
> 一次读 4 篇跨度十年的知识库/知识图谱综述（2015 → 2025），按问题主线交叉跳读：
> -**[Nickel15]** = Nickel et al., *A Review of Relational Machine Learning for Knowledge Graphs*；
> -**[Ji20]** = Ji et al., *A Survey on Knowledge Graphs: Representation, Acquisition, and Applications*；
> -**[Niu24]** = Niu, *Knowledge Graph Embeddings: A Comprehensive Survey on Capturing Relation Properties*；
> -**[Bian25]** = Bian, *LLM-empowered Knowledge Graph Construction: A Survey*。
> 插图均从原论文 PDF 截取，仅供学习使用。

---

## 1. 我为什么一次读这 4 篇

起因很简单：想了解"知识库"在 LLM 时代的变化趋势，结果发现单读任何一篇都不够。

于是我挑了 4 篇，恰好踩在三段时代的分界线上：

- **[Nickel15]（2015）**：深度学习前夜，"统计关系学习"的巅峰总结，Google Knowledge Vault 亲历来者的视角；
- **[Ji20]（2020）**：嵌入模型百花齐放时期的全景教科书，被引 4000+，是后两篇共同的参照系；
- **[Niu24]（2024）**：嵌入方法论的"收官"式整理，不再按模型家谱分类，而是按"模型能捕捉什么关系性质"重新排队；
- **[Bian25]（2025）**：LLM 时代的范式宣言——知识图谱构建从"规则+统计数据流框架"变成"语言驱动的生成式框架"。

我的读法是带着三个问题去读的：**知识长什么样（表示）、知识从哪来（构建）、怎么知道模型学得好不好（推理与评估）**。这篇笔记就按这三条主线组织，中间穿插我的一些吐槽和判断。

---

## 2. 知识库到底长什么样

### 2.1 时间线：从 1956 到 2012

[Ji20] 里有一张知识库发展简史的图（让我决定把 4 篇按时间轴串起来）：

![fig01_kb_history.png](https://developer.qcloudimg.com/http-save/yehe-11563618/47e7e85dba52ff4dc19e6a585575170f.png)

几个值得记住的坐标（年份出自 [Ji20] §II-A 与 [Nickel15] 正文及参考文献）：

- **1956**：Semantic Net（Richens），用图结构表示知识的起点；
- **1970s**：MYCIN 专家系统，约 600 条手工规则——"知识工程师"这个词的年代；
- **1984**：Cyc 项目启动，尝试用人工方式编码常识，至今仍在继续；
- **1995**：WordNet（1995）；**1999**：RDF 成为 W3C 标准；**2001**：Semantic Web 概念提出；
- **2007**：YAGO 与 DBpedia 同年诞生，标志"自动从半结构化数据（维基百科）抽知识"路线成立；
- **2012**：Google 发布 Knowledge Graph，"things, not strings"——[Ji20] 的原话是 *"it was in 2012 that the concept of knowledge graph gained great popularity since its first launch by Google's search engine"*；
- **2014**：Wikidata 上线；Knowledge Vault 发表——自动构建的最高调尝试。

我个人读这条时间线的感受：前 40 年（1956–1995）是"人写知识"，中间 15 年是"人组织 + 机器抽"，2012 之后则是"机器读世界"。而 2023 年之后发生的事（LLM），[Bian25] 说是又一次路线切换——这个放到第 4 节说。

### 2.2 KB 和 KG 到底是不是一个东西

事实三元组（知识库视角） 是知识图谱（Knowledge Graph, KG）最基本的结构化事实单元，用来把现实世界中的一个事实"机器可读"地表示出来。

最常见的 RDF/知识库表示是**(头实体, 关系, 尾实体)**，记作 (h, r, t) 或 (subject, predicate, object)。例如(爱因斯坦, 出生于, 乌尔姆)。

四篇对"知识库（KB）"和"知识图谱（KG）"的用法其实很随意，但 [Ji20] §I 给了一个我认为了最干净的辨析：

> *"A knowledge graph can be viewed as a graph when considering its graph structure. When it involves formal semantics, it can be taken as a knowledge base for interpretation and inference over facts."*

