更多 Mangle 在實際資安情境中的應用。
#程式語言 #宣告式程式設計 #Datalog #邏輯式資料庫 #知識圖譜 #Go

當我們談論人工智慧(AI)的未來發展，Wikidata 正悄悄成為其中一股不可忽視的力量。在【Wikidata’s next leap: the open database powering tomorrow’s AI and Wikipedia】一文中描繪了 Wikidata (維基數據)如何從支撐 Wikipedia (維基百科)的資料庫，蛻變為驅動生成式 AI 的核心基礎設施。

Wikidata 是一個開放且可編輯的 #知識圖譜 ，目前擁有超過 13 億筆結構化資料，並透過 #SPARQL 查詢語言與 REST API 提供即時存取。這些資料不僅支援全球企業 IT 系統與公民科技平台，也為 AI 模型提供可驗證的事實來源，降低「幻覺」與錯誤資訊的風險。

文中特別提及幾個具代表性的應用案例： #巴西 的 #AletheiaFact 平台用來查核政治言論、 #孟加拉 的 #Sangkalak 開放在地文獻、 #印度 的醫療地圖專案改善偏鄉醫療資訊。這些專案都展現了 Wikidata 在促進資訊透明以及推動社會創新的潛力。

此外，Wikidata 正推動「Embedding Project」，將知識圖譜轉換為向量資料，使 AI 能以語意方式理解與運用 Wikidata 的內容。不僅提升 AI 的準確性，也讓開源社群能更容易參與 AI 應用的開發。

文中最後強調：Wikidata 的願景是打造一個由社群驅動、去中心化的開放資料網路，讓地方政府、博物館、研究機構都能建立自己的 Wikibase，並與全球資料互通。這不只是技術的進步，更是對民主知識共享的承諾。

完整原文：https://www.techradar.com/pro/wikidatas-next-leap-the-open-database-powering-tomorrows-ai-and-wikipedia

#Wikidata #維基資料 #維基數據
#人工智慧 #AI #artificialintelligence

🌗 GitHub - RedPlanetHQ/core：LLM 的個人即插即用記憶層
➤ 為您的 LLM 打造個人化的記憶系統
✤ https://github.com/RedPlanetHQ/core
RedPlanetHQ/core 是一個可共享、私密、可移植且完全由使用者擁有的記憶層，專為大型語言模型 (LLM) 設計。它以動態的時間知識圖譜形式儲存記憶，提供完整的透明度及追溯性，讓使用者可以追蹤資訊來源、瞭解變更，並洞察系統的「認知」過程。使用者可以選擇在本地運行或使用其託管版本，並與 Cursor、Claude 等工具連接，以增強 LLM 的上下文理解能力。
+ 這是一個很棒的專案！我一直想要一個可以完全掌控 LLM 上下文的工具，這解決了這個問題。
+ 時間知識圖譜的概念很吸引人，能追蹤資訊的變遷，對需要資料稽覈的場景很有幫助。
#開源專案 #LLM #記憶層 #知識圖譜

🌖 使用 LLM 構建文件即時知識圖譜
➤ 簡化知識圖譜建立與維護的強大工具
✤ https://cocoindex.io/blogs/knowledge-graph-for-docs/
本文介紹瞭如何使用 CocoIndex 平臺，透過大型語言模型 (LLM) 從文件中構建即時知識圖譜。CocoIndex 簡化了知識圖譜的建立與維護，可持續更新資料來源。文章展示瞭如何使用 LLM 提取文件中的實體關係與提及，並將這些資訊儲存至圖資料庫 Neo4j，以供後續應用，例如 RAG (Retrieval-Augmented Generation)。
+ 這個工具看起來非常實用，對於需要從大量文件中提取知識的團隊來說，可以省下不少時間和精力。
+ 我很好奇 CocoIndex 與傳統的知識圖譜構建方法相比，在效能和成本上有什麼優勢？
#人工智慧 #知識圖譜 #LLM #資料索引

