Knowledge Graph

zhuonixian2026/5/29大约 2 分钟

知识图谱

知识图谱（Knowledge Graph）是一种以图结构组织知识的方式，通过"实体-关系-实体"的三元组（如 (巴黎, 是首都, 法国)）表示事实和概念之间的关联。它是结构化知识表示的经典范式，与基于自由文本的 Wiki 知识库形成互补。

核心概念

知识图谱的基本组成单元是三元组（Triple）：主语（Subject）- 谓词（Predicate）- 宾语（Object）。大量三元组构成一个有向图，节点是实体或概念，边是关系类型。本体（Ontology）定义了图谱中允许的实体类型和关系类型，是图谱的 Schema 层。

知识图谱中的关键操作包括：实体链接（Entity Linking，将文本中的 mention 映射到图谱实体）、关系抽取（Relation Extraction，从文本中提取三元组）、知识推理（Knowledge Reasoning，通过已有三元组推导新事实）。

RDF 与属性图模型

RDF（Resource Description Framework） 是 W3C 的知识图谱标准，使用 URI 标识实体，支持 SPARQL 查询语言，适合开放世界的知识共享和互操作。RDF 数据库称为 Triple Store。

属性图（Property Graph） 是工业界更流行的模型，节点和边都可以携带属性键值对，支持复杂查询（如 Neo4j 的 Cypher），在社交网络分析和推荐系统中应用广泛。

知识图谱嵌入

知识图谱嵌入（Knowledge Graph Embedding）将实体和关系映射到低维向量空间，使得真实三元组的得分高于虚假三元组。代表性方法包括 TransE、DistMult、ComplEx 和 RotatE。嵌入使得知识图谱可以与神经网络模型无缝集成，用于链接预测和关系推理。

与 Wiki 知识库的互补关系

本 LLM Wiki 项目本身可以视为一种轻量级知识图谱：每个 Wiki 页面对应一个概念实体，concepts/xxx 双链对应关系边。与正式知识图谱相比，Wiki 的优势在于人类可读性和灵活的文本表达；知识图谱的优势在于支持精确的图查询和自动推理。两者结合的方向是：用 LLM 从 Wiki 文本中提取三元组，构建可查询的知识图谱层。

应用

知识图谱被广泛应用于搜索引擎（Google Knowledge Graph 提供知识面板）、智能问答（IBM Watson）、推荐系统（利用实体关系增强协同过滤）、以及 concepts/retrieval-augmented-generation 的知识增强（GraphRAG）。