知识图谱(Knowledge Graph，简称 KG)是一种结构化的语义知识库。
简单来说，它不是像传统数据库那样把数据存在表格(行和列)里，而是把数据组织成一张巨大的“网”。在这张网中，实体(如人、地点、事物)是节点，关系(如“位于”、“主演”、“发明”)是连接节点的边。
它的核心逻辑可以用一个三元组来表示：
（头实体，关系，尾实体）
例如：（姚明，出生于，上海）或（北京，是首都，中国）
1. 核心构成要素
知识图谱主要由以下三个部分组成：
- 实体（Entity）：现实世界中的对象，如“爱因斯坦”、“相对论”、“普林斯顿大学”。
- 关系（Relation）：实体之间的连接方式，如“提出”、“就读于”、“位于”。
- 属性（Attribute）：实体的具体特征，如爱因斯坦的“出生日期”是“1879年3月14日”。
通过这些要素，知识图谱将碎片化的信息连接成一个有逻辑的网络，让计算机不仅能“存储”数据，还能“理解”数据之间的关联。
2. 知识图谱 vs. 传统数据库
表格
| 特性 | 传统关系型数据库 (RDBMS) | 知识图谱 (Knowledge Graph) |
|---|---|---|
| 数据结构 | 二维表（行/列），结构固定 | 图结构（节点/边），灵活多变 |
| 查询重点 | 精确匹配，统计汇总 | 关联挖掘，路径发现，推理 |
| 扩展性 | 增加新字段需修改表结构 | 随时添加新节点和新关系，无需重构 |
| 擅长场景 | 交易记录、库存管理 | 社交网络、推荐系统、复杂问答 |
| 比喻 | 像Excel表格，整齐但死板 | 像思维导图或人际网络，灵活且互联 |
3. 主要应用场景
知识图谱是人工智能从“感知智能”（看、听）走向“认知智能”（理解、推理）的关键技术：
- 智能搜索与问答（如谷歌搜索）
- 当你搜索“马斯克的老婆”时，搜索引擎不是返回一堆包含这几个字的网页，而是直接从知识图谱中提取答案：“格蕾姆斯”或“娜塔莎·巴塞特”（取决于时间点），并在右侧直接显示卡片。这是因为图谱里存了
(马斯克, 配偶, 某某)的关系。
- 当你搜索“马斯克的老婆”时，搜索引擎不是返回一堆包含这几个字的网页，而是直接从知识图谱中提取答案：“格蕾姆斯”或“娜塔莎·巴塞特”（取决于时间点），并在右侧直接显示卡片。这是因为图谱里存了
- 推荐系统
- 电商或视频平台利用图谱发现深层兴趣。如果你买了“相机”，传统推荐可能推“镜头”；但知识图谱知道“相机”属于“摄影”，而“摄影”关联“三脚架”和“修图软件”，甚至关联到“旅行”，从而给你更跨界的精准推荐。
- 金融风控
- 通过构建企业、个人、电话、地址之间的复杂关系网，快速识别欺诈团伙。例如，发现多个看似无关的贷款申请人共用同一个紧急联系人或设备ID，从而预警风险。
- 医疗诊断辅助
- 将症状、疾病、药物、基因等建立关联。医生输入症状，系统通过图谱推理出可能的疾病及禁忌药物，辅助决策。
- 大语言模型（LLM）的增强（RAG）
- 大模型容易产生“幻觉”（胡说八道）。将知识图谱与大模型结合，可以让模型在回答事实性问题时，先查询图谱中的确切关系，提高回答的准确性和可解释性。
4. 知识图谱与向量嵌入的关系
你刚才问的向量嵌入和知识图谱经常一起使用，它们互补性很强：
- 知识图谱：擅长处理精确的逻辑关系和事实推理（比如 A 是 B 的父亲，B 是 C 的父亲，所以 A 是 C 的爷爷）。它是“白盒”，逻辑清晰。
- 向量嵌入：擅长处理模糊的语义相似性（比如“开心”和“快乐”很像）。它是“黑盒”，靠距离判断。
趋势：现在的先进系统(如 Graph RAG)会将知识图谱的结构信息也转化为向量，或者用大模型来构建知识图谱，结合两者的优势：既有逻辑推理能力，又有语义泛化能力。
5. 著名的知识图谱
- Google Knowledge Graph：谷歌在2012年推出，极大地改变了搜索体验。
- 维基百科（Wikidata）：全球最大的开源知识图谱之一。
- 行业图谱：各大公司建立的金融图谱、医疗图谱、法律图谱等。
© 版权声明
文章版权归作者所有，未经允许请勿转载。
相关文章
暂无评论...