——同一份数据，看图结构时叫 KG，看形式语义（可解释、可推理）时叫 KB。[Ji20] 的 Fig.1 用 Einstein 的例子把这个讲得很直观：左边是事实三元组列表（知识库视角），右边是实体关系网（图视角）：

![fig02_kb_kg_example.png](https://developer.qcloudimg.com/http-save/yehe-11563618/40d859b85e0cfb134c3bfa15c00ea9b5.png)

[Nickel15] 的 Fig.1 则是另一个画风的同一件事（Star Trek 实体和 played/starredIn/genre 关系）：

![fig03_sample_kg.png](https://developer.qcloudimg.com/http-save/yehe-11563618/a234c54593decc5f3db5284f63fbe5a4.png)

实际使用上，四篇都把 (head, relation, tail) 三元组当作共同的原子单位。所以笔记下文我也混用 KB/KG，不纠结。

### 2.3 一个容易被跳过、但影响深远的细节：OWA vs CWA

读 [Nickel15] 时我有个之前忽略掉的收获：**开放世界假设（OWA）与封闭世界假设（CWA）之争，直接决定了训练数据怎么造**。语义网传统（RDF）采用 OWA——缺失的三元组是"未知"，不是"假"。但训练嵌入模型需要负样本，于是工程上普遍退而求其次用"局部封闭世界假设"（LCWA）：把没观测到的当负例，再用负采样控制噪声。

[Nickel15] 给了一个让人清醒的数字：Freebase 里 **71% 的人物缺少出生地**字段。也就是说，知识库的"空白"比"内容"多得多，所有"补全"技术本质上都是在 OWA 的世界里做 CWA 的买卖。这个张力贯穿了后面所有方法。

---

## 3. 主线一：把符号压成向量（表示学习）

这是三篇前 LLM 综述共同的主战场，也是十年来方法论演进最完整的一条线。我把三篇的组织方式对照着读，效果出奇地好。

### 3.1 起点：知识图谱 = 一个三阶张量

[Niu24] 的 Fig.1 先给了 KGE 的总视图：把符号化的 KG 映射成数值向量，让 h + r ≈ t 这类算术在向量空间成立：

![fig06_kge_overview.png](https://developer.qcloudimg.com/http-save/yehe-11563618/3003dbf0eedf4201a674a960457450ad.png)

而 [Nickel15] 的视角更"统计"：整个 KG 就是一个三阶邻接张量 Y ∈ {0,1}^(Ne×Ne×Nr)，每种可能的取值组合是一个 "possible world"，链接预测就是估计张量里某个 0 其实是 1 的概率：

![fig04_tensor.png](https://developer.qcloudimg.com/http-save/yehe-11563618/950fd87f6c2bb21f1aa398c3c79c719c.png)

这个张量视角很对我胃口——它一下子把 RESCAL（张量分解）、矩阵分解、乃至打分函数全部统一了。2015 年的文章能这么写，确实有"开山"的气象。

### 3.2 [Ji20] 的拆解框架：空间 × 打分 × 编码 × 辅助信息

[Ji20] 对知识表示学习（KRL）的拆解是我见过的综述里最清楚的：一个 KRL 模型 = 选了什么**表示空间** × 用什么**打分函数** × 用什么**编码模型**（+ 是否用辅助信息）。它在 §II-D 里也不客气地说了自己和前辈综述的区别：Wang et al. 只按打分函数分类、Lin et al. 是线性罗列，而 *"Our survey goes deeper to the flow of KRL and provides a full-scaled view from four-folds"*。

**表示空间**——从普通点向量，到复数空间（ComplEx）、高斯分布（KG2E，顺便建模不确定性）、流形空间（ManifoldE）：

![fig05_repr_spaces.png](https://developer.qcloudimg.com/http-save/yehe-11563618/d6badd9e385b9e1539f0087e9ff29a20.png)

**打分函数**——两大门派：距离型（TransE 的平移距离，图 a）vs 语义匹配型（DistMult 的相似度，图 b）：

![fig08_scoring.png](https://developer.qcloudimg.com/http-save/yehe-11563618/1cedb081baf3f145ad35cba1bc910de0.png)