🌕 Airweave - 讓代理程式搜尋任何應用程式
➤ 釋放應用程式資料的潛力，賦能智慧代理程式
✤ https://github.com/airweave-ai/airweave
Airweave 是一個開源工具，旨在讓代理程式能夠對任何應用程式進行語義搜尋。它能無縫連接各種應用程式、資料庫和 API，將其內容轉換為適合代理程式使用的知識。Airweave 提供簡化的資料同步、實體提取、版本控制等功能，並支援 Python 和 TypeScript/JavaScript SDK，方便開發者整合。
+ 這個 Airweave 聽起來很棒，可以解決 RAG (Retrieval-Augmented Generation) 應用中資料獲取的難題。
+ 能夠支援這麼多整合和提供 SDK 真是太方便了，對於開發 AI 應用程式非常有幫助。
#開源工具 #代理程式 #知識圖譜 #向量數據庫

#開源分享 一個為RAG應用設計的知識圖譜構建和管理平台，RAG原生支持：knowledge-graph-studio，支持各類數據轉換

支持基於規則的實體解析、模組化圖譜構建、支持從多種來源和格式的數據接入，可以處理大量數據和複雜查詢

可以用於構建動態的圖譜驅動的AI工作流

專案地址：
github.com/whyhow-ai/knowledge-graph-studio

#RAG #知識圖譜 #知識庫

🌘 知識圖譜 - 《溝通ACM》
➤ 知識圖譜的發展根源
✤ https://cacm.acm.org/research/knowledge-graphs/
此篇文章介紹了知識圖譜的歷史根源，該概念源於各個研究領域的科學進步，如語義網、數據庫、知識表示和推理、自然語言處理以及機器學習等。知識圖譜代表知識和數據在大規模異構格式下整合的時代來臨。文章呼籲新一代研究者應意識到這些發展，並深入瞭解相關歷史以啓發未來研究。
+ 這篇文章深入探討了知識圖譜的起源，對於瞭解現代科技發展有所幫助。
+ 讀完這篇文章後，我對知識圖譜的背景和重要性有了更深入的認識。
#知識圖譜

#開源分享 一款基於圖推理的科學發現工具：GraphReasoning
利用知識圖和生成式AI來找到新的科學問題、提出新的研究方向

知識提取: 從科學文獻中提取知識，構建本體知識圖譜
圖分析: 分析知識圖的結構，識別關鍵節點、社區和連接性
圖推理: 通過圖的傳遞性和同構特性，揭示跨學科關係，用於回答問題、識別知識差距、提出新材料設計等
多模態推理: 將科學知識與其他領域進行關聯，發現新的聯繫和靈感

專案地址： github.com/lamm-mit/GraphReasoning

#知識圖譜 #GraphReasoning #研究發現工具

🌕 圖語言模型 - ACL 文集
➤ 圖語言模型在自然語言處理中的嶄新應用
✤ https://aclanthology.org/2024.acl-long.245/
語言模型（LMs）在自然語言處理中扮演重要角色，但與結構化知識圖譜（KGs）的互動仍在積極研究中。作者提出一種新型LM類型，稱為圖語言模型（GLM），整合了現有方法的優點並補強其弱點，能處理圖形、文本和混合輸入。實證評估顯示GLM嵌入在監督和零-shot設置中優於基於LM和GNN的基線，展現了其多功能性。
+ 這項研究有助於推動語言模型和知識圖譜之間的整合，為機器學習領域帶來新的發展方向。
+ GLM的設計理念很具前瞻性，能有效克服現有方法的限制，為文本處理領域帶來新的可能性。
#自然語言處理 #知識圖譜 #機器學習

🌕 什麼是知識圖譜？- Neo4j圖形數據庫和分析
➤ 如何工作的知識圖譜？
✤ https://neo4j.com/blog/what-is-knowledge-graph/
知識圖譜是實體及其關係的有組織表示。它通常存儲在圖形數據庫中，原生地存儲數據實體之間的關係。知識圖譜中的實體可以表示對象、事件、情境或概念。這些實體之間的關係捕捉了它們連接的上下文和意義。知識圖譜還儲存了數據和關係，以及稱為組織原則的框架。這些原則可以被視為提供更深入數據洞察的靈活概念結構。知識圖譜的有用性在於它如何組織原則、數據和關係，以為用戶或企業提供新的知識。它的設計適用於許多使用模式，包括實時應用程序、搜索和發現以及支持生成式人工智能問答。
+ 很有趣的概念，對於瞭解知識之間的關聯性很有用。
+ 知識圖譜似乎可以幫助解決數據整合和搜尋問題，值得進一步研究。
#知識圖譜

