← Back to LLM、RAG 与知识图谱 LLM-RAG-KG / LLM-03

知识图谱构建：实体、关系与本体

Learn how to construct knowledge graphs from domain concepts, textual evidence, and structured relations.

Knowledge Graph Construction and Semantic Retrieval 120 min Applied

1. What Is a Knowledge Graph?

知识图谱是一种用节点和边表示知识的结构化方式。节点通常表示实体、概念、事件或主题，边表示它们之间的关系。

一个基础三元组可以表示为：

Entity A -- Relation --> Entity B

例如：

RAG -- uses --> External Documents
Knowledge Graph -- contains --> Entities and Relations
Policy Text -- mentions --> Governance Instrument

2. Why Knowledge Graphs Matter for LLMs

知识图谱能为 LLM 提供更明确的语义结构。相比纯文本检索，图谱可以表达：

  • 概念之间的层级关系。
  • 实体之间的因果、引用、合作或隶属关系。
  • 事件链和技术路径。
  • 多跳关系和结构化推理路径。

3. Main Components

知识图谱通常包括：

  1. Entities：人、组织、地点、技术、疾病、政策工具、文献主题等。
  2. Relations：合作、引用、包含、影响、属于、导致、支持等。
  3. Attributes：年份、地区、来源、频次、强度、类别等。
  4. Ontology：概念类别和关系类别的规范化设计。
  5. Triples：实体—关系—实体的基本表达单元。

4. Construction Methods

知识图谱可以通过多种方式构建：

  • 人工定义本体和规则。
  • 从结构化数据库导入。
  • 从文本中抽取实体和关系。
  • 使用 LLM 辅助抽取概念、事件和关系。
  • 将已有分类体系、主题模型和引用网络转化为图结构。

5. LLM-assisted Extraction

LLM 可以作为知识图谱构建中的辅助工具，用于：

  • 实体识别。
  • 关系抽取。
  • 事件抽取。
  • 概念归一化。
  • 同义词合并。
  • 三元组生成。

但 LLM 抽取结果必须经过 schema 约束和人工/规则校验，否则容易出现关系泛化、实体误配和概念漂移。

6. Example: Research Knowledge Graph

在学术文献分析中，可以构建如下图谱：

  • Paper → uses → Method
  • Paper → studies → Topic
  • Topic → belongs_to → Research Domain
  • Author → affiliated_with → Institution
  • Paper → cites → Paper

这种图谱可以用于研究主题演化、学科交叉、知识扩散和作者合作网络分析。

7. Learning Outcomes

完成本节后，学习者应能够：

  • 解释知识图谱的基本结构。
  • 设计实体、关系和本体类型。
  • 使用文本证据构造三元组。
  • 理解 LLM 辅助知识图谱构建的优势和风险。