**编码模型**——CNN、GCN、RNN、Transformer 轮番上阵：

![fig09_neural_encoders.png](https://developer.qcloudimg.com/http-save/yehe-11563618/6e136706abf9f19a065c96336c224f5a.png)

不过 [Ji20] 附录 C 对这批神经编码器的评价很冷静：*"...achieved very competitive results, but they are not transparent, and lack of interpretability"*。刷榜有效，但说不清为什么——这句话放到今天依然成立。

### 3.3 [Niu24] 的换视角：别问模型叫什么，问它能表达什么关系

如果说 [Ji20] 是"按技术组件分类"，[Niu24] 则提出了一个我读完觉得更本质的判据：**一个嵌入模型的价值，取决于它能建模哪些关系性质**。它开篇就点题：*"the existing literature lacks a comprehensive summary and review of KGE models from the perspective of modeling relation characteristics"*。

三类关系性质：

1. **复杂映射**：1-1 / 1-N / N-1 / N-N（比如"出生地"是 N-1，"同学"是 N-N）；
2. **关系模式**：对称（SpouseOf）、反对称（TeacherOf）、逆（Teacher↔Student）、组合（BornIn + CapitalOf ⇒ Nationality）；
3. **实体间隐式层级**（is-a 层级，谁更"抽象"）。

![fig07_relation_properties.png](https://developer.qcloudimg.com/http-save/yehe-11563618/488d2d10ab5c65ae1e658c62a44458b8.png)

这套判据的杀伤力在于：TransE 作为祖师爷，被当场"处刑"——1-N 关系会迫使所有尾实体向量趋同（London ≈ Liverpool）；对称关系要求 r = 0 向量，直接失效。于是后面十年的模型史可以一句话概括：**每一代新模型都在补 TransE 表达不了的某种性质**——TransH/TransR 解决复杂映射，ComplEx 解决反对称，RotatE 用复平面旋转第一次统一了四种模式，HAKE/双曲空间系去攻层级关系。

顺带一个私货发现：[Niu24] 引用了 Pan et al. 的《Unifying LLMs and KGs: A Roadmap》，却通篇不展开 LLM——2024 年的 KGE 综述站在时代夹缝里，这个细节本身就很说明问题。

---

## 4. 主线二：知识从哪来（获取与构建）

这是我最关心的部分，也是 4 篇之间反差最大的部分。

### 4.1 传统数据流框架：发现实体 → 抽关系 → 补全

[Ji20] 把知识获取拆成三块：KG 补全（KGC）、实体发现、关系抽取。实体发现又细分识别、消歧、对齐等任务：

![fig10_entity_discovery.png](https://developer.qcloudimg.com/http-save/yehe-11563618/61dc704e38127bb1a9bc030f8e91cfd2.png)

这套数据流框架的完整形态，[Nickel15] 用 Knowledge Vault（Google, 2014）给出了教科书级案例——从 Web 抽取 + 先验知识库（Freebase），经过 Latent Model / Observable Model / Combined Model 打分，最后 Fusion Layer 融合出带置信度的事实：

![fig11_knowledge_vault.png](https://developer.qcloudimg.com/http-save/yehe-11563618/cf90ef325c49bc69fe525dda934e66bc.png)

几个让我印象深的细节（[Nickel15] §IX）：

- KV 只用 4469 个最常用谓词；加上 SRL 模型做先验后，高置信三元组从 1 亿涨到 2.71 亿；
- 单条抽取的置信度可能很低（某条 Barry Richter 的事实只有 0.14），多源融合后能升到 0.61——**融合的价值远大于单点抽取的精度**；
- 但 KV 这条"机器读网页 + 概率融合"的工程路线，后来其实没有延续下去。这是我读 2015 年文章时最大的感慨：当年的旗舰范式，十年后成了博物馆展品。

### 4.2 范式切换：[Bian25] 的三层重构

[Bian25] 的核心主张：LLM 把经典的三层构建数据流框架——**本体工程（Ontology Engineering）→ 知识抽取（Knowledge Extraction）→ 知识融合（Knowledge Fusion）**——逐层改写。摘要里的说法是范式从 *"rule-based and statistical pipelines"* 转向 *"language-driven and generative frameworks"*。它的分类树很好地总览了全貌：

