知识图谱

知识图谱概述

知识图谱（Knowledge Graph）是以图结构表示实体及其关系的知识库。节点代表实体（人、地、事），边代表实体间的关系。知识图谱提供了结构化的世界知识，与LLM结合可以增强事实性和推理能力。

核心组成

实体

图中的节点，代表具体的概念和对象：

• 人物、地点、组织
• 事件、概念
• 产品、服务

关系

连接实体的边，表示实体间的联系：

• "张三是李四的同事"
• "北京是中国的首都"
• "苹果是一种水果"

属性

实体和关系的附加信息：

• 实体属性：年龄、类型、描述
• 关系属性：时间、置信度

构建流程

知识获取

• 结构化数据：从数据库、表格提取
• 非结构化数据：从文本中抽取实体和关系
• 半结构化数据：从网页、知识库提取

知识融合

• 实体对齐和消歧
• 关系统一和规范化
• 冲突检测和解决

知识存储

• 图数据库：Neo4j、Amazon Neptune
• 三元组存储：RDF、Triple Store
• 属性图：Neo4j、TigerGraph

知识图谱 + LLM

增强生成

将知识图谱信息注入LLM生成：

• 检索相关三元组
• 构建上下文提示
• 减少幻觉提升准确性

图谱问答

使用LLM理解自然语言查询并转化为图查询：

• NL2Cypher/SPARQL
• 多跳推理
• 复杂查询理解

图谱构建

利用LLM自动化知识图谱构建：

• 实体识别和关系抽取
• 知识验证和补全
• 模式发现

代表性知识图谱

知识图谱	规模	特点
Wikidata	1亿+实体	开放多语言
Google KG	5000亿+三元组	搜索增强
ConceptNet	通用常识	常识推理
UMLS	医学知识	医疗领域

应用场景

• 智能问答：精确的事实性问答
• 推荐系统：基于知识的个性化推荐
• 风险分析：金融反欺诈、关联分析
• 药物发现：分子关系和靶点预测

挑战与趋势

知识图谱面临构建成本高、更新困难、质量控制等挑战。LLM的出现为知识图谱的自动化构建和更新提供了新机遇，二者的深度融合是未来发展的重要方向。