🌘 **GraphRAG 分析，第 1 部分：索引如何提升 RAG 中知識圖譜的表現**
➤ **GraphRAG 方法的實際效果與索引對知識圖譜性能的提升**
✤ https://aiencoder.substack.com/p/graphrag-analysis-part-1-how-indexing
這篇文章是對微軟 GraphRAG 論文的分析，探討了知識圖譜在 RAG（檢索增強生成）系統中的應用效果。作者發現該論文中的度量標準存在疑問，因此進行了自己的研究，使用 Neo4j 來測試知識圖譜的效能。結果顯示，雖然知識圖譜可能對上下文檢索的影響不大，但使用 Neo4j 的索引可以提高答案的相關性和信賴度，但其回報率是否值得仍需考量。
+ 「這篇文章提供了對 GraphRAG 的深入分析，對於 AI 研究者來說很有參考價值。」
+ 「Neo4j 的索引改進了結果的相關性，這讓我重新考慮在我的應用中是否要使用 GraphRAG。」
##GraphRAG #知識圖譜 #RAG #Neo4j #AI研究

🌘 Microsoft Research 將推出新的複雜數據發現工具 GraphRAG 於 GitHub
➤ GraphRAG 提供更全面和結構化的信息檢索和回答生成功能。
✤ https://www.microsoft.com/en-us/research/blog/graphrag-new-tool-for-complex-data-discovery-now-on-github/
Microsoft Research 宣佈推出 GraphRAG，一個基於圖形的數據發現工具，讓用戶可以在私有或以前未見過的數據集上進行問答。GraphRAG 使用大型語言模型自動從文本文件中提取豐富的知識圖譜。該工具還提供了一個易於使用的 API 介面，可在 Azure 上無需編碼即可部署。
+ 知識圖譜是一個非常有用和強大的數字資源管理工具。
+ 真期待能夠在 GitHub 上使用這個新工具！
#數據發現 #知識圖譜 #GraphRAG

🌘 知識圖譜介紹
➤ 知識圖譜的重要性及應用案例
✤ https://textmine.com/post/an-introduction-to-knowledge-graphs
介紹知識圖譜的組成部分、主要應用案例和行業應用。
+ 這篇文章清楚地解釋了知識圖譜的重要性和應用，很容易理解。
+ 知識圖譜對於不同行業的應用案例提供了很好的示例，幫助我更深入瞭解其價值和應用範疇。
#知識圖譜

🌗 利用 KeyBERT、HDBSCAN 和 Zephyr-7B-Beta 建立知識圖譜
➤ 使用 KeyBERT、HDBSCAN 和 Zephyr-7B-Beta 建立知識圖譜的探索
✤ https://towardsdatascience.com/leverage-keybert-hdbscan-and-zephyr-7b-beta-to-build-a-knowledge-graph-33d7534ee01b
LLM-enhanced natural language processing and traditional machine learning techniques are used to build a knowledge graph from unstructured corpus. The author explores the combination of traditional NLP and machine learning techniques with large language models (LLMs)
#機器學習 #自然語言處理 #知識圖譜

🌗 為什麼你需要知識圖譜，以及如何建立它
➤ 從關聯模型到維度模型到圖形模型的轉換
✤ https://towardsdatascience.com/why-you-need-a-knowledgegraph-and-how-to-build-it-ac4f35cb75b7
知識圖譜是一種在圖形數據庫中組織事件、人物、資源和文件進行高級分析的方法。本文將解釋知識圖譜的目的，並向您展示如何將關聯數據模型轉換為圖形模型，將數據加載到圖形數據庫中，並編寫一些示例圖形查詢。
+ 這篇文章很好地解釋了知識圖譜的概念和優勢。
+ 我對如何將關聯數據轉換為圖形模型有了更清晰的理解。
#知識圖譜 #圖形數據庫 #關聯數據庫