![fig12_llm_kgc_taxonomy.png](https://developer.qcloudimg.com/http-save/yehe-11563618/8819048c08a48b9724e82c26b7d5ac0f.png)

按我的理解，每层的变化实质是：

- **本体工程**：以前是专家在 Protégé 里手工建模；现在分 top-down（LLM 当"本体助手"，从能力问题 CQ 或自然语言直接生成本体，评测结论是 GPT-4 的输出 *"comparable to that of junior human modelers"*）和 bottom-up（让 LLM 从数据反推 schema，如 GraphRAG、EDC 的 Extract–Define–Canonicalize）。作者自己总结重心已经从 *"LLMs for Ontology Engineering"* 转向 *"Ontologies and KGs for LLMs"*——方向感完全反过来了。
- **知识抽取**：schema-based 路线（schema 约束抽取）正在演化成 schema 与抽取"共演化"（如 AutoSchemaKG）；schema-free 路线则直接让 LLM 生成三元组或做开放信息抽取。
- **知识融合**：[Bian25] 有个很妙的比喻——schema 级融合是统一知识的"骨架"（skeleton），instance 级融合是整合知识的"血肉"（flesh）；更有意思的是 Graphusion 这类混合框架，试图一次生成周期里同时完成对齐、合并、推理。

我的判断：和第 4.1 节对比，变化的不是"数据流框架有哪些环节"，而是**每个环节的实现从'训练专用模型'变成'提示通用模型'**。Knowledge Vault 时代的"抽取模型 + 融合层"架构，在功能上正被"LLM + 生成式数据流框架"整体替代。代价是 [Bian25] 全文几乎没有定量基准——LLM 构建的 KG 质量怎么评，还是悬而未决的问题。

---

## 5. 主线三：怎么知道模型学得好（推理、补全与评估）

这条主线三篇前 LLM 综述各有侧重，我把它压缩成一张"检验清单"：

- **链接预测**是通用考场：MR / MRR / Hits@N 是通行指标（[Niu24] §2、两篇文章一致）。
- **[Ji20] §IV-A 的四条技术路线**：嵌入排序（ProjE 等）、关系路径推理（PRA 及 RNN 组合）、RL 寻路（DeepPath / MINERVA，把多跳推理建成 MDP）、规则学习（AMIE、NeuralLP 等）。RL 寻路当时是热点，今天热度已明显回落——又一个"时代的眼泪"。
- **[Niu24] 的判据最好用**：评估一个新模型，先看它声称能捕捉哪种关系模式，再检查模式的前提三元组和推理三元组是否真的能同时满足优化目标。比如 RotatE 理论上用复数旋转统一了对称（r∘r=1）、逆（r₁=r₂⁻¹）、组合（r₁=r₂∘r₃）三种模式——这类"理论表达能力"的证明比刷高 0.5 个点的 MRR 更有信息量（回看第 3.3 节的图）。
- **别忘了融合的价值**：[Nickel15] 里 PRA（图特征）和 ER-MLP（潜特征）在 KV 上单独 AUC-ROC 分别是 0.884 和 0.882，融合后 0.911。两派模型互补——这个结论我认为至今被低估。

一个总的读后感：嵌入时代的评估文化偏重"在固定 benchmark 上刷指标"，而 [Bian25] 时代的问题是"LLM 生成的 KG 连 benchmark 都还没有"。评估方法学的滞后，可能是当前最值得填的坑。

---

## 6. 十年对照：什么变了，什么没变

| 关注点 | [Nickel15] 2015 | [Ji20] 2020 | [Niu24] 2024 | [Bian25] 2025 |
|---|---|---|---|---|
| 时间/动态 | 计划扩展 KV 建模时序事实 | 单列时序 KG 一章 | 动态 KG 研究稀缺 | KG 作为 Agent 的"动态记忆基底" |
| 可扩展性 | 只考虑线性可扩展方法 | 超过百万实体的研究很少 | 稀疏/长尾是难点 | 由 LLM 通用性承接 |
| 可解释性 | （规则/路径天然可解释） | 明确呼吁提升可解释性 | 间接（理论表达能力） | 几乎不谈，转向"可信生成" |
| 新角色 | 常识与程序性知识是"下一前沿" | 预训练模型已能习得知识，需重新思考知识聚合 | 多模态 KGE | KG 是 LLM 的"认知中间层"，超越 RAG |

