一、什么是知识图谱？

• 定义：知识图谱（Knowledge Graph, KG）是一种用 图结构（节点+边）来组织和表达知识的方法。

  • 节点（实体）：人、事物、概念等
  • 边（关系）：实体之间的语义联系
  • 属性：描述实体特征的信息

简单理解：它是“关系型百科全书”，不仅告诉你“是什么”，还告诉你“它与什么有关”。

---

二、系统化（与知识图谱相关但在其外部的元素）

• 数据来源环境：数据库、文本、网页、传感器、日志
• 计算支撑环境：自然语言处理（NLP）、知识抽取、图数据库
• 应用交互环境：搜索引擎、问答系统、推荐系统、智能助理
• 设计约束：实时性、可扩展性、数据质量、知识更新

👉 这些外部条件决定了知识图谱能否落地，以及以什么方式落地。

---

三、全局化（组成知识图谱的核心元素，按维度展开）

1. 数据维度

• 结构化数据（如数据库中的表）
• 半结构化数据（如JSON、XML）
• 非结构化数据（如文本、文档、网页、对话记录）

2. 知识构建维度

• 实体识别（从文本中找到人、地、物）
• 关系抽取（发现实体间的语义关系）
• 知识融合（解决不同来源的歧义、同义）
• 知识推理（基于已知关系推出新知识）

3. 存储与管理维度

• 图数据库（Neo4j、JanusGraph）
• RDF 三元组存储（subject-predicate-object）
• SPARQL 等查询语言

4. 应用维度

• 语义搜索（理解“语义”而不是关键词匹配）
• 智能问答（像百科式对话）
• 推荐系统（基于知识图谱的关联推荐）
• 风控、金融、医疗、政务等垂直行业应用

---

四、结构化（元素之间的关系）

• 数据来源 → 知识抽取 → 知识图谱存储 → 应用
• 实体 ↔ 关系 ↔ 属性 三元组结构构成知识图谱的核心。
• 知识图谱 ↔ RAG：图谱提供结构化知识，RAG 提供灵活的自然语言生成。

---

五、知识图谱的构建、保存与使用

1. 生成（构建）

   • 数据收集 → 文本清洗
   • 实体识别（NER）
   • 关系抽取（RE）
   • 构建三元组（实体–关系–实体）
   • 知识融合（统一命名、消歧义）
   • 知识推理（补充缺失关系）

2. 保存

   • 存储在图数据库（Neo4j、TigerGraph）
   • 使用 RDF/OWL 格式进行语义存储
   • 支持 SPARQL/Gremlin 等查询

3. 使用

   • 查询（SPARQL）
   • 语义搜索（增强信息检索）
   • 驱动推荐、QA、决策系统
   • 与大模型结合进行问答和推理

---

六、知识图谱与 RAG 的结合

RAG（检索增强生成）的流程是：

1. 用户提问
2. 系统从知识库中检索相关信息
3. 把检索到的信息作为上下文提供给大模型
4. 大模型生成更精准的回答

结合方式

• 传统 RAG：检索基于向量数据库（语义相似度）

• 知识图谱增强 RAG：

  1. 检索阶段 → 不仅用语义相似度，还用知识图谱中的“关系路径”进行语义扩展。

     • 例：用户问“爱因斯坦的学生有哪些？” → KG 能沿着“师生关系”找到答案

  2. 提示阶段 → 把知识图谱三元组作为补充上下文输入大模型

  3. 推理阶段 → 结合 KG 的逻辑关系，避免模型编造（hallucination）

👉 好处：减少幻觉，回答更可解释。

---

七、总结一句话

• 知识图谱 = 有关系的百科
• 场景 = 搜索、问答、推荐、风控、医疗、金融等
• 构建流程 = 数据收集 → 知识抽取 → 融合 → 存储 → 使用
• 与 RAG 结合 = 用图谱做语义补充和逻辑推理，让大模型更准确、更可控