知识图谱的基本信息介绍

1

什么是知识图谱

知识图谱 是一种用 图结构 来建模知识和实体间关系的技术体系。

简单来说，它由三个核心要素构成：

• 节点（实体） ：现实世界中的对象，如“李白”“唐朝”“《静夜思》”
• 边（关系） ：实体之间的语义联系，如“李白”“出生于”“唐朝”，“李白”“创作了”“《静夜思》”
• 属性 ：实体或关系的特征描述，如李白的生卒年、别号等

它的本质是将碎片化的信息，组织成一张相互关联的“知识网”，而不是孤立的文档或字符串。在技术上，知识图谱通常基于 图数据库 （如Neo4j、NebulaGraph）存储，支持高效的关联查询和逻辑推理。

2

知识图谱与RAG的区别

RAG（检索增强生成，Retrieval-Augmented Generation） 是一种将信息检索与大语言模型（LLM）相结合的技术架构，两者的核心差异体现在以下几个方面：

一个直观的对比例子：

问题：“李白的师傅有没有写过关于月亮的诗？”

RAG方式 ：将这个问题转成向量，去文档库中检索“李白 师傅”“月亮 诗”等片段，然后将检索到的文本片段拼接到提示词中让LLM生成答案。如果文档中没有直接写“李白师傅的作品”，可能会答错或无法回答。

知识图谱方式 ：先在图谱中找到“李白”节点，沿着“师从”关系找到“赵蕤”（或相关人物），再沿着“创作”关系找到该人物的作品，并筛选主题包含“月亮”的诗作。整个过程是确定的、可追溯的。

在实际应用中，两者往往结合使用，比如用知识图谱做精确的关联查询和推理，用RAG处理非结构化的文本理解与生成。

3

常规信息如何变为知识图谱？

将非结构化的文本、表格等常规信息转化为知识图谱，通常经历以下五个步骤：

1. 知识建模（Schema设计） 首先定义图谱的“骨架”：确定有哪些实体类型（如“人物”“公司”“地点”）、哪些关系类型（如“任职于”“位于”）、哪些属性。这一步决定了知识图谱的组织方式。
2. 信息抽取

从原始数据中提取出符合Schema的三元组（实体-关系-实体）或（实体-属性-属性值）。常用方法包括：

• 基于规则 ：用正则表达式、依存句法模板
• 基于模型 ：使用预训练模型（如BERT）或大语言模型进行命名实体识别、关系抽取
• 大模型抽取 ：通过Few-shot或微调，让LLM直接输出结构化JSON

3. 实体对齐（共指消解） 同一实体可能有不同表述，例如“阿里巴巴”“阿里”“Alibaba Group”需要合并为同一个节点。这一步通过相似度计算、实体链接等技术完成。

4. 知识存储 将抽取并清洗后的三元组存入图数据库。例如使用Cypher语言（Neo4j的查询语言）创建节点和关系。

5. 质量校验与更新

通过人工抽查、规则校验保证准确率，并建立增量更新机制，让图谱能够随着新信息流入而动态扩展。

4

总结

• 知识图谱 是结构化的知识网络，强调实体间的关联与逻辑推理
• RAG 是结合检索与生成的技术框架，强调语义匹配与语言生成

从常规信息构建知识图谱，本质上是一个将 非结构化/半结构化数据转化为结构化图模型 的过程，涉及建模、抽取、对齐、存储等工程化环节