add 2 demos

Author: wuchuanjie

content/alumni/_index.md

@@ -10,7 +10,7 @@ sections:
       text: |
         - **博士毕业生**：
           - 王安特
-            - 发表论文：CCF-A类4篇，CCF-A类Findings 1篇，CCF-B类2篇，CCF-B类Findings 1篇
+            - 发表论文：CCF-A类5篇，CCF-A类Findings 1篇，CCF-B类2篇，CCF-B类Findings 1篇
             - 实习经历：21.07-23.07、24.01-25.06 腾讯AI Lab西雅图实验室实习
             - 毕业去向：清华大学智能产业研究院博后
          

content/authors/Chuanjie Wu/avatar.jpg

@@ -0,0 +1,31 @@
+---
+title: GraphRAG 可视化交互系统演示
+date: 2025-12-01
+---
+  本视频展示了一套DeepLIT课题组自主研发的 GraphRAG 可视化交互 Web 系统。针对当前 RAG 技术中推理过程不透明、策略对比困难的问题，本系统集成了微软 GraphRAG 与港大 LightRAG 两大主流框架，为研究人员和开发者提供了一个强大的测试与分析环境。
+
+<!--more-->
+<video controls width="100%" src="GraphRAGdemo.mp4">
+  您的浏览器不支持视频播放。
+</video>
+
+## 核心功能亮点：
+
+- **多框架集成与对比**：内置 Microsoft GraphRAG 与 LightRAG，直观对比不同图谱构建策略的性能优劣。
+- **一键式图谱构建**：通过简单的文件拖拽（TXT格式），系统自动完成文本分块、实体/关系抽取、向量化及图谱生成的全流程。
+- **白盒化推理展示**：不仅返回 LLM 生成的答案，更实时渲染推理路径上的子图结构。用户可交互式查看被检索到的节点与边，验证答案的逻辑来源。
+- **灵活参数调优**：支持在问答界面动态调整社区层级（Community Level）与查询模式，探索不同粒度信息对回答质量的影响。
+---
+## 背景知识
+### 什么是 GraphRAG？
+GraphRAG（Graph Retrieval-Augmented Generation）是下一代检索增强生成技术。传统的 RAG 依赖向量相似度检索，容易在长文本摘要和跨文档的复杂逻辑推理中丢失“全局视野”。 GraphRAG 通过构建知识图谱（Knowledge Graph），将非结构化文本转化为结构化的网络。它利用 **社区检测（Community Detection）** 算法将紧密关联的信息聚类，让大模型不仅能“看到”细节，还能“理解”数据集中蕴含的高层级主题和隐式关系。
+本系统集成的两大框架解析：
+1. **Microsoft GraphRAG (基于社区摘要)**:
+    - 特点：利用 Leiden 算法检测图谱社区，并为每个社区生成摘要。
+    - 优势：在回答“整个数据集主要讲了什么？”这类全局性问题（Global Sensemaking） 时表现卓越，能够提供全面的综合性答案。  
+2. **LightRAG (高效检索)**:
+    - 特点：由香港大学提出，强调轻量化与双层检索机制。
+    - 优势：引入了具体查询（Specific）与抽象查询（Abstract）的双重检索路径，旨在降低构建图谱的 Token 消耗，同时保持对细节问题的高精度响应。
+
+### 为什么我们需要可视化？ 
+在知识图谱增强的大模型应用中，可解释性至关重要。虽然 GraphRAG 提升了回答质量，但用户往往不知道模型引用了图谱中的哪一部分。本 Demo 通过子图可视化（Subgraph Visualization），将模型的“思维过程”具象化，这对于发现幻觉（Hallucination）、优化知识库质量以及调试检索策略具有不可替代的作用。

content/authors/Chuanjie Wu/avatar1.jpg

@@ -0,0 +1,39 @@
+---
+title: 智能关系抽取助手系统演示
+date: 2025-12-02
+---
+  本 Demo 展示了一款多功能的智能关系抽取系统。它不仅支持基于 Schema 的 **文档级** 与 **跨文档** 关系抽取，还能根据需求灵活输出表格、JSON 代码或自然语言描述。无论是处理长篇历史文献还是实时新闻，模型都能精准识别实体间的复杂关系，助力知识图谱的高效构建。
+
+<!--more-->
+<video controls width="100%" src="信息抽取.mp4">
+  您的浏览器不支持视频播放。
+</video>
+
+## 视频详情
+&emsp;&emsp;本视频完整演示了智能抽取模型在三种不同场景下的应用能力，突显了其在知识工程中的灵活性与准确性：
+1. **跨文档关系抽取 (Cross-Document RE)**：
+    - 场景： 面对来源分散、篇幅较长的多文档文本（如历史百科与地理志）。
+    - 能力： 模型能够跨越段落界限，综合上下文信息，精准提取出“被...创立”、“竞争阶级”等深层关系。
+    - 呈现： 默认以清晰的**结构化表格**展示，便于人工校验。
+2. **文档级关系抽取 (Document-Level RE)**：
+    - 场景： 处理单一长文本中的密集信息。
+    - 能力： 在给定 Schema（如“包含部分”、“位于...”）下，模型展现了强大的逻辑推理能力。
+    - 呈现： 支持开发者友好的 **JSON 格式**输出，可直接对接下游数据库或图谱构建流程。
+3. **开放式关系抽取 (Open RE)**：
+    - 场景： 处理娱乐新闻或社交媒体等非正式文本。
+    - 能力： 即使面对口语化的输入，模型也能理解语义并完成抽取。
+    - 呈现： 支持 **自然语言 (Natural Language)** 输出，将抽取结果转化为通顺的文字描述，增强了可解释性。
+---
+## 技术背景
+1. **信息抽取**
+
+在大语言模型时代，信息抽取（Information Extraction, IE）依然是连接非结构化数据（文本）与结构化知识（知识图谱）的关键桥梁。视频中展示的 Schema（图谱模式）定义过程，实际上就是一种轻量级的本体（Ontology）对齐。通过预先定义关系类型（如 founded by, part of），我们将原本混乱的文本“降噪”并映射到了具体的知识网络中，这是构建高质量垂直领域知识图谱的第一步
+
+2. **跨文档推理的挑战与突破**
+
+视频演示的重点之一是跨文档抽取。在现实世界中，关于同一个实体（如“Apple”）的信息往往分散在不同的报告或新闻中。传统的抽取模型往往受限于单句或单文档长度，难以处理这种碎片化信息。本系统展示了模型在处理 Long Context（长上下文）时的记忆与推理能力，这对于解决知识图谱构建中的实体消歧和信息融合问题至关重要。
+
+3. **生成式抽取的灵活性**
+
+不同于传统的序列标注方法，本 Demo 展示了**生成式抽取（Generative IE）**的优势。模型不仅是在“寻找”答案，更是在“生成”符合用户指定格式（Table/JSON/Text）的答案。这种 Capability 使得该系统不仅可以服务于后端工程师（提供 JSON），也能直接服务于业务分析师（提供表格）或最终用户（提供自然语言摘要），极大地扩展了落地场景。  
+