知识图谱与AI

知识图谱是一种用实体和关系组织知识的方法。它把现实世界中的人、地点、组织、产品、事件等连接成网络，便于查询、推理和解释。

一个简单例子

假设有三条知识：

• 张三任职于 A 公司；
• A 公司总部在上海；
• 张三参与了 B 项目。

知识图谱会把“张三”“A 公司”“上海”“B 项目”作为实体，把“任职于”“总部在”“参与”作为关系连接起来。

这样系统就可以回答：“张三所在公司的总部在哪里？”

知识图谱和普通表格的区别

表格适合存结构固定的数据，例如订单、用户、商品。知识图谱更适合表达复杂关系，尤其是多跳关系。

例如“某产品的供应商的母公司是否在某地区”这种问题，用图结构表达更自然。

知识图谱的组成

组成	解释
实体	真实或抽象对象，如人、公司、疾病
关系	实体之间的连接，如任职于、位于、包含
属性	实体自身信息，如年龄、时间、价格
本体	规定有哪些实体类型和关系类型

本体设计很关键。如果实体和关系定义混乱，图谱后续很难维护。

知识图谱怎么构建

1. 明确业务问题；
2. 设计实体类型和关系类型；
3. 从文档、数据库、网页中抽取实体和关系；
4. 做实体对齐，避免“OpenAI”和“Open AI”被当成两个对象；
5. 人工校验关键知识；
6. 存入图数据库；
7. 提供查询和可视化。

知识图谱和大模型结合

大模型擅长理解语言和生成答案，但事实一致性不稳定。知识图谱结构清晰、可追溯，但构建成本高。

两者结合可以用于 GraphRAG：先根据问题在图谱中找到相关实体和关系，再让大模型组织成自然语言答案。

常见应用

• 企业知识管理；
• 风险关系分析；
• 医疗知识库；
• 金融反欺诈；
• 推荐系统；
• 智能问答；
• 供应链分析。

小结

知识图谱的价值在于把零散知识连接起来。它适合表达关系复杂、需要可追溯和可解释的场景。与大模型结合后，可以增强问答系统的结构化推理能力。