三条观察：

1. **可扩展性焦虑消失了**。2015 年 [Nickel15] 把"至多线性扩展"当作筛选方法的第一原则；2025 年没人再提——不是解决了，而是 LLM 把问题整体换掉了。
2. **可解释性问题始终没解决**，只是热度换了形态：从"嵌入不可解释"变成"生成不可控"。
3. **最动人的呼应**：2015 年 [Nickel15] 结语写道，KG 里 *"Notably missing are representations of 'common sense' facts … remains the next frontier for AI and machine learning"*——常识知识是下一前沿。十年后，[Bian25] 的答案某种意义上是：常识被 LLM 隐式学走了，KG 的未完成使命正在被对手完成。而 [Ji20] 早在 2020 年就预感到了这个拐点（"预训练语言模型已能习得事实知识，需重新思考知识聚合方式"）。

十年间，核心问题从"**如何表示知识**"变成了"**如何让语言模型与知识互相成就**"。

---

## 7. 附：4 篇文献信息

| 简称 | 论文 | 作者 | 出处 | 页数 | arXiv |
|---|---|---|---|---|---|
| [Nickel15] | A Review of Relational Machine Learning for Knowledge Graphs | Nickel, Murphy, Tresp, Gabrilovich | Proc. IEEE 104(1), 2016 | 23 | 1503.00759 |
| [Ji20] | A Survey on Knowledge Graphs: Representation, Acquisition, and Applications | Ji, Pan, Cambria, Marttinen, Yu | IEEE TNNLS 33(2), 2022 | 27 | 2002.00388 |
| [Niu24] | Knowledge Graph Embeddings: A Comprehensive Survey on Capturing Relation Properties | Guanglin Niu | arXiv, 2024 | 22 | 2410.14733 |
| [Bian25] | LLM-empowered Knowledge Graph Construction: A Survey | Haonan Bian | ICAIS 2025 | 14 | 2510.20345 |



一次读 4 篇跨度十年的知识库/知识图谱综述（2015 → 2025），按问题主线交叉跳读： -[Nickel15] = Nickel et al., A Review of Relational Machine Learning for Knowledge Graphs； -[Ji20] = Ji et al., A Survey on Knowledge Graphs: Representation, Acquisition, and Applications； -[Niu24] = Niu, Knowledge Graph Embeddings: A Comprehensive Survey on Capturing Relation Properties； -[Bian25] = Bian, LLM-empowered Knowledge Graph Construction: A Survey。 插图均从原论文 PDF 截取，仅供学习使用。

知识库Survey论文快读：从符号三元组到 LLM 自动构建

一次读 4 篇跨度十年的知识库/知识图谱综述

人工智能

数据库

新闻资讯

知识图谱十年演进：从统计关系学习到LLM驱动生成。2015年深度学习前夜的张量分解方法（Nickel15），到2020年嵌入模型百花齐放（Ji20），再到2024年聚焦关系特性建模（Niu24），最终2025年转向语言模型驱动的知识构建（Bian25）。核心关注知识表示、获取和评估三大问题，展现从符号逻辑到神经生成的技术跃迁。

2026上云采购 | AI焕新·智启新局

lexiang

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

知识图谱十年演进：从统计关系学习到LLM驱动生成。2015年深度学习前夜的张量分解方法（Nickel15），到2020年嵌入模型百花齐放（Ji20），再到2024年聚焦关系特性建模（Niu24），最终2025年转向语言模型驱动的知识构建（Bian25）。核心关注知识表示、获取和评估三大问题，展现从符号逻辑到神经生成的技...

知识库Survey论文快读：从符号三元组到 LLM 自动构建-腾讯云开发者社区-腾讯云

知识库Survey论文快读：从符号三元组到 LLM 自动构建

知识库Survey论文快读：从符号三元组到 LLM 自动